Merkmale und Nutzen

In-Memory-Technologie

Innovative In-Memory-Algorithmen ermöglichen eine wesentlich schnellere Verarbeitung großer Datenmengen im Hauptspeicher.

Spaltenorientierte Speicherung und Kompression

Durch spaltenorientierte Speicherung und Kompression wird die Anzahl der I/O Operationen und die zur Verarbeitung im Hauptspeicher benötigte Datenmenge verringert und die Leistung erhöht.

Massiv-Parallele Datenverarbeitung

EXASOL wurde als Parallelsystem entwickelt, das auf einer Shared-Nothing-Architektur basiert. Abfragen werden auf alle Knoten eines Clusters verteilt. Dies geschieht unter Verwendung eines optimierten parallelen Algorithmus, der die Daten lokal im Hauptspeicher eines jeden Knotens verarbeitet.

Tuningfreie Datenbank

Intelligente Algorithmen überwachen kontinuierlich die Nutzung und passen sich eigenständig an, wodurch die Leistungsfähigkeit des Systems optimiert und der administrative Aufwand minimiert werden.

Schneller Zugriff auf sämtliche Datenquellen

Mit dem Datenvirtualisierungs-Framework „Virtual Schemas“ sowie dem hochperformanten Datenimport-Framework können neue Datenquellen leichter angebunden und noch schneller analysiert werden.

Skalierbarkeit

Durch die lineare Skalierbarkeit kann das System jederzeit erweitert werden und die Leistungsfähigkeit kann durch das Hinzufügen zusätzlicher Knoten erhöht werden.

Hohe Anzahl gleichzeitiger User

Tausende Benutzer können gleichzeitig auf eine große Datenmenge zugreifen und diese analysieren ohne dass die Leistungsfähigkeit der Abfrage beeinträchtigt wird.

Umfassende Hadoop-Integration

Daten, die in beliebigen von HCatalog unterstützten nativen Datenformaten vorliegen, können direkt aus HDFS geladen werden, sodass Hochgeschwindigkeitsanalysen von strukturieren und unstrukturierten Daten einfach und reibungslos durchgeführt werden können. Der Datentransfer erfolgt dabei hochperformant und parallelisiert.

Advanced in-database Analytics

User Defined Functions (UDF) ermöglichen es, dass Advanced Analytics innerhalb der Datenbank durch den Einsatz von R, Python, Lua und Java problemlos läuft.

Erweiterte Konnektivität

Zusätzlich zu den bisherigen JDBC, ODBC und .NET-Schnittstellen wird darüber hinaus eine Web-Socket-basierte SQL-Schnittstelle unterstützt. Durch diese neue Schnittstelle kann fast jede Plattform problemlos auf EXASOL zugreifen, auch wenn kein dedizierter Treiber verfügbar ist. EXASOL enthält bereits einen auf diesem API basierenden Python-Adapter.

Beliebige Einsatzmöglichkeiten

Als sehr flexible Lösung kann EXASOL in unterschiedliche Geschäftsmodelle eingebunden werden. Folgende Möglichkeiten stehen zur Auswahl: als reine Software-Lösung, als Appliance oder in der Cloud (EXACloud, Microsoft Azure oder Amazon Web Services)bsp;

 

Hadoop? In-database Advanced Analytics? Kein Problem – bei uns bekommen Sie mehr.

Noch nie war es so leicht, das Open-Source-Framework Hadoop anzubinden. Denn ab sofort können Daten, die in beliebigen von HCatalog unterstützten nativen Datenformaten vorliegen, direkt aus HDFS geladen werden. Der Datentransfer erfolgt extrem beschleunigt und parallelisiert. Darüber hinaus können Anwender selbst benutzerdefinierte Funktionen (UDFs) für In-database Analytics schreiben. Neben den vorinstallierten Sprachen wie R, Python, Java und Lua erlaubt es EXASOL, beliebige Sprachen für In-database Analytics zu integrieren.

Binden Sie EXASOL ganz einfach in Ihre bestehenden BI-, Reporting-, Visualisierungs- und Analyse-anwendungen ein. Wir stellen Ihnen die wichtigsten Technologien für die Integration zur Verfügung und überlassen Ihnen die Entscheidung, wie Sie EXASOL am besten in Ihrem Unternehmen einsetzten.

 

Features

Standard Editions

  • Alle Versionen verfügen über:
  • In-Memory Technologie
  • Spaltenorientierte Speicherung und Kompression
  • Massiv parallele Datenverarbeitung
  • Gleichzeitige Nutzung auch bei mehreren Anwendern
  • Lineare Skalierbarkeit
  • Tuning-freie Datenbank, die sich selbst optimiert
  • Industriestandard-Schnittstellen
  • Einfache Einbindung in die vorhandene Analyseumgebung
  • Hochperformante Bulk-Loader
  • Flexible Einsatzmöglichkeiten

Advanced Editions

  • Darüber hinaus bieten die Advanced Editions:
  • In-Datenbank Analytics (R, Java, Python, Lua etc.)
  • Support für Hadoop-basierte Umgebungen
  • Preference Analytics der nächsten Generation
  • Analyse von Geodaten (in SQL)
  • Qualifizierten Support rund um die Uhr
  • Einfache Integration des Ecosystem Framework für sämtliche Datenquellen
  • Virtuelle Schema and Logical Data Warehouse

Comments are closed.