Sapporo tech bar 21

CUSTOMER
今さら聞けない
SAP HANAの基本と最新情報
SAPPORO Tech Bar #21
新久保浩二(しんくぼこうじ)
SAPジャパン株式会社
プラットフォーム事業本部
ビジネス開発部
シニアアーキテクト

3CUSTOMER© 2018 SAP SE or an SAP affiliate company.All rights reserved. ǀ
Who are you?
2000 2002? 2003 20052004 2006 2010 2011 2015 2016 2017
PISO開発
なんとなく社会人
になってずっとPro*Cと
PL/SQLを書く日々
2018
この辺でちょっとだけドイツの
HANA開発チームに
Insight TechnologyにOracleコンサル
として入社
この辺でSAPにJOIN
この辺でOracle Ace(ちなみに
より先に認定)
この辺でOracle Ace剥奪
(ちなみにも剥奪済み ☺)
この辺からプロダクト開発 HANA担当でイマココ
多分このあたりで氏に遭遇
この辺でJapan Oracle User
Group(JPOUG)設立
このあたりはOracle DMA的な盛り
上がりを見せ始めた時期。でOracle
Oak Tableのメンバーが結構、日本
に来始めた時期。Insight
Technologyでは、DMA技術をPIでは
なくPISOに適用。

4CUSTOMER© 2018 SAP SE or an SAP affiliate company.All rights reserved. ǀ CUSTOMER© 2018 SAP SE or an SAP affiliate company.All rights reserved. ǀ 4
SAP HANAにまつわる疑問1
SAP HANAって、OLAP(DWH)専用
のデータベースなんですよね？

そう。。。じゃないんです。
SAP HANAって、OLAP(DWH)専用
のデータベースなんですよね？

6CUSTOMER© 2018 SAP SE or an SAP affiliate company.All rights reserved. ǀ© 2018 SAP SE or an SAP affiliate company.All rights reserved. ǀ CUSTOMER 6
SAPとデータベース開発の歴史
TREX
(Text Retrieval and information EXtraction)
‘97
ADABAS D SAP DB
‘03 ‘07
‘98
‘05
P*TIME
‘10
HANA 1.0
Sybase
Column based in-memory data storage & processing
& distributed infra(no SQL, no transaction support) And
some processing engines are supported. (graph, search,
classification, mining…)
Row based on disk SQL access data
storage & processing
Data Integration (Data Services -
ETL)
Row based disk oriented Sybase ASE, Column
based disk oriented Sybase IQ, Sybase SQL
Anywhere, Sybase Replication Server …
Row based in-memory SQL access data
storage & processing
BusinessObjectsMaxDB
‘16
HANA 2.0
‘18
HANA 2.0
SPS03
By MySQL AB

SAP HANAの進化の歴史 (OLAPからHTAPへの進化)
ミッションクリティカルシステム
のための強固な基盤
SPS12
デジタル改革支援機能の強化と
オープン化の促進SPS112015
IoTやビッグデータとの接続性と信頼性を強化
プラットフォーム機能の進化とシンプル化の促進
エコシステムの拡張
プラットフォームとしての柔軟性の強化
プラットフォーム化 (Smart Data Access)
OLAP / OLTP 統合 (SAP Business Suite on SAP HANA)
ビッグデータアプリ対応 (PAL/R言語対応)
アジャイルデータマート対応 (SAP BW on HANA)
アナリティクス対応 (SAP BusinessObjects 4.0 対応)
インメモリーデータベースマーケットの開拓SPS1
SPS2
SPS3
SPS4
SPS5
SPS6
SPS7
SPS8
SPS9
SPS10
2010
2011
2012
2013
2014
2016
2016/11月
SAP次世代
デジタルプラットフォームへ躍進
データベース管理の進化
データ管理の進化
分析インテリジェンスの進化
アプリケーション開発の進化
BW/4HANAのサポート
S/4HANAのサポート
SoH / BWoHのサポート
(NetWeaver 7.49以降)
現在はHANA2.0 SPS03
OLAP用途
OLAP用途に加え、
OLTP用途
データベースに加え、
プラットフォームと
して進化

アナリストの評価
SAPは、
データベース、データ管理で
リーダー
として認められました The Forrester Wave
• In-Memory Database Platforms
• Translytical Data Platform
• Streaming Analytics
• Big Data Warehouse
• Enterprise Data Virtualization
• Predictive Analytics and Machine Learning
Gartner Magic Quadrant
• Operational Database Management System
• Data Management Solutions for Analytics
• Data Integration Tools
• Data Quality Tools
Challenges Contenders Strong
Performers
Leaders
Strong
Weak
Current
offering
Weak Strong
Strategy
Market presence
Challengers Leaders
Niche Players Visionaries
Abilitytoexecute
Completeness of Vision
As of November 2017
Figure 1: Magic Quadrant for Operational Database
ManagementSystems, Source: Gartner (November 2017)

データベースでカラムストアって
流行ってるらしいけど、SAP HANA
は、どうなの？

データベースでカラムストアって
流行ってるらしいけど、SAP HANA
は、どうなの？
まず、カラムストアのおさらい
からしましょうか...

11PUBLIC© 2018 SAP SE or an SAP affiliate company. All rights reserved. ǀ 11© 2018 SAP SE or an SAP affiliate company.All rights reserved. ǀ CUSTOMER
データベースのワークロード
OLTP vs. OLAP
OLTP OLAP
データソース日々のビジネスデータ: OLTPのデータはオリジ
ナルのデータ (ビジネスデータの発生源)
統合されたデータ: OLAPのデータは多くの
OLTPデータベースのデータから構成される
データの目的ビジネスの実行とコントロール計画、意思決定のサポート
求められる処理スピード低レイテンシー高スループット
データベース設計多くのテーブルによる高度な正規化一般的に非正規化された少ないテーブル
(star/snowflake schema)
クエリー一般的に定型的で、シンプル一般的に集約を含む非定型で、複雑
オペレーション追加、変更、削除、読み取り読み取り
データセット 6-18ヶ月数年-十数年

データベースのワークロードとデータストアの最適化
Row Store vs. Column Store
Column Store
• OLAP向き
• 大量データのバルクロード、スキャン
• 集計、最大/最小、平均、演算
• 高スループットな参照性能
一
般
的
な
認
識
• OLTP向き
• 少量データのRead/Write
• 更新、ショートトランザクション
• 低レイテンシーなトランクション性能
• リアルタイムプラットホームとしての位置付け
• OLAP処理高速化テクノロジーの実装
• OLTP性能向上テクノロジーの実装
• OLTPとOLAPの性能両立
SAPHANA
• 超高速OLTPデータベース
Row Store
＊SAP HANAのテーブルは、カラム/ローのいずれかを選択。カラム⇄ロー変換も可能

