Datenbank-Spektrum

, Volume 10, Issue 2, pp 81–92 | Cite as

Hybride Datenbankarchitekturen am Beispiel der neuen SAP In-Memory-Technologie

  • Franz Färber
  • Bernhard Jäcksch
  • Christian Lemke
  • Philipp Große
  • Wolfgang Lehner
Fachbeitrag

Zusammenfassung

Die Verfügbarkeit neuer Technologien wie Multi-Core, SSD oder große Hauptspeicherkapazitäten bieten eine Gelegenheit, die klassischen Architekturansätze von Datenbanksystemen zu überdenken und an bestimmten Stellen zu korrigieren. In diesem Beitrag stellen wir die Grobstruktur der neuen hauptspeicherzentrierten SAP Technologie als einen Ansatz einer kommerziellen Umsetzung moderner Architekturkonzepte vor. Zentrales Design-Kriterium ist dabei ein hybrider Ansatz, um eine möglichst hohe Anzahl von Anforderungsvarianten optimal zu unterstützen.

Nach einer Einleitung führt der Artikel durch die wichtigsten Architekturkomponenten und illustriert den grundsätzlichen Aufbau des Systems. Für einen „deep dive“ werden zwei Bereiche in Teil 3 und 4 des Artikels im Detail diskutiert. Dabei greift der Artikel zum einen den Aspekt der physischen Optimierung im Kontext eines hauptspeicherzentrierten Systems auf und diskutiert unterschiedliche Komprimierungs- und Sortierungskriterien, wie sie im klassischen disk-zentrierten Ansatz nicht zu finden sind. Zum anderen wird die Unterstützung von Planungsanwendungen skizziert, wodurch ein Einblick in die spezifische Unterstützung einer Anwendungsdomäne („business planning“) und die prinzipiellen Erweiterungen für komplexe Operationen zur direkten Unterstützung von darauf aufbauender Planungsfunktionalität gezeigt werden.

Schlüsselwörter

Hybride Datenbankarchitektur Column Store Planning Kompression 

Literatur

  1. 1.
    Abadi DJ, Madden SR, Ferreira MC (2006) Integrating compression and execution in column-oriented database systems. In: Proc SIGMOD, S 671–682 Google Scholar
  2. 2.
    Alsberg PA (1975) Space and time savings through large data base compression and dynamic restructuring. Proc IEEE 63(8):1114–1122 Google Scholar
  3. 3.
    Aulbach S, Grust T, Jacobs D, Kemper A, Rittinger J (2008) Multi-tenant databases for software as a service: schema-mapping techniques. In: SIGMOD Google Scholar
  4. 4.
    Bernstein PA, Hadzilacos V, Goodman N (1987) Concurrency control and recovery in database systems. Addison-Wesley, Reading Google Scholar
  5. 5.
    Boncz P, Manegold S, Kersten ML (2009) Database architecture evolution: mammals flourished long before dinosaurs becaume exinct. In: PVLDB Google Scholar
  6. 6.
    Cha SK, Song C (2004) P*time: Highly scalable oltp dbms for managing update-intensive stream workload. In: VLDB Google Scholar
  7. 7.
    French CD (1995) „One size fits all“ database architectures do not work for dds. In: SIGMOD Google Scholar
  8. 8.
    Gray J (2006) Tape is dead. disk is tape. flash is disk, ram locality is king. In: Storage guru Gong show Google Scholar
  9. 9.
    Gray J, Reuter A (1993) Transaction processing: concepts and techniques. Kaufmann, Los Altos MATHGoogle Scholar
  10. 10.
    Jaecksch B, Lehner W, Faerber F (2010a) A plan for OLAP. In: EDBT, S 681–686 Google Scholar
  11. 11.
    Jaecksch B, Lehner W, Faerber F (2010b) Cherry picking in database languages. In: Proc 10th IDEAS Google Scholar
  12. 12.
    Krueger J, Grund M, Tinnefeld C, Plattner H, Zeier A, Faerber F (2010) Database systems for advanced applications: optimizing write performance for read optimized databases. Springer, Berlin, S 291–305 Google Scholar
  13. 13.
    Lemke C, Sattler KU, Färber F (2009) Kompressionstechniken für spaltenorientierte bi-accelerator-lösungen. In: BTW, S 486–497 Google Scholar
  14. 14.
    Lemke C, Sattler KU, Färber F, Zeier A (2010) Speeding up queries in column stores: a case for compression. In: Proc 12th DaWaK Google Scholar
  15. 15.
    LLVM (2010) http://www.llvm.org/
  16. 16.
    Paradies M, Lemke C, Plattner H, Lehner W, Sattler KU, Zeier A, Krüger J (2010) How to juggle columns: an entropy-based approach for table compression. In: Proc 10th IDEAS Google Scholar
  17. 17.
    Plattner H (2009) A common database approach for oltp and olap using an in-memory column database. In: SIGMOD Google Scholar
  18. 18.
    Ross JA (2008) SAP NetWeaver BI accelerator. SAP Press, Dedham Google Scholar
  19. 19.
    Westmann T, Kossmann D, Helmer S, Moerkotte G (2000) The implementation and performance of compressed databases. SIGMOD Rec 29(3):55–67 CrossRefGoogle Scholar
  20. 20.
    Willhalm T, Popovici N, Boshmaf Y, Plattner H, Zeier A, Schaffner J (2009) Simd-scan: ultra fast in-memory table scan using on-chip vector processing units. PVLDB 2(1):385–394 Google Scholar
  21. 21.
    Zukowski M, Héman S, Nes N, Boncz P (2006) Super-scalar ram-cpu cache compression. In: Proc 22nd ICDE, S 59 Google Scholar

Copyright information

© Springer-Verlag 2010

Authors and Affiliations

  • Franz Färber
    • 1
  • Bernhard Jäcksch
    • 1
  • Christian Lemke
    • 1
  • Philipp Große
    • 1
  • Wolfgang Lehner
    • 2
  1. 1.SAP AGWalldorfDeutschland
  2. 2.TU DresdenDresdenDeutschland

Personalised recommendations