Echtzeitanwendungen, bei denen eine Reaktionszeit von wenigen Millisekunden gefordert wird, können nur funktionieren, falls alle benötigten Daten bereits im Arbeitsspeicher vorhanden sind.
Maksim Kabakou / fotolia.com
Durch die digitale Transformation von Unternehmen und Gesellschaft fallen immer größere Datenmengen an, die zunehmend schneller verarbeitet werden müssen. Typische Einsatzszenarien sind Echtzeitanalysen von Nachrichtenströmen, die Optimierung von Produktions- und Wartungsprozessen in der Industrie 4.0 oder die dynamische, situative Steuerung von Dienstleistungen. Einerseits sind Lösungen gefragt, die den Anforderungen von interaktiven oder mobilen Applikationen gerecht werden und sehr schnell reagieren. Andererseits müssen moderne Systeme große Datenmengen schnell und explorativ analysieren und wichtige Informationen extrahieren können. Hier kommen Datenbanksystemen und Software-Lösungen mit neuartiger In-Memory-Technologie ins Spiel, mit deren Hilfe sich sehr große Datenmengen wesentlich rascher durchsuchen, aggregieren und analysieren lassen als dies mit herkömmlichen Disk-basierten Datenbanksystemen (DBS) möglich ist, schreibt Pascal Prassol im Buchkapitel “In-Memory-Platform SAP HANA als Big Data-Anwendungsplattform“.
Mit dieser Technologie lassen sich neuartige Big Data-Anwendungen realisieren, die zum Beispiel Maschinendaten oder unstrukturierte Daten aus Texten und sozialen Netzwerken auswerten und deshalb eine besonders hohe Verarbeitungsgeschwindigkeit erfordern. Technisch werde dies "durch die volle Ausrichtung auf den Hauptspeicher [des Datenbanksystems] als primäres Medium" möglich, erläutert Prassol auf Seite 199. Bei der SAP Hana-Lösung wird etwa die gesammelte Datenbasis mit Hilfe integrierter Engines, Logiken und Algorithmen verarbeitet, ausgewertet und aufbereitet. "Auf der Plattform aufsitzende Anwendungen profitieren davon, indem sie in Echtzeit auf die Resultate zugreifen können", so der Springer-Autor.
Produktuntersuchung und Einteilung in fünf Systemgruppen
Die kostenlose Fraunhofer-Studie im Umfang von 235 Seiten bietet eine herstellerneutrale Orientierungshilfe für Big Data-Anwender. Darin erklären die Herausgeber den Begriff "In-Memory", erläutern typische Merkmale von In-Memory-Systemen und geben einen Überblick zum aktuellen Angebot kommerzieller Systeme und Open-Source-Produkte. Getrennt nach fünf Systemgruppen wird in der Marktübersicht der Leistungsumfang folgender Lösungen und IT-Komponenten beschrieben und verglichen:
| Produktkategorie | Produktbezeichnung |
| Zwischenspeicher: | IBM DB2 Blu Acceleration, Memcached, Oracle TimesTen, Pivotal GemFire |
| Datenbanken: | Couchbase Server. Exasol Exasolution, MemSQL, Microsoft SQL Server Enterprise 2014, Oracle Database In-Memory, Oracle MySQL Cluster, ParStream Analytics Database for IoT, Redis, Unicom SolidDB |
| Data-Grids: | GigaSpaces XAP, GridGain, Hazelcast, IBM WebSphere eXtreme Scale, Oracle Coherence, Tibco ActiveSpaces |
| Analysesysteme | Microsoft Analytics Platform System, QlikView, SAS Visual Analytics |
| Ökosysteme | SAP Hana |
Quelle: Produktstudie In-Memory-Systeme (Hrsg.: Fraunhofer-Institute für Intelligente Analyse- und Informationssysteme IAIS und für Arbeitswirtschaft und Organisation IAO)