データベースのワークロードとデータストアの最適化
Row Store vs. Column Store
SAP HANAはRow StoreテーブルとColumn Storeテーブルの両方をサポートします。
一般的には全てのワークロードに対してColumn Storeテーブルを使用することを推奨します。
Country Product Sales
US Alpha 3,000
US Beta 1,250
JP Alpha 700
US
Alpha
3,000
US
Beta
1,250
JP
Alpha
700
Row #1
Row #2
Row #3
US
US
JP
Alpha
Beta
Alpha
3,000
1,250
700
Country
Product
Sales
テーブル
Row Storeテーブル
Column Storeテーブル
アプリケーションからはRow Store Tableも
Column Store Tableも同一のTableのように
透過的に扱えます

Column Store
Dictionary compression
Nameカラム
無圧縮
Miller
John
Millman
Zsuwalski
Baker
Miller
Jones
Miller
Johnson
John
Millman
Nameカラム
ディクショナリーエンコーディング
4
1
5
N
0
4
3
4
2
1
5
Value ID配列
0 Baker
1 John
2 Johnson
3 Jones
4 Miller
5 Millman
N Zsuwalski
…
ディクショナリー配列
実データとしてはディクショナリー配列を参照するValue IDを格納
カラム単位でDictionary/Value ID配列を作成
• Dictionary：ユニークなカラム値を格納 (位置がValue IDを示す)
• Value ID配列：全てのエントリーのValue IDを格納 (位置がRecord IDを示す)

Column Store
Advanced compression
プレフィックスエンコーディング
4 4 4 4 4 4 4 4 3 5 3 1 1 0Uncompressed
8 4 3 5 3 1 1 0Prefixed Encoded
値
出現回数
ランレングスエンコーディング
5 5 5 4 4 4 4 3 3 2 2 2 2 2Uncompressed
5 4 3 2Run-Length Encoded 値
開始位置0 3 7 9
• Prefix Encoding
連続する値を値+繰り返し回数にエンコード
• Run Length Encoding (RLE)
連続する値に対して反復を削除して配列の開始位置を保持
• Cluster Encoding
配列を分割、全数同じであれば1文字置換
• Sparse Encoding
最も頻出する値を削除
• Indirect encoding
配列を分割、低カーディナリティであれば再度辞書圧縮

Column Store
4 4 4 4 4 4 4 3 3 0 0 0Uncompressed
4 4 4 3 3 0Cluster Encoded
Bit Vector 1 1 0 1
クラスターが単一数値に
置き換えられた場合は1
4 4 4 3 3 1 0 0 0 4 4 4 4 0Uncompressed
4 3 3 1 0 0 0 0Sparse Encoded
Bit Vector
頻出の値が削除された場合は1
1 1 1 0 0 0 0 0 0 1 1 1 1 0
2 1 576 9 1 2 2 9 88 21 3 19 46 79 45 13 9 6 9 6 3 6 9 3Uncompressed
Compressed 1 0 3 2 0 1 1 2 88 21 3 19 46 79 45 13 2 1 2 1 0 1 2 0
0 1
1 2
2 9
3 576
0 3
1 6
2 9
Dictionary for block#1 Dictionary for block#3
block#2はカーディナリティが高いため
追加のディクショナリ圧縮は行わない
クラスターエンコーディングスパースエンコーディング
インダイレクトエンコーディング

Column Store
デルタマージ
インメモリデータベース
デルタストレージメインストレージ
Write
デルタマージ
Consistent View マネージャー(Read)
書き込みに最適化された領域（デルタストレージ）に対し
て、Insert/Update/Deleteを全てInsertで実行する(追記のみ
のシンプルなオペレーション)
Readオペレーションから、メイン/デルタストレー
ジを隠蔽し、仮想的に１テーブルの外観を提供。
Deleteオペレーションによるローの無効化も実行。
トランザクションのIsolation Level(MVCC)も管理。
トランザクション処理とは非同期でデルタストレージを
メインストレージにマージする
書き込みに最適化された領域(ディクショナリー圧縮のみ) 読み取りに最適化された領域(圧縮)
デルタストレージは純粋なカラムストアでは
なく書き込みにも最適された形式

インメモリーDBとかカラムストア
とかって、ちゃんとトランザク
ションをサポートできるの？

インメモリーDBとかカラムストア
とかって、ちゃんとトランザク
ションをサポートできるの？
もちろん、リレーショナルDBな
ので、きっちりトランザクショ
ンもサポートしてますよ。

20PUBLIC© 2018 SAP SE or an SAP affiliate company. All rights reserved. ǀ CUSTOMER© 2018 SAP SE or an SAP affiliate company.All rights reserved. ǀ 20
Transaction
トランザクション分離レベルと特徴
トランザクション分離レベルダーティリードファジーリードファントムリード
READ UNCOMMITTED 発生する発生する発生する
READ COMMITTED 発生しない発生する発生する
REPEATABEL READ 発生しない発生しない発生する
SERIALIZABLE 発生しない発生しない発生しない
トランザクション分離レベルダーティリードファジーリードファントムリードロストアップデート
READ UNCOMMITTED 非サポート非サポート非サポート非サポート
READ COMMITTED 発生しない発生する発生する発生する
REPEATABEL READ 発生しない発生しない発生しない発生しない
SERIALIZABLE 発生しない発生しない発生しない発生しない
- ANSI定義のトランザクション分離レベル
- HANAのトランザクション分離レベル

Transaction
同時実行性制御(MVCC)とデルタマージ
udiv Invalid CTS DTS X Y
1 0 42 undef 1 100
Create column table T (x int primary key, y int);
Insert into T values (1, 100); (by transaction 42, new recordversion is appended)
Update T set Y=Y+1 where x=1; (by transaction 44)
1 0 42 44 1 100
2 0 44 undef 1 101
CTS=Valid From
DTS=Valid To
Consistent View マネージャーにより計算され、各トランザクションで整合性の
とれたデータがフィルターされます

Transaction
同時実行性制御(MVCC)とデルタマージ
• MVCC garbage collection:
トランザクションがcommitされるとMVCC garbage collectionが実行される
Before garbage collection
After garbage collection (udiv:1を参照するト
ランザクションが存在しない場合)
1 0 42 44 1 100
2 0 44 undef 1 101
1 1 undef undef 1 100
• Delta Merge:
定期的に実行されるDelta Mergeにより全てのトランザクションからInvisible(Invalid)なレコードは削除される

