Skalierbare, sichere und flexible Analysedatenbank

Effizientere Abfrageverarbeitung

• Vektorisierte Abfrageausführung nutzt die SIMD-Unterstützung (Single Instruction, Multiple Data) in x86-CPUs
• Das Zwischenspeichern von Abfrageergebnissen vermeidet die erneute Ausführung von Abfragen, wenn keine Änderungen vorliegen.

Maximierung des CPU-Cache für die Ausführung

• Nutzung des privaten CPU-Kerns und der Caches als Ausführungsspeicher - 100x schneller als RAM
• Erheblich höherer Durchsatz ohne die Einschränkungen von In-Memory-Ansätzen

Andere CPU-Optimierungen

Unterstützt Hardware-beschleunigte String-basierte Operationen, die Auswahlen auf Strings mit Wildcard-Matching, Aggregationen auf String-basierten Werten und Joins oder Sortierungen mit String-Schlüsseln begünstigen

Spaltenbasierte Speicherung

• Reduziert E/A auf relevante Spalten
• Möglichkeit zur besseren Datenkompression
• Eingebaute Speicherindizes maximieren die Effizienz

Datenkomprimierung

• Mehrere Optionen zur Maximierung der Kompression: Run Length Encoding (RLE), Patched Frame of Reference (PFOR), Delta-Kodierung zusätzlich zu PFOR, Wörterbuch-Kodierung und LZ4: für verschiedene String-Werte
• 4-6-fache Komprimierungsraten für reale Daten sind üblich

Live-Daten

Aufrechterhaltung des Echtzeitzugriffs auf Daten, während sie auf der Festplatte komprimiert werden, was zu Einsparungen bei E/A und CPU und einer kürzeren Ausführungszeit führt

Einfache Integration und Migration

• Verwendung von DataFlow für schnelles Laden von Daten und DataConnect mit über 200 Konnektoren und Vorlagen für die einfache Beschaffung von Daten in großem Umfang.
• Lädt strukturierte und halbstrukturierte JSON-Daten, einschließlich ereignisbasierter Nachrichten und Streaming-Daten ohne Codierung.
• Mit der integrierten "clonedb"-Funktion kann eine Datenbank in einem Schritt in eine Cloud oder ein entferntes Rechenzentrum verschoben werden

Speicherindizes

• Automatische Min-Max-Indizes ermöglichen das Überspringen von Blöcken beim Lesen
• Die Notwendigkeit einer expliziten Datenpartitionierungsstrategie entfällt

Parallele Ausführung

Flexible, adaptive, parallele Ausführungsalgorithmen zur Maximierung der Gleichzeitigkeit bei gleichzeitiger Priorisierung der Last

MPP-Architektur

• Verwaltung von Tausenden von Benutzern, Knoten und Petabytes an Daten
• Ausnutzung der Redundanz in HDFS zur systemweiten Datensicherung

Sicherheit

• Rollenbasierte Sicherheit
• Wiederholte Verschlüsselung
• Dynamische Datenmaskierung
• De-Identifizierung auf Spalenebene

Verwaltbarkeit

• Queue-basiertes Workload-Management zur dynamischen Anpassung von Queues auf der Grundlage von Ressourcenverfügbarkeit und Kontingenten
• Einfach zu bedienende Verwaltungskonsole und SQL-Editor

Native Spark-Integration

• Spark-gestützter direkter Query-Zugriff
• Direkte Verbindung zu Spark-Funktionen über DataFrames
• Schnelles Streaming für maschinelles Lernen und künstliche Intelligenz

Umfassende SQL-Unterstützung

• ANSI-Standard-SQL ermöglicht die Verwendung von vorhandenem SQL ohne Neuschreiben
• Erweiterte Analysen, einschließlich Kubierung, Gruppierung und Windowfunktionen

Ausgereifter Query-Optimierer

• Ausgereifter und bewährter kostenbasierter Query-Planer
• Optimale Nutzung aller verfügbaren Ressourcen, einschließlich Knoten, Speicher, Cache und CPU