Ce-System

Oracle Cloud Infrastructure (OCI)

aykut — Sun, 18 Jun 2023 22:00:12 +0000

Cloud Lösungen sind lange kein Hype-Thema mehr, vielmehr eine in verschiedene IT-Segmenten angekommene Technologie. Viele der Anwendungen haben durchaus Erfolgspotential. Das Charakteristika der Cloud-Lösungen zeichnen sich durch Skalierbarkeit, Verfügbarkeit, Sicherheit, Performance und Kosten ab. Das verspricht auch Oracle, welche seine Cloud-Dienste inzwischen in die sogennante „Oracle Cloud Infrastructure (OCI)“ konsolidiert hat. Verlässt man die on-Premise Welt, so werden hier Services ab der Infrastruktur bis hin zur Software, entlang das Cloud-Servicemodell angeboten. Möchte man nun seine on-Premise Systemlandschaft nachbauen, um sein System in die Cloud zu migrieren, hätte man die Möglichkeit diese mit nur wenigen Mausklicks bereitszustellen. Zwar müssen jetzt keine Kabeln gezogen, Server aufgestellt und installiert oder sonstige manuelle Tätigkeiten für den Infrastrukturaufbau durchgeführt werden, aber nichtsdestrotz müssen elementare Kenntnisse vorliegen um ein virtuelles Netzwerk aufstellen, wie etwa IP-Adressverwaltung oder Architektur einer Hochsicherheitsnetzwerk, die z. B. vor Zugriffe von außen schützt. Eine der Kernfunktionalitäten in OCI stellen die Datenbanken dar. Oracle ist eines der führenden Datenbankanbieter im Enterprise-Sektor und bietet seine Datenbanken auch in der Cloud. Hier können erst so richtig die Cloud-Benefits beispielsweiße die vertikale- und horizontale Skalierbarkeit genutzt werden. Ein wichtiges Hauptsmerkmal wird hier auch in hinblick auf Kosten erreicht. Das neue Cloud Lizenzmodell Pay As You Go (PAYG) ermöglicht insbesondere on-Premises Kunden, die bis jetzt überteuerte on-Premise Lizenzen bezahlen, eine komplett neue Facette, seine Kosten zu optimieren. Denn in der Cloud wird nur das bezahlt was auch tatsächlich genutzt wird. So werden Speicherbelegungen oder Prozessorleistung je nach nutzen abgerechnet. Der Kunden hat z. B. die Möglichkeit außerhalb Latenzseiten die Systeme herunterzustufen um kosten zu sparen. Das Angebot der Cloud-Datenbanken ist ziemlich überschaubar und kompakt gehalten. So lassen sich die Datenbank einfach kategorisch zuordnen, bei dem auf der einen Seite die User-Managed Datebanken stehen und auf der anderen Seite die Autonome Datenbanken. Wie aus der obigen Abbildung zu entnehmen eignen sich die User Managed Datenbanken eher, einen on-Premise System nachzustellen. Tatsächlich sind dies Datebanken, die in eine VM oder einer dedizierten Server bereitgestellt werden und die automatisierung in der Cloud wird ganz allein vom Kunden bestimmt und auch gesteuert wie z. B. Update, Sicherungen usw. In OCI ist hier auch die Rede von einem Datenbanksystem. Die Autonomous Datenbanken werden von Machine Learning Algorithmen organisiert. Hier spricht man eher von einer „Cloud-Datenbank“, denn die Datenbank organisiert sich tatsächlich von selbst. Dazu gehört z. B. die automatische Sicherung, Patch-Updates oder auch Skalierungen. Bei den Autonomous Datenbanken werden auch zwischen einer Data Warhouse und Transaktion-Datenbank unterschieden. Der unterschied liegt hier der spaltenorientierte Speicherung für Data Warehouse und zeilenorientiert bei Transaktion-Datenbank. Bestehende Systeme können also je nach Gegebenheit der aktuellen Technologiestack mit unterschiedlichen Vorgehensmodellen wie z. B. per „Lift and Shift“ in die Cloud migriert werden. Möchte der Kunde alle Cloud-Vorteile nutzen, dann muss er seine Datenbank per „Lift-and-extend“ in eine der autonome Datenbanken migrieren und dabei teilweise auf eine Neuentwicklung der Anwendung setzen.

Für mich gehört die Zukunft der Business-IT der Cloud. Die Cloud bietet vielen Unternehmen die Möglichkeit aus den klassischen zum Teil überteuerten Lizenzmodellen rauszukommen und sich nicht mehr über mehrere Jahren hinweg an hohe Lizenzkosten zu binden. Dabei ist die Cloud mehr als anderes als nur eine Zuflucht aus on-Premise Kosten. Aykut Celik

Volle Tranzparenz mit Metadata Management

aykut — Fri, 06 May 2022 07:15:43 +0000

Die Evolution der Metadatensammlung hat viel mehr an Automatisierungsgrad gewonnen. Nicht nur in den Unternehmen sondern auch im privatem Umfeld.