IntelとかIBM POWERチップに最適
化されていると聞くんですけど、
具体的に何ですか？

そう。それ、すごい大事なん
ですよ。
IntelとかIBM POWERチップに最適
化されていると聞くんですけど、
具体的に何ですか？

CPU/Memoryのパフォーマンストレンド
Performance
100,000
CPU自体の純粋なスピード(クロックスピード)
の向上は見込めないので、CPU内、CPUコア間
での効率の良い並列処理が必要になる。
In-Memoryの世界だと、メインメモリーはCPUに比較して圧倒的
に低速なので、メインメモリーに対して何も考えずにアクセスす
ると、皆さんが思うほどのパフォーマンスアップは望めない。
1980 1985 1990 1995 2000 2005 2010
10
100
1,000
10,000
Processor
CPU/Memory Performance GAP
Processor-Memory
Performance GAP
Memory
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006
10
100
1,000
10,000
1.5, VAX-11/785
VAX-11/780
VAX8700
Sun-4/260
MIPS M/120
MIPS M2000
IBM RS6000/540
HP PA-RISC, 0.05GHz
Alpha 21064, 0.2GHz
PowerPC 604, 0.1GHz
Alpha 21064A, 0.3GHz
Alpha 21164, 0.5GHz
Alpha 21164, 0.6GHz
Alpha 21264, 0.6GHz
Intel Pentium Ⅲ,1.0GHz
AMD Athlon, 1.6GHz
Intel Pentium 4, 3.0GHz
AMD Opteron, 2.2GHz
Intel Xeon, 3.6GHz
64bit Intel Xeon, 3.6GHz
9
13
18
24
51
80
117
183
280
481
649
993
1267
1779
2584
4195
5367
5764
6505
Performance(vs.VAX-11/780)
25%/Year
52%/Year
20%/Year
History of CPU Performance
5

インメモリーの世界でのボトルネックはどこか?
Disk
ディスクは信じられないくらい遅いので、
アーカイブとトランザクションの永続化くら
いの用途で、それ以上は、もう考えない。
- CPUのクロックスピードは頭打ちなので、
もっと賢くCPUを使わないとね
- 同じコードを書いていても、CPUの
進化に合わせて勝手にスピードアッ
プする時代は終わり
- 効率の良いコードに書き換えないと
(SIMDとかTSXとかを使うように)
- さらにはメインメモリーへのアクセ
スを削減しないとね
CPU1 CPU2
CPU3 CPU4
- メインメモリーは速くないよ
- 帯域は広くなっているけど、レイテンシー
が全然ダメ
- 特に(CPU)キャッシュミスした時のメインメ
モリーアクセスは本当に悪夢
- あと、NUMAアーキテクチャーに即した
データローカリティを考えないとね
- CPUのクロックスピードは頭打ちなので、
もっと賢くCPUを使わないとね
- 同じコードを書いていても、CPUの
進化に合わせて勝手にスピードアッ
プする時代は終わり
- 効率の良いコードに書き換えないと
(SIMDとかTSXとかを使うように)
- さらにはメインメモリーへのアクセ
スを削減しないとね
CPU core
CPU cache
CPU core
CPU cache
CPU core
CPU cache
CPU core
CPU cache
メインメモリー

ハードウェアとOLAPの最適化のおさらい(の一部)
Pentium ⅢよりSSE(Streaming SIMD Extensions)として搭載されSIMDレジスタのサイズは128bit、Sandy BridgeよりIntel AVX
(Advanced Vector eXtensions)となりSIMDレジスタのサイズは256bit。Intel SkylakeはSIMDレジスタサイズは512bitとなり、
今後SIMDレジスタサイズは増加していくと考えられる。(* ここではIntel版のみ言及)
1 2 3 4 4個のデータの集合A(配列A)
1 2 3 4 4個のデータの集合B(配列B)
を順番に足し算したい
1 2 3 4
1 2 3 4
2 4 6 8
+ + + +
=
=
=
=
1 2 3 4
1 2 3 4
+ (SIMD_Plus)
2 4 6 8
=
+演算は 4回
従来の処理では、4個のデータ
を処理するのに+演算(足し
算)が4回必要
+演算は 1回
SIMD演算では、4個のデータ
を1回の+演算(足し算)で実行
=> CPU演算の削減
SIMDレジスタサイズ(この場合は128bit ← ココのサイズが大きるなる傾向)
A:
B:

OLTPの(インメモリー)データベースとしての課題(の一部)
OLTPでの同時実行性の制御
- ロックやラッチ(semaphore、mutex)
古典的な手法で、あまり細かい粒度でリソースを管理するとパフォーマンスが良くないので、適度な粒度でまとめてリソースを管理します。
まとめて管理されるため、影響を受ける範囲が広がり、同時実効性が悪くなる場合があります。また、パフォーマンス向上のために各所に
スピンロック(いわゆる無限ループ)も使用されるためロックの頻度によってはパフォーマンスオーバーヘッドが大きい場合があります。
さらに、容易にデッドロックが発生させることが可能なのでコードの安定性とメンテナンスには常に困難が伴います。
インメモリーの世界では、I/Oボトルネックは排除される反面、
高トランザクション状態ではトランザクションシリアライズに
多くの時間がかかる
トランザクションの16-25%はlock manager関連との調査結果
“Lightweight Locking for Main Memory Database Systems”
http://www.vldb.org/pvldb/vol6/p145-ren.pdf

OLTPの課題のSAP HANAとしての最適化(の一部)
- トランザクショナル・メモリー
H/W(CPU)で古典的なロック処理を実装。ユーザー(データベース)はH/Wがロック違反
を検知した場合のみを実装すれば良い。
多くの場合は、スピンロックが不要になり、基本的にデッドロックも発生しない。
同時実行時の競合がない場合は、OSのスケジューラーのオーバーヘッドも発生しない。
ただ、パフォーマンスの最適化はコンパイラー次第
なので、チップベンダー (≒コンパイラーベンダー)との協業が大事
START
XBEGIN
投機的実行
競合判定 or
XABORT
Write-set反映、破棄
XEND
END
Write-set破棄
ABORTの状態をレ
ジスタに記憶
* TSXのRTM(Restricted Transactional Memory)の場合
基
本
的
に
ハ
ー
ド
ウ
ェ
ア
実
装
で
の
処
理
(
ト
ラ
ン
ザ
ク
シ
ョ
ナ
ル
メ
モ
リ
ー
)
競
合
発
生
時
は
ソ
フ
ト
ウ
ェ
ア
実
装
で
の
処
理
(
従
来
の
ロ
ッ
ク
や
ラ
ッ
チ
)
TSX使用時のイメージ
通常の処理
OLTPでの同時実行性の制御

