Хранилище данных в памяти и аналитическая система Exasol обеспечивает разделение хранения и вычислений, представленное в его предложении SaaS, для размещенных общедоступных облачных и локальных установок.
По словам Exasol, переработка системы, используемая Adidas, Dell и немецким розничным гигантом Otto, даст клиентам гибкость и производительность в сочетании с оптимизацией затрат. Он также предлагает ценовые преимущества по сравнению с бессерверными системами, такими как GoogleBigQuery, по словам технического директора Матиаса Голомбека.
Один аналитик сказал, что стоимостной оптимизатор запросов компании имеет решающее значение, помогая пользователям получить наиболее экономичный подход к выполнению заданного запроса в зависимости от местоположения и характера объектов базы данных.
Говоря с РегистрГоломбек объяснил, что последний выпуск привнес тот же технический подход, что и его предложение SaaS, запущенное в прошлом году, к размещенным в общедоступном облаке и локальным системам.
«Мы сокращаем разрыв между локальными, облачными установками и миром SaaS», — сказал Голомбек. «SaaS уже предлагает мультикластерную эластичность за счет разделения хранилища и вычислений. Теперь эта же архитектура будет доступна для установки в вашей собственной облачной инфраструктуре — AWS, Google и Azure — и локальные системы», — добавил он.
Этот шаг означает, что клиенты могут сохранить право собственности на данные в своих системах или предпочитаемого облачного провайдера, пользуясь при этом гибкостью, предлагаемой SaaS. Это также означает, что клиенты могут опробовать новые установки в DBaaS, прежде чем перемещать их в предпочтительные среды без изменения базовой архитектуры.
С момента своего основания в 2000 году компания Exasol уделяла особое внимание быстродействию благодаря своей архитектуре с памятью. Это реплицируется в облаке путем указания локальной основной памяти.
В выпуск также включена новая версия оптимизатора на основе затрат, чтобы помочь управлять расходами на «очень сложные запросы, [with] десятки таблиц в одном запросе, соединяя их и выполняя очень сложные агрегации и аналитические функции», — сказал Голомбек.
Другие подходы к облачным хранилищам данных, такие как GoogleBigQuery и MotherDuck от компании — стали бессерверными, что позволяет пользователям увеличивать и уменьшать масштаб без подготовки базы данных.
Но Голомбек сказал, что Exasol не разделяет этот подход, потому что его архитектура in-memory может привести к ненужным затратам.
«Есть варианты использования, когда бессерверные решения могут быть правильным сочетанием, но если вы ищете эту аналитическую рабочую нагрузку в реальном времени, она не соответствует вашим потребностям, потому что вам потребуется много инфраструктуры и вам потребуется много параллельных серверов для получить тот же уровень производительности по сравнению с нашей системой, где данные обрабатываются в памяти и уже кэшируются, иначе вам нужно загружать данные в кэш многих серверов параллельно, что увеличивает затраты, поэтому вы видите, например , бессерверная альтернатива BigQuery становится очень дорогой, если вы ищете тяжелые рабочие нагрузки», — заявил он.
Мэтт Эслетт, вице-президент и директор по исследованиям Ventana Research, сказал, что Exasol успешно работает с клиентами, у которых есть серьезные проблемы с производительностью существующего хранилища данных или которые понимают, что инициатива потребует высокопроизводительной аналитической базы данных.
«Разработанная как параллельная система, основанная на архитектуре без общего доступа, Exasol позволяет организациям распределять запросы между различными узлами в кластере, используя оптимизированные и параллельные алгоритмы для локальной обработки данных. Это может обеспечить линейную масштабируемость для большего количества пользователей и расширенную аналитику, включая прогнозную. аналитики, применяя алгоритмы AI/ML непосредственно к данным», — сказал он.
Эслетт добавил, что стоимостной оптимизатор запросов компании имеет решающее значение для помощи пользователям в определении наиболее рентабельного подхода к выполнению заданного запроса в зависимости от местоположения и характера задействованных объектов базы данных.
Мы спросили GoogleBigQuery для комментариев ®