Metainformationen sind strukturierte Daten, die Informationen über Merkmale anderer Daten enthalten. Beispielsweiße können mit Metadaten Antworten auf folgende Fragen geliefert werden:

Was sagt ein Datenelement aus?
Wer hat die Daten angelegt?
Wann wurden die Daten erstellt?
Wer ist der Eigentümer?
Wer hat die Daten zuletzt geändert?
Wo ist der Ursprung dieser Daten?

Nur wie kann man solche Metadatensammlung auswerten? Das gute an Metadatenmanagement ist es, dass solche Informationen überwiegend vorliegen sobald Daten persistiert werden. Der Einsatz solcher Auswertungen können sich in großen Datenlandschaften, wie zum Beispiel ein Data Warehouse auszahlen.

Tools wie das Informatica Enterprise Data Catalog bieten hier sogenannte Daten-Scanner, die die Metadaten aus angegebenen Datenpools wie z. B. eine Datenbank abziehen und zur Auswertung bereitstellen. Natürlich können die Metadaten im nachhinein durch äußere Aktionen angereicht werden, wie z. B. durch manuelle Kommentare, bei dem die zuvor konfigurierten Data Owner auch benachrichtigt werden können. Hierzu werden die verschiedensten Scanner angeboten, welche auch unstrukturierte Datenbeständen abziehen und auswerten können.

Des Weiteren wird dem User auch die Möglichkeit angeboten, sogenannte Custom Metadata Informationen in die Auswertungen hinzuzufügen. Dies sind Informationen die durch den Scanner nicht gelesen bzw. erkannt werden können. Beispielsweiße wären das Berechnungen innerhalb Datenbewirtschaftungsprozesse, welche als „Blackboxen“ dargestellt und beschrieben werden können.

Die Kernfunktion solcher Enterprise Tools liegen hauptsächlich in der Auswertung der Daten als Lineages. Hier werden die Prozessketten bzw. die Abhängigkeiten der Daten grafisch dargestellt bzw. gerendert. So kann ab jedem Datenelement die Herkunft und der Weiterverlauf analysiert und nachvollgezogen werden. Das Detailierungsgrad nimmt abhängig von der Sicht auf das Lineage zu. Je weniger Detailierung um so mehr aggregiert wird das Lineage dargestellt.

Durch das Metadata Management entstehen neue Sichten auf die eigene Datenlandschaft und die Unterstützung zu Entscheidungsfindungen bei fachlichen und technischen Fragen auf das Gesamtsystem. Durch Herkunfts- und Wirkungsanalysen können Aufwände bei Anpassungen am System besser eingeschätzt werden. Außerdem kann die Herkunft und Zuständigkeit der Daten schnell identifiziert werden. Das Metadata Managment bietet einen großen Nutzen und eine Vielzahl von Vorteilen wie etwa die Tranzparenz in Komplexen Datenprozessen, Unterstützung IT & Fachbereich, Reduktion von Datenanalysen und Entwicklungszeiten, Zusammenarbeit und ein einheitliches Vokabular aller Benutzer egal ob aus der IT oder dem Fachbereich.

Aykut Celik

Location Intelligence birgt viel Potenzial

aykut — Sun, 11 Apr 2021 13:41:29 +0000

Traditionelle BI-Lösungen geben Antworten auf „Wer, Was und Warum“, wobei die Frage nach dem „Wo“ weder häufig gestellt noch beantwortet wird. Location Intelligence ergänzt Business Intelligence um die zusätzliche Dimension „Raum“. Eine Visualisierung und Analyse von mit geographischer Information veredelter Business-Daten erlaubt neue Einsichten und das Erkennen neuer Strukturen und Trends. Mithilfe von Machine Learning und Standortdaten lassen sich Muster und neue Erkenntnisse gewinnen und sogar vorhersagen. Hierbei spielen visuelle Effekte, auf eine Kartografische Karte, eine große Rolle. Während Trends, Muster und Vorhersagen mit Raumbezug, auf tabellarische Informationsebene schwer zu erkennen sind, lassen sie sich auf Karten mit geographischen Funktionen wunderbar abbilden und analysieren.

Dabei entstehen neue Einsichten und Fragestellungen, die auf eine tiefgehende und effektive Analyse führen. In der obigen Reichweitenanalyse lässt sich die maximale Distanz einer Camagne betrachten. Für die max. Distanz ist die Darstellung einer Visualisierung nicht notwendig, aber vielmehr sticht hier der Campagnenraum in das Auge, welche sich über den dicht besiedelten Frankfurter Raum überdeckt. Dabei erkennt man einzelnen Clusterbereiche und auch Gebiete sowie Stadteile, bei dem die Campagne kaum Fuß fassen konnte.

Der Anwendungsbereich ist groß, sehr groß! In Kombination mit Machine Learning Algorithem lassen sich Trendanalyse vorhersagen. Das macht z. B. die Jagd auf Krimenelle besonders attraktiv, wenn beispielsweiße die nächste Geldautomatensprengung in Deutschland vorhergesagt werden soll.

Location Intelligence ist die Erweiterung um die räumliche Dimension in Business Intelligence (BI) Systemen. Dabei müssen es aber auch nicht immer BI-Systeme sein worauf Location Intelligence gesetzt werden könnte. Besonders in kombination mit Machine Learning enstehen Visualisierungen von räumlichen Daten, neue Trends, Strukturen, Muster und Vorhersagen.

Aykut Celik