インメモリーデータベースのSAP
HANAって揮発性なんですよね？

そうそう。シャットダウンすると全部消えて無くなります。
とかありませんから！
インメモリーデータベースのSAP
HANAって揮発性なんですよね？

32CUSTOMER© 2018 SAP SE or an SAP affiliate company.All rights reserved. ǀ 32© 2018 SAP SE or an SAP affiliate company.All rights reserved. ǀ CUSTOMER
SAP HANAの永続化の話をする前に
一般的なデータベースの永続化
キャッシュ(バッファー)
データ
Tx Tx
ログ
ユーザーの要求により
ディスク上のデータブ
ロック or ページをキャッ
シュに載せる
1
各トラザクションの更新
はキャッシュを直接更新
する
3
有限のキャッシュ領域を
LRUで管理
2
更新の確定の前には必ずログ
に更新履歴を同期書き込みで
書く(Write Ahead Log=WAL)
3
更新されたキャッシュは
遅延書き込みによりディ
スク上に永続化される
(Checkpoint)
4
基本的にディスク上
のブロックイメージ
がキャッシュ上に存
在する
LRU
Tx

SAP HANAの永続化の話
インメモリーといえどもデータベースの永続化はディスク
インメモリーデータベース
Tx Tx 各トラザクションの更新
はメモリーを直接更新す
る
3
更新の確定の前には必ずログ
に更新履歴を同期書き込みで
書く (Write Ahead
Log=WAL)
3
更新されたデータは遅延
書き込みによりディスク
上に永続化される
(Savepoint)
4
ディスク上のブロッ
クイメージとインメ
モリーデータベース
のページイメージは
異なる
テ
ー
ブ
ル
インメモリー
データベース
LRU
データ
ログ
起動時にディスク上のカ
ラム全体 or ユーザー要求
によりデータページをメ
モリーに載せる
1
Tx
有限のメモリー領域を
LRUで管理(カラム or ペー
ジ単位)
2

SAP HANAの永続化レイヤー
パーシスタンスレイヤー(永続化レイヤー)
HANAデータベースのストレージ管理、トランザクションログ
管理、システムリスタート時のリカバリー管理などを行う
• データボリューム
✓ データとUndoを保持するストレージ領域
• ログボリューム
✓ トランザクションログ(REDO)を保持するストレージ領域
✓ データベースの変更(トランザクション)ログを保存するエリア
同期、非同期によるディスクへの書き込み
• セーブポイント(非同期)
✓ メモリー上の変更データをデータボリュームに書き込む(デフォルトで
300秒ごとの遅延書き込み)
• コミット(同期)
✓ トランザクション確定のログエントリーを含むログバッファー上のデー
タをログボリュームに書き込む
メモリー
ストレージ
データベース
ログボリューム
データボリューム
トランザクションログ
(WAL)の書き出し
- Log Buffer FULL
- Commit/Rollback
定期的な自動
セーブポイント
(Shadow Paging)
SAP HANA
UNDO DATAREDO
Log Buffer Row Store Column Store
ログセグメント

SAP HANAでのストレージへのI/Oパターンのまとめ
シナリオ Data Volume Log Volume Backup Storage
書き込みトランザクション - WRITE
OLTP – 概ね4KBのシーケンシャルI/O
OLAP – より大きなI/Oサイズ (1 MBを上
限に可変)
-
セーブポイント、スナップショット、
デルタマージ
WRITE
4 KB – 64 MB 非同期、並列I/O (データ量
はシステム負荷に依存)
- -
DB再起動、フェイルオーバー、テイ
クオーバー
READ
4 KB – 64 MB 非同期、並列I/O (データ量
はRow Storeのサイズに依存)
READ
256 KB 非同期I/O
-
Column Storeのテーブルロード READ
4 KB – 16 MB 非同期、並列I/O
- -
データボリューム・バックアップ READ
4 KB – 64 MB 非同期I/O (バッファーサイ
ズは512 MB)
- WRITE
512 MB シーケンシャルI/O (設定可能)
ログ・バックアップ - READ
4 KB – 128 MB 非同期I/O (バッファーサ
イズは128 MB)
WRITE
4 KB – 128 MB シーケンシャルI/O
リカバリー WRITE
4 KB – 64 MB 非同期、並列I/O
READ
256 KB 非同期I/O
READ
Data backup: 512 MBのバッファーI/O
Log backup: 128 MBのバッファーI/O

SAP HANAってエンタープライズ系
の機能(バックアップ、高可用性、
災害対策とか) ないんでしょ。

実はエンタープライズど真ん中で
信頼性は抜群ですよ。
SAP HANAってエンタープライズ系
の機能(バックアップ、高可用性、
災害対策とか) ないんでしょ。

SAP HANAのバックアップ、リカバリー
共通
– 圧縮データのため短時間で完了
– 3rdパーティー製バックアップツール利用可能
バックアップ
– メモリー上のDBの永続化は通常運用中に行われる (セーブ
ポイント)
– フル、差分、増分バックアップ
▫ データボリュームのコピー(オンライン)
– ログバックアップ (自動)
▫ ログボリュームのコピー (*1)
(*1) バックアップは自動ですが、外部ストレージへの退避等は手動で実行する必要があります。
リカバリー
– ポイントインタイムリカバリー可能
バックアップ
管理上のメリット
◼ バックアップカタログによる世代管理、整合性チェック
◼ ストレージ・スナップショットの利用も可能(HANAのスナップショットを利用して)
リカバリー
メモリー
ストレージ
データベース
ログ
ボリューム
データ
ボリューム
Log
Volume
Data
Volume
Log
Volume
Data
Volume
ログ
ボリューム
データ
ボリューム
バックアップ
メモリー
ストレージ
ログ
ボリューム
データ
ボリューム
Log
Volume
Data
Volume
Log
Volume
Data
Volume
ログ
ボリューム
データ
ボリューム
バックアップ
メモリー上にロード
(+ UNDO)
REDO

