Database as a Service (DBaaS) är en kategori molnbaserade datortjänster som ger tillgång till en databas utan att man behöver etablera fysisk hårdvara, installera programvara eller konfigurera databasen. Istället hanterar tjänsteleverantören de flesta databasadministrations- och underhållsuppgifter. Användarna kan snabbt starta upp en databas och ladda och analysera data, vanligtvis med liten eller ingen IT-intervention.
DBaaS är viktigt för det större företagsinitiativet digital transformation, där företag i grunden förändrar hur de arbetar och levererar värde till kunderna. Företag som strävar efter ökad datademokratisering kan välja DBaaS som ett sätt att leverera enligt strategin "any analytics, any time". Organisationer som är måna om ESG (Environmental, Social, and Governance) kan också utnyttja DBaaS förmåga att snurra upp och ner servrar efter behag som ett sätt att spara resurser.
Fördelar med DBaaS
DBaaS erbjuder vissa fördelar jämfört med traditionella metoder för att distribuera databassystem, inklusive följande:
Nackdelar med DBaaS
Det finns också potentiella nackdelar med DBaaS jämfört med databaser på plats.
Det finns ett antal typer av DBaaS-leverantörer, vilket ger ett extraordinärt och varierat utbud av alternativ i DBaaS-utrymmet.
Offentliga molnleverantörer
Många molnleverantörer som Google, Azure och Alibaba har sina egna DBaaS-erbjudanden. Användare kan utnyttja samma konto som de använder för databehandling och lagring för att skapa databaser.
Proffs
Nackdelar
Proprietära molnleverantörer
Leverantörer som Snowflake, Firebolt och andra erbjuder ett proprietärt moln, där användarna betalar leverantören för både användningen av databasen och användningen av molntjänsterna. Databasen och servrarna tillhandahålls av leverantören, även om servrarna och lagringen är outsourcade till ett publikt moln som tillhandahålls genom leverantörsavtalet.
Proffs
Nackdelar
Partner DBaaS-företag
Många fantastiska alternativ för DBaaS dyker också upp på partnermarknaden för de offentliga molnen. Användarna tecknar avtal med DBaaS-partnern och molnleverantören separat. Dessa leverantörer, inklusive Vertica, erbjuder ofta alternativ.
Proffs
Nackdelar
Utöver typerna av DBaaS finns det andra stora skillnader mellan DBaaS-leverantörer, inklusive:
Alternativ för DBaaS-driftsättning
Erbjuder din DBaaS också icke-SaaS-distribution? Vissa DBaaS-leverantörer kräver att du låser dig till en specifik lagringsplats i ett visst moln. Detta låser kunden till ett moln, vilket inte ger frihet att enkelt flytta till ett annat moln eller dra nytta av molnberäkning till lägre kostnad när det finns tillgängligt. Vissa leverantörer erbjuder ingen lösning för lokal analys eller driftsättning i Kubernetes. Välj bort leverantörer som inte stöder alla dina distributionsbehov.
Flexibilitet i licensieringen
Erbjuder din lösning en licens som gör att du enkelt kan flytta mellan flera moln eller lokalt, eller krävs det separata licenser för varje driftsättning? Vilka är kostnaderna för att underhålla DEV, TEST, BACKUP och PRODUCTION? Ta en titt på totalkostnaderna för att förstå vilka leverantörer som kommer att uppfylla dina behov.
Kapacitet för datalagring
Har du ofta lokalt lagrade Parquet-, Orc-, AVRO-, JSON- eller TEXT-filer som du behöver integrera i dina analyser? När du väljer din DBaaS-leverantör bör du undersöka hur den kan kombinera skalan och ekonomin hos en datasjö med förutsägbarheten och reproducerbarheten hos ett datalager. Dessutom bör du överväga hur väl din lösning förstår arbetsbelastningen för externa tabeller och hur mycket dataförflyttning som krävs.
Förmåga att optimera
Fungerar din DBaaS i ett begränsat datapaket? All analys är inte densamma och bör inte heller betraktas som densamma. Se till att den databas du väljer har alternativ för att hantera alla typer av arbetsbelastningar och förväntningar på servicenivån. Lösningar som gör nodbaserad optimering (helt enkelt lägger till generiska noder när arbetsbelastningen kräver det) kan leda till att du missar metoder för att hålla dina molnkostnader lägre samtidigt som du förbättrar frågeprestandan. Möjligheten att använda specialiserade noder och att ställa in långsamma frågor är av yttersta vikt.
Djupgående analyser
Kan du utnyttja din DBaaS för mer än bara beskrivande analys? Dagens datacentrerade företag har analytiska behov som sträcker sig bortom vanliga SQL-databaser. Till exempel kräver vissa arbetsbelastningar avancerad analys som geospatial eller tidsseriefunktion. Prediktiv analys blir allt viktigare för datavetenskapsteam, så fundera över hur maskininlärning stöds. Fundera på hur din lösning kan stödja ett brett spektrum av analytiska användningsfall och ett bredare team av yrkesverksamma när din molndatabas blir framgångsrik i din organisation.
Vertica Accelerator är Vertica-as-a-Service (DBaaS) som levererar en enhetlig, högpresterande plattform för avancerad analys och maskininlärning med automatiserad molnkonfiguration och hjälp med onboarding. Den körs i ditt eget AWS-molnkonto, med automatisering från Vertica management plane. Vertica Accelerator är en av de distributionsmetoder som erbjuds av Vertica analytiska databas. Vertica erbjuder också lokal distribution, Kubernetes-distribution med mera.
Vertica ger flexibilitet för privat och offentlig molndrift - inte bara ett eget moln, utan vilket moln som helst. Vår databas ansluter sömlöst lokala miljöer till publika moln för en hybrid datormolnupplevelse. Genom att implementera hybridmoln kan du öka flexibiliteten, prestandan och skalbarheten. Det ger dig ett sätt att behålla fullständig kontroll över dina data samtidigt som du utnyttjar modern molnteknik.
Vertica Accelerator hjälper dig att skapa en strategi för mer förutsägbar prissättning med vår flexibla deploy-anywhere-licens. Det är det bästa sättet att placera arbetsbelastningar på rätt plats för pris/prestanda och undvika scenarier med en enda felkälla.
Med Vertica Accelerator kan du äntligen få maskininlärning i produktion. Vertica stöder klusteroptimerade ML-algoritmer, R och Python. Dataforskare och analytiker kan bygga sina modeller med hjälp av de verktyg och språk de föredrar och sedan använda Vertica för att driva dem på större datamängder. Maskininlärning i databaser hanterar varje steg i ML-processen.
Analysera massiva datamängder med minimal beräkning och lagring