SAP HANA, Power Pivot, SQL Server – In-memory-Technologien im Vergleich

1. SAP HANA, Power Pivot, SQL Server –
In-Memory-Technologien im Vergleich
SQLSaturday Rheinland 201428.06.2014

2. Über mich – Marcel Franke
Practice Lead Advanced Analytics & Data Science
pmOne AG – Deutschland, Österreich, Schweiz
P-TSP für Microsoft für APS und PDW
Schwerpunkt: Data Warehouse, Big Data & Data Analytics
Blog: dwjunkie.wordpress.com
E-Mail: marcel.franke@pmOne.com

3. Organizer
SQLSaturday Rheinland 201428.06.2014

4. You Rock! Sponsor
SQLSaturday Rheinland 201428.06.2014

5. Gold Sponsor
SQLSaturday Rheinland 201428.06.2014

6. Silver Sponsor
SQLSaturday Rheinland 201428.06.2014

7. Bronze Sponsor and Media Partner
SQLSaturday Rheinland 201428.06.2014

8. Agenda
 Was passiert am Markt?
 Warum ist In-Memory so beliebt?
 In-Memory bei Microsoft
 In-Memory bei SAP
 Zusammenfassung und Vergleich

9. Was passiert am Markt?
28.06.2014 SQLSaturday Rheinland 2014

10. Alle haben In-Memory-Technologien
28.06.2014 SQLSaturday Rheinland 2014

11. In-Memory ist aber nichts Neues
28.06.2014 SQLSaturday Rheinland 2014
SAP HANA
OLAP-Technologien

12. Ranking der Hersteller
28.06.2014 SQLSaturday Rheinland 2014
BI & Analytics Plattformen Data Warehouse

13. ABER WARUM IST IN-MEMORY
SO HIP?
28.06.2014 SQLSaturday Rheinland 2014

14. Hintergrund

15. Quelle: Ray Kurzweil
Quelle: Ray Kurzweil

16. Preisentwicklung Speicher
23.07.2014 © BARC 2013
16

17. Hintergrund – „Flaschenhälse verhindern“
Datenbank
Applikation
Calculation
Calculation
Zukünftiger
Ansatz
Klassischer
Ansatz

18. Move data to compute or compute to data?
28.06.2014 SQLSaturday Rheinland 2014
move data to compute
Datenbanken
OLAP
compute to data
Daten

19. Technische Innovationen
Hardware Innovationen
64bit address space – 2TB in
current servers
Dramatic decline in RAM
price/performance
Multi-Core Architecture
Massive parallel (MPP) scaling with
many nodes
Row and Column Store
Compression
Partitioning
No pre-calculated
Aggregations
Real-Time Data Capture
Insert Only on Delta
Software Innovationen

20. Warum In-Memory-Datenbanken?
Steigende Daten
Volumina
Calculation Speed
Art und Anzahl der
Daten Quellen
Geringe Transparenz
Information nur auf hoher Aggregation
verfügbar. Planungen und Analysen basieren
oft auf veralteten Daten (Latenz: Tage,
Wochen)
Reaktives Business Model
Verlorene Opportunities und Nachteile aufgrund
mangelnder Agilität und Geschwindigkeit
Geringe Reaktionsgeschwindigkeit
Durch hohe Daten Latenz und Deployment
Komplexität
Derzeitige Situation
Informations-
Latenz

21. Warum In-Memory Computing?
TeraBytes an Daten
In-Memory
Skalierbarer Daten
Througput Real Time
Hoch-Flexible
Strukturen
Business Performance verbessern
 Lösungen können schnell und iterativ
deployed werden
 Planung und Simulation „on the fly“ auf
nicht-aggregierten Daten
Grundlage für Advanced und
Predictive Analytics
Flexibilität steigern
 Iterative Entwicklungszyklen werden
ermöglicht
 Evolutionäre Vorgehensmodelle werden
ermöglicht
Zukünftige Situation

22. IN-MEMORY BEI MICROSOFT
28.06.2014 SQLSaturday Rheinland 2014

23. In-Memory bei Microsoft
xVelocity
Personal
BI
Team BI Corporate BI
Power Pivot
O365 Power
BI
Excel SQL Server 2014
Memory Optimized
Tables

24. WIE FUNKTIONIEREN
MEMORY OPTIMIZED TABLES?
28.06.2014 SQLSaturday Rheinland 2014

25. Anlegen einer Tabelle

26. Architektur
28.06.2014 SQLSaturday Rheinland 2014
 adad

27. WIE FUNKTIONIERT DER
CLUSTERED COLUMNSTORE?
28.06.2014 SQLSaturday Rheinland 2014

28. Zeilen werden zu Spalten
Product Customer Date Sale
Beer Thomas 2011-11-25 2 GBP
Beer Thomas 2011-11-25 2 GBP
Vodka Thomas 2011-11-25 10 GBP
Whiskey Christian 2011-11-25 5 GBP
Whiskey Christian 2011-11-25 5 GBP
Vodka Alexei 2011-11-25 10 GBP
Vodka Alexei 2011-11-25 10 GBP
Sales
ID Value
1 Beer
2 Beer
3 Vodka
4 Whiskey
5 Whiskey
6 Vodka
7 Vodka
ID Customer
1 Thomas
2 Thomas
3 Thomas
4 Christian
5 Christian
6 Alexei
7 Alexei
Product Customer
Und so weiter…
bis…