SAP HANAの高可用性
Geo clusters
ビジネスの継続性
データセンター内の
高可用性
データセンター間の
ディザスタリカバリー
SAP HANA Host Auto-Failover
(Scale-Outのスタンバイ構成)
SAP HANA System Replication
SAP HANA Storage Replication

SAP HANAの災害対策 / 高可用性
HANA Worker Server
HANA Worker Server
HANA Worker Server
HANA Standby Server
HANA Worker Server
HANA Worker Server
HANA Worker Server
Cluster ClusterLog shipping(*)
Delta data shipping
System Replication
 HANA組込みのデータベースレプリケーション機能
 自動での切り替え(Takeover)機能はないので、クラスターマネージャーと連携が必要

SAP HANA System Replication : Replication mode
セカンダリーと接続が失われるとプライマリーとの整合性の維持はしない
セカンダリーと接続が失われても障害が回復されるまでプライマリも待ち状態
Synchronous(Fullオプション)
プライマリーセカンダリー
LogData Data Log
⚫ ログはセカンダリーサイ
トに同期転送される
⚫ ログ転送は、セカンダ
リーサイトのディスク保
存まで
LogData Data Log
Synchronous
⚫ 正常時の動きは
Synchronous(Fullオプ
ション)と同様
Synchronous in memory
トに同期転送される
⚫ ログ転送は、セカンダ
リーサイトでのメモリー
保存まで
LogData Data Log
メモリ
Asynchronous
LogData Data Log
バ
ッ
フ
ァ
ー
トと接続されているネッ
トワーク経路にログ転送
が開始されると完了。
⚫ 非同期転送される
TransactionBy
e
Transaction Transaction
Transaction

SAP HANA System Replication : Active/Active read enabled
OS: DNS, hostname, Virtual IP
HASolutionPartner
HASolutionPartner
Primary
Name Server
Index Server
ログ
ボリュー
ム
データ
ボリュー
ム
Secondary
Name Server
Index Server
ログ
ボリュー
ム
データ
ボリュー
ム
② Log Shipping
① Initial Data Copy
③
HANA 2 SPS 00 〜
mode=logreplay_readaccess
④ 継続的に(プライマリーとは非同期)ログボリュームをリカバリー(リプレイ)
SAP HANA Client Library
アプリケーション
I : Primaryに接続
Ⅱ : Secondaryに接続
I : Primaryに接続 Ⅱ : Secondaryに接続
認証
リソース及び処理内容から
Primary/Secondaryでの実行を
dispatch (Hint文でSecondary
での実行を強制可能)
認証をPrimaryに依頼
必要に応じてSecondaryで
クエリーを実行

メモリーだけだと、そんなに多く
のデータを管理できないよね？

メモリーだけだと、そんなに多く
のデータを管理できないよね？
大丈夫です。様々なデータ管理の
手法を提供しています。ビッグ
データとの連携も可能ですよ。

45© 2018 SAP SE or an SAP affiliate company.All rights reserved. ǀ CUSTOMER
SAP HANA Dynamic Tiering
SAP HANA + Extended Table + SAP IQ + Hadoop
各ドメインの強みを生かしたデータ処理
• In-Memory Platform
• リアルタイムでのOLTP/OLAP処理
• テキスト、地理情報などのへのネイ
ティブな分析関数
• Diskベースのカラムストア
• 高速かつ効率の高い圧縮
• データ定義、バックアップなどが
HANAから透過的に実行可能
• TB〜PBまでの構造化データに対して
クエリーが可能
• データの重複保持はしない
• ネイティブなHANAの機能ではない
• システムのデータの配置場所をIQに変更
• NLSとして読み込み専用ストレージとして
使用
• データにより異なるSLA要求に柔軟に対応
HANA
Hot
Dynamic Tiering
Warm
SAP IQ
Cold
• SDAによるHive/Sparkでの接続
• vUDFによる既存のMarReduceジョブの活
用
• vUDFはSQLとして実行も可能
Raw
Hadoop

概要
SAP HANA Database System
SAP HANA Hot store Table
(Classical HANA Table)
SAP HANA Warm store Table
(Extended Table)
参照更新参照更新
Hot storeから
Warm storeに
データを移動
Dynamic Tiering単体としては、HANAに統合された(とはいえ、単純な)ディスクベースのテーブルの
提供のみ(<= SPS12)。データの参照、更新、移動はアプケーション側の実装に依存。
データの場所(hot/warm)がアプリケーションから透過的ではない!

Data Lifecycle Manager
SAP HANA Hot store Table
(Classical HANA Table)
SAP HANA Warm store Table
(Extended Table)
参照更新更新
Hot storeから
Warm storeに
データを移動
Data Warehousing Foundation
Data Lifecycle Manager(DLM)
Union View (HANA Calc View)
DLMにより自動化が可能
DLMにより参照はアプリケーショ
ンから透過的にすることが可能
データの参照に関しては、DLMによりアプリケーションから透過的。
データの更新に関しては、DLMを使用してもデータの場所(hot/warm)がアプリケーションから透過
的ではない!
参照参照

Multistore Table
SAP HANA Hot store Partition
(Classical HANA Table/Partition)
SAP HANA Warm store Partition
(Extended Table/Partition)
参照更新
Hot storeから
Warm storeに
データを移動
(逆も)
Partitioned Table (Multistore Table)
データの参照/更新に関して、Multistore Tableによりアプリケーションから完全に透過的。
Part#1 Part#2
Part#3 Part#4
Partition単位でデータ移動 Part#5 Part#6
Part#7 Part#8

SAP HANAは良いのだけど、既存に
データベースがいっぱいあって、
統合するのは大変そう…

SAP HANAは良いのだけど、既存に
データベースがいっぱいあって、
統合するのは大変そう…
そのためにデータ統合機能(仮想、
物理)もあります。
そもそも、全てをSAP HANAに置く必要はないかもしれませんよ。

SAP HANA Platform : Data Integration Services
SAP HANA
Virtual Physical
ETL
Virtual Model
Real-Time
No-Data movement
Flexible data model
Integration Service
OData
SAP IQ, SAP ASE, Oracle,
SQL Server, Teradata …
Data federation
Real time/Batch ETL
Streaming Service
Remote Data Sync
Streaming Lite
(IoT Gateway)
Device/Sensor
SAL SQL Anywhere Ultra Lite
既存データ資産の保護とシステム構成のシンプル化
データ仮想化による仮想DWHの構築
Real-Time/BatchによるETLのサポート
ストリームデータからリアルタイムをアクション
Enterprise Architecture Designer:
- ビジネス/ITプロセスで一貫性のあるモデリング
Agile Data Preparation:
- セルフサービスによるデータの準備、加工、品質
Smart Data Access:
- 既存のデータベース、HadoopへのData Virtualization
- 双方向の参照、更新のサポート
Smart Data Integration/Quality:
- 各アダプターにより既存データベース/APIからReal-
Time/BatchによるETL/Replicationをサポート
Smart Data Streaming:
- 断続的にデバイスから送信されるストリーミングデー
タをSAP HANAに蓄積される前に効率的に処理
- SAP HANAの前にゲートウェイとしてStreaming Liteを
配置可能
Remote Data Sync:
- SAP HANAとSAP SQL Anywhereとの双方向同期
- 断続接続環境、低帯域ネットワーク環境のサポート

Smart Data Access
ベネフィット
⚫ ローカルテーブルのようにリモートデータへアクセスが可能
⚫ 述語のプッシュダウン、他のデータベース上の各機能の補完
などのクエリの分析を含むスマートなクエリ処理
⚫ データのある場所によらず開発が可能
⚫ 異なるデータソースのアクセスに特別な構文は不要
データソース
⚫ Oracle, SQL Server, Teradata, DB2, Netezza
⚫ Hadoop – Hive (Hortonworks, Cloudera, MapR, etc.), Spark
⚫ SAP HANA
⚫ SAP Vora
⚫ SAP ASE, SAP IQ, SAP MaxDB, SAP SQLAnywhere, SAP ESP
⚫ Google BigQuery
SAP HANA
3rd パーティーデータソース
Netezza
ビッグデータ
Db2 SQL Server Oracle
SAP HANA SAP ASE SAP IQ SAP ESP
Teradata
VirtualPhysical
SAP HANA
Smart Data Access データモデル

Smart Data Integration
機能概要:
⚫ さまざまなデータ配信方式をサポート
• データ仮想化 (フェデレーション)
• リアルタイムレプリケーション (対応データソースのみ)
• バッチ (ETL / ELT)
⚫ 他ターゲットへのデータの配布のサポート (双方向)
⚫ オンプレミス、クラウド、ハイブリットに対応する
アーキテクチャの採用
⚫ 直観的でわかりやすい Web ベースの設計ツール
⚫ オープンフレームワークの採用
• 一般的なソースに対するすぐに利用できるアダプタ
• カスタムアダプタを作成するためのオープンなSDK
Data Provisioning Agent(dpagent)
SAP HANA
Data Provisioning Server(dpserver)
非データベース
アダプタ
カスタムアダプタ
(SDK)
データベース
アダプタ
Smart Data Accessと違って、Server/Agent方式によりオンプレ/クラウド
連携や、Firewallを超えられないネットワーク環境でも柔軟にデータ連携
が可能
VirtualPhysical
OData
データベースビッグデータファイル API連携ソーシャル

Hadoop Integration
SAP HANA
VirtualPhysical
SAP HANA
Smart Data Access データモデル
Data Provisioning Server(dpserver)
Data Provisioning Agent(dpagent)
Hive
Hadoopクラスター
SAP HANA spark
controller
Spark SQL Hive ODBC Virtual UDF
WebHDFS
WebCAT
Impala HDFS
HDFS

Hadoopといえば、SAPさんには、
ビッグデータのソリューションな
いの？

Hadoopといえば、SAPさんには、
ビッグデータのソリューションな
いの？
いっぱいあって説明が大変なくら
いあります。。。

SAP Cloud Platform Big Data Services
Ashburn, VA
Santa Clara, CA
St. Leon-Rot

SAP Vora
Distributed Computing Cluster
Files
Vora Spark
Extension
Spark
…
Files
Vora Spark
Extension
Spark
Files
Vora Spark
Extension
Spark
Microsoft
Azure Data
Lake Store*
Amazon S3
Apache
Hadoop HDFS
MapR-FS
Kubernetes:
オンプレミス or クラウド:
Hadoop / Spark cluster
分散トランザクションログ
Disk Based Relational
データモデラー
In-Memory
Relational
Time Series Graph Doc Store
Kubernetes Cluster
データ
サイエンス
予測分析ビジネス
インテリジェンス
レポーティング
Vora 2.0系からHadoopは必須コンポーネント
ではなくなりました。
SAP Vora
Cloud Storage

SAP Data Hub
• Orchestrate : デジタルランドスケープ内のデータを調整
してビジネス上の意思決定を促す
• Integrate : SAP EIMポートフォリオによるデータ統合機能
とSAP Voraによるデータ処理を分散ランタイムとして統合
• Open : ビッグデータ中心のオープンなアーキテクチャー
(Hadoop、Cloudストレージ、Kafka、機械学習…)
• Innovative : Kubernetesに基づく革新的なサーバーレス・
コンピューティングアーキテクチャー
エンタープライズ全体のデータ駆動型プロセスを統合

SAP Data Hub
データ取得ツールスクリプト/コードデータ準備ツール
SAP HANA BI/BA
データ
オーケストレーション
SAP Vora
データ
パイプライン
• 分断されたシステムとツール
• スクラッチでのコードやスクリプト
• プロセスの自動化が困難
• ガバナンスとプロジェクトのスケール
が困難
• アプリケーションに様々なデータを
提供可能
• ビジュアルモデリング(コーディング
の必要なし)
• プロセスの自動化とスケジュール
• ガバナンスとデータ管理
SAP Data Hub
センサーデータ
エンタープライズ
データ
ヘルスケア
データ
自動運転

そもそも、SAP HANAって普通に
SQLでアクセスするRDBMSなんで
したっけ？

そもそも、SAP HANAって普通に
SQLでアクセスするRDBMSなんで
したっけ？
そう。でも、それだけじゃないん
ですよ。

SAP HANA Platform : Advanced Analytical Processing Service
Advanced Analytical Processing Service
Hadoop(Text, Historical Data…), SAP Vora /
SAP IQ, SAP ASE,
Oracle, SQL Server, Teradata …
R-Scripts
PAL
APL
In-Database Analytics
R-Engine
C4.5
decision tree
Weighted score
tables
Regression
ABC classification
KNN classification
K-means
Associate
analysis:
market basket
SAP HANA
Spatial, IoT, Stream
Database Service
Virtual Physical
ETL
Virtual Model
Real-Time
No-Data movement
Flexible data model
Graph Engine
Spatial Engine
Text Analysis Engine
SQL Engine
Series Engine
構造化データに縛られない様々なデータ処理
各エンジン間でシームレスな連携
Spatial Engine:
- OGC準拠
- 地理空間の情報をデータベースの中で直接
保存、処理、生成、共有、取得
Graph Engine:
- ACID準拠のスキーマフレキシブルなグラフ
エンジン
- Pattern Matching/Graph Algorithms
Text Analysis Engine:
- ファイルフィルタリング/エンティティの抽
出、分類/ドメインファクトの認識
Time Series Engine:
- 効率的なシリーズデータの蓄積
- 等距離、非等距離のシリーズのサポート
Document Store:
- Schema on ReadのJSONドキュメントストア
{JSON}
Document Store
EML Tensor Flow