29. Und wir bekommen…
ID Value
1 Beer
2 Beer
3 Vodka
4 Whiskey
5 Whiskey
6 Vodka
7 Vodka
ID Customer
1 Thomas
2 Thomas
3 Thomas
4 Christian
5 Christian
6 Alexei
7 Alexei
Product Customer
ID Date
1 2011-11-25
2 2011-11-25
3 2011-11-25
4 2011-11-25
5 2011-11-25
6 2011-11-25
7 2011-11-25
Date
ID Sale
1 2 GBP
2 2 GBP
3 10 GBP
4 5 GBP
5 5 GBP
6 10 GBP
7 10 GBP
Sale

30. Und was jetzt?
ID Value
1 Beer
2 Beer
3 Vodka
4 Whiskey
5 Whiskey
6 Vodka
7 Vodka
Product
Run length
Encode
Product’
ID Value
1-2 Beer
3 Vodka
4-5 Whiskey
6-7 Vodka

31. Daten komprimieren
ID Value
1-2 Beer
3 Vodka
4-5 Whiskey
6-7 Vodka
ID Customer
1-3 Thomas
4-5 Christian
6-7 Alexei
Product’ Customer’
ID Date
1-7 2011-11-25
Date’
ID Sale
1-2 2 GBP
3 10 GBP
4-5 5 GBP
6-7 10 GBP
Sale’

33. Was verwenden wir wann?
Memory optimized Tables
 Optimiert für OLTP workloads
 Gut für kleine und viele
Transaktionen
 Nicht gut bei großen Scans
 Keine Kompression
 Keine Indexstrukturen
 Schnelle Zwischenspeicher
Clustered Columnstore
 Data Warehouse Queries
 Selektion einzelner Spalten
 Gute Kompression der Daten
28.06.2014 SQLSaturday Rheinland 2014

34. Wie kompatibel ist In-Memory?
28.06.2014 SQLSaturday Rheinland 2014
xVelocity
Power PivotSQL Server 2014

35. Laden der Daten nach Power Pivot
 Test: 20 Mio. Zeilen große Tabelle
 Daten werden unterschiedlich im SQL
Server gehalten (CI, CCI, MOT)
 Ergebnis
 CI: 2m 47s
 CCI: 2m 46s
 MOT: 4m 20s
28.06.2014 SQLSaturday Rheinland 2014
Fazit: In-Memory ist nicht kompatibel

36. VERGLEICH DER KOMPRESSION
28.06.2014 SQLSaturday Rheinland 2014

37. Kompression
28.06.2014 SQLSaturday Rheinland 2014

38. Vergleich zwischen Herstellern
28.06.2014 SQLSaturday Rheinland 2014

39. IN-MEMORY IN SAP HANA
28.06.2014 SQLSaturday Rheinland 2014

40. In-Memory in SAP
SAP HANA
Personal BI Team BI Corporate BI
HANA
Information
Composer
SAP BO Lumira
Excel
SAP BW
Workspace
SAP BO
LiveOffice
HANA
Studio

41. SAP HANA Ecosystem
28.06.2014 SQLSaturday Rheinland 2014

42. SAP HANA Platform
28.06.2014 SQLSaturday Rheinland 2014

43. SAP HANA Architektur
28.06.2014 SQLSaturday Rheinland 2014

44. In-Memory in HANA
 Reine In-Memory Datenbank
 OLTP + OLAP in der gleichen Datenbank
 Derzeit: 80 Cores, 1 TB RAM in einem Server
-> 5-6 TB Data Warehouse
 Hauptspeicher kann pro Instanz verteilt
werden
 Workload Management: Auf der Roadmap 
28.06.2014 SQLSaturday Rheinland 2014

45. Demo SAP HANA

46. Zusammenfassung
28.06.2014 SQLSaturday Rheinland 2014

47. Zusammenfassung: Microsoft und SAP
• Beide Hersteller bieten hoch-performante in-Memory Technologien an
• Beide Hersteller bieten In-Memory Technologien für OLAP & OLTP Workloads an.
BI Users
Data
Discovery
Data Storage
& Operations
Zentraler
MetaDaten-
Layer
Engine läuft
auf Server
und Clients
Eine oder
mehrere
zentrale
HANA-
Instanzen
Zentralistische
Architektur
Verteilte
Architektur

48. Fragen & Antworten

49. Thank you!
for sponsorship
for volunteering
for participation
for a great
SQLSaturday #313
SQLSaturday Rheinland 201428.06.2014