PAL (Predictive Analysis Library)
Classification Analysis
▪ CART
▪ C4.5 Decision Tree Analysis
▪ CHAID Decision Tree Analysis
▪ K Nearest Neighbor
▪ Logistic Regression Elastic Net
▪ Back-Propagation (Neural Network)
▪ Naïve Bayes
▪ Support Vector Machine
▪ Random Forests
▪ Gradient Boosting Decision Tree
(GBDT)*
▪ Linear Discriminant Analysis (LDA)*
▪ Confusion Matrix
▪ Area Under Curve (AUC)
▪ Parameter Selection / Model Evaluation
Regression
▪ Multiple Linear Regression Elastic Net
▪ Polynomial, Exponential, Bi-Variate
Geometric, Bi-Variate Logarithmic
Regression
▪ Generalized Linear Model (GLM)*
▪ Cox Proportional Hazards Model*
Association Analysis
▪ Apriori, Apriori Lite
▪ FP-Growth
▪ KORD – Top K Rule Discovery
▪ Sequential Pattern Mining*
Probability Distribution
▪ Distribution Fit/ Weibull analysis
▪ Cumulative Distribution Function
▪ Quantile Function
▪ Kaplan-Meier Survival Analysis
Outlier Detection
▪ Inter-Quartile Range Test (Tukey’s
Test)
▪ Variance Test
▪ Anomaly Detection
▪ Grubbs Outlier Test
Recommender Systems
▪ Factorized Polynomial Regression
Models**
▪ Alternating least squares****
▪ Field-aware Factorization
Machines (FFM) ****
Social Network Analysis Algorithms
▪ Link Prediction - Common
Neighbors, Jaccard’s Coefficient,
Adamic/Adar, Katzβ
▪ PageRank
* New in HANA 2 SPS 00
** New in HANA 2 SPS 01
*** New in HANA 2 SPS 02
**** New in HANA 2 SPS 03
Statistical Functions
▪ Mean, Median, Variance, Standard
Deviation, Kurtosis, Skewness
▪ Covariance Matrix
▪ Pearson Correlations Matrix
▪ Chi-squared Tests:
- Test of Quality of Fit
- Test of Independence
▪ F-test (variance equal test)
▪ Data Summary*
▪ ANOVA**
▪ One-sample Median Test**
▪ T Test**
▪ Wilcox Signed Rank Test**
Data Preparation
▪ Sampling, Binning, Scaling, Partitioning
▪ Principal Component Analysis (PCA)/PCA
Projection
▪ Factor Analysis
▪ Multi dimensional scaling
Other
▪ Weighted Scores Table
▪ Substitute Missing Values
Cluster Analysis
▪ ABC Classification
▪ DBSCAN
▪ K-Means/Accelerated K-Means**
▪ K-Medoid Clustering
▪ K-Medians
▪ Kohonen Self Organized Maps
▪ Agglomerate Hierarchical
▪ Affinity Propagation
▪ Latent Dirichlet Allocation (LDA)
▪ Gaussian Mixture Model (GMM)
▪ Cluster Assignment
Time Series Analysis
▪ Single/Double/ Brown/Triple Exp. Smoothing
▪ Forecast Smoothing
▪ Auto – ARIMA/Seasonal ARIMA
▪ Croston Method
▪ Forecast Accuracy Measure
▪ Linear Regression with Damped Trend and
Seasonal Adjust
▪ Test for White Noise, Trend, Seasonality
▪ Fast Fourier Transform (FFT)*
▪ Correlation Function*
▪ Hierarchical Forecast

EML (External Machine Learning)
▪ TensorFlowは、機械学習のための一般的なフ
レームワーク(Googleが開発し、現在はオープ
ンソース)
▪ ノードが演算を表し、エッジがデータ配列を表
すデータフローグラフ
▪ C/C++がバックエンド, Python APIなど
▪ ハードウェアアクセラレータ(GPU/TPU)と分散
処理をサポート
▪ 画像処理、言語処理などのディープラーニング
を組み込みでサポート
▪ 機械学習モデルをサービスとして公開する
TensorFlow Servingを提供
SQL / SQLScript
Stored Procedure
S A P H A N A P L A T F O R M Serving

そういえば、メモリー関連で最近
新しいデバイスが出るらしいね。
SAP HANAとして対応は？

そういえば、メモリー関連で最近
新しいデバイスが出るらしいね。
SAP HANAとして対応は？
あー、あれですね。きっちり準備
していて、すでに対応済みですよ。

68PUBLIC© 2018 SAP SE or an SAP affiliate company. All rights reserved. ǀ© 2018 SAP SE or an SAP affiliate company.All rights reserved. ǀ CUSTOMER 68
SAP HANA2 SPS03
SAP HANA不揮発メモリー*のネイティブサポート
* ハードウェアに依存
Benefit
ビジネス継続性の向上によりさら
に低いTCOでより多くのデータを
リアルタイム処理が可能
Persistent Memory
non-volatile
Data Reliability
faster starts
Higher Capacity
than DRAM
Transforming
the memory hierarchy
従来のメモリー技術と比較して、より
大きなメモリー領域
より低いTCOでハイパフォーマンスの
メモリー
ダウンタイムを小さくするための高速
な起動時間
Intel®との共同開発
より低いTCOでより高い容量を提供する新しいイノベーションを活用するためのゲームの変革
12.5x
起動時間の短縮**
** SAP HANAの6TBデータセットで測定された内部ベンチマーク
> 3 TB
1CPUあたりのメモリー容量の増大

Persistent MemoryのHANAでの利用イメージ
▪ SAP HANA 2.0 SPS03では、不揮発メモリーをサポート
例) Intel Optane DC Persistent Memory (aka. Intel 3D Xpoint)
– PCI Expressインターフェースではなく、DIMMフォームファクター
(DDR4互換)
▪ カラムストアのメインストレージに不揮発メモリーを利用
– メインストレージにSAP HANAの実データの95%以上が格納される
– Database、Table、Column、Partitionのレベルで不揮発メモリーを使う
か否かの設定可能(PERSISTNET MEMORY ON|OFF句)
– メインストレージを永続化レイヤーからロードする必要がなくなるた
め、再起動が非常に高速化(=可用性の向上)される。
– DRAMと比較して、TCOが低い(容量が大きく、低価格)
▪ 永続化レイヤーに変更なし(既存の運用に変更の必要なし)
▪ 現時点で不揮発メモリー自体はリリースされていません
Disk
DATA
LOG
In-memory data storage
Row Store
Column Store
Main
Delta
DRAM
SSD
© Intel
NVRAM
Operational

Intel + Google + SAPのリリース@Google Next 2018
https://twitter.com/LeukertB/status/1021477716644618241

SAP HANAってアプライアンスだか
ら、興味があっても簡単に触れな
いんだよね…

SAP HANAってアプライアンスだか
ら、興味があっても簡単に触れな
いんだよね…
確かにアプライアンスの提供形態
もありますが、エンジニアが簡単
に試せる環境もいろいろ用意して
ますよ。

SAP HANA, express edition
▪ 素早く、継続的なアプリケーション開発に最適化され
た(シンプルな)バージョンのSAP HANA
▪ ラップトップ、デスクトップコンピュータ用に
仮想マシンのイメージ、サーバー上でネイティ
ブモジュールのインストール、またはクラウド
で利用可能な柔軟なデプロイオプション
▪ SAP HANAを無料で提供することで、革新的な次
世代アプリケーションとトライアルを実現

SAP HANAへの無料アクセス
▪ 32 GBのメモリーサイズまでは無料で利用
可能です。(商用、非商用)
▪ 以下からアクセス可能
– ラップトップ、デスクトップ、サーバー
(最低 16 GBメモリーを推奨)
– SAP Cloud Appliance Library(CAL)
(AWS or Azure)
– Public Cloud (AWS, Azure, GCP …)
▪ SAP Communityによるコミュニティ
サポート
必要に応じて柔軟に拡張
▪ 128 GBのメモリーサイズまでは追加料金
により拡張可能。(商用、非商用)
▪ 必要な場合は、上位エディションにアップ
グレードが可能
– 128 GB以上のキャパシティーが必要に
なった場合
– 上位エディションでサポートされる機能
が必要になった場合
素早いアプリケーション開発
▪ SAP開発者コミュニティのチュートリアル
とサンプルコード
▪ JDBC, ODBC, .Netなどオープンなインター
フェース、接続プロトコル、開発言語の使
用
▪ SAP HANAに組み込まれたデータベース、
データ分析、アプリケーション、データ
統合サービスを活用する
▪ 開発者のPCでいつでもどこでもアプリ
ケーションを構築可能

柔軟なデプロイ先
1. SAP Developer CenterからSAP HANA, express edition
Download Managerをダウンロード
https://www.sap.com/japan/developer/topics/sap-hana-express.html
2. インストールするモジュールのタイプを選択(バイナ
リ or 仮想マシンイメージ)
* 最低8GB程度のメモリーが必要です
3. SAP HANA, express editionをダウンロード
4. ラップトップ、デスクトップ、PCサーバーなどに
デプロイ
ダウンロード &
インストール
クラウド上で使う
 SAP Cloud Appliance Library(CAL)からアクセス
→ SAPからクラウドベンダーにアクセス
http://cal.sap.com
* 各クラウドベンダーへのサービスには別途費用がかかります* インストールする先のハードウェアは無料の範囲ではありません
 クラウドベンダーのサービス/Market Placeとし
てSAP HANA, express editionをサポート*
* 2018.06時点

2種類のインストールパッケージ
バイナリパッケージ
▪ SUSE Linux Enterprise Server (SLES) for SAPもしくは
Red Hat Enterprise Linux (RHEL) for SAPに、SAP
HANA, express editionをインストールするための
パッケージ
▪ (追加で)SAP HANA XSA (Extended Application
Services, advanced model)をインストール
仮想マシンイメージ
▪ WindowsやMacにSAP HANA, express editionを簡単
にデプロイするためにSLES for SAPを含んだ仮想マ
シンイメージ
▪ 選択可能なイメージ:
– SAP HANA server only
– SAP HANA server + application (SAP HANA XSA)

各種パッケージの選択方針のまとめ

使ってみる? SAP HANA, express edition

No part of this publication may be reproduced or transmitted in any form or for any purpose without the express permission of SAP SE or an SAP affiliate company.
The informationcontained herein may be changed without prior notice. Some software products marketed by SAP SE and its distributors contain proprietary software components
of other software vendors. Nationalproduct specifications may vary.
These materials are provided by SAP SE or an SAP affiliate company for informational purposes only, without representation or warranty of any kind, and SAP or its affiliated
companies shall not be liable for errors or omissions with respect to the materials. The only warranties for SAP or SAP affiliate company products and services are those that are
set forth in the express warranty statements accompanying such products and services, if any. Nothing herein should be construed as constituting an additionalwarranty.
In particular, SAP SE or its affiliated companies have no obligation to pursue any course of business outlined in this document or any related presentation, or to develop or release
any functionality mentioned therein. This document, or any related presentation, and SAP SE’s or its affiliated companies’ strategy and possible future developments,products,
and/or platform directions and functionality are all subject to change and may be changed by SAP SE or its affiliated companies at any time for any reason without notice. The
information in this document is not a commitment, promise, or legal obligationto deliver any material, code, or functionality. Allforward-looking statements are subject to various
risks and uncertainties that could cause actual results to differ materially from expectations. Readers are cautioned not to place undue reliance on these forward-looking statements,
and they should not be relied upon in making purchasing decisions.
SAP and other SAP products and services mentioned herein as well as their respective logos are trademarks or registered trademarks of SAP SE (or an SAP affiliate company)
in Germany and other countries. All other product and service names mentioned are the trademarks of their respective companies.
See http://global.sap.com/corporate-en/legal/copyright/index.epx for additional trademark informationand notices.
© 2018 SAP SE or an SAP affiliate company. All rights reserved.

Sapporo tech bar 21

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Similar a Sapporo tech bar 21

Similar a Sapporo tech bar 21 (20)

Más de Insight Technology, Inc.

Más de Insight Technology, Inc. (20)

Último

Último (8)

Sapporo tech bar 21