大数据来袭 盘点十大最有用的云数据库

  随着商业交易内所蕴含数据量的不断增加,服务提供商正在想办法让公有云的数据管理变得更加轻松。大数据正变得越来越重要,云服务提供商希望涉足企业数据库领域。

  研究机构IDC预言,大数据将按照每年60%的比率增加,其中包含结构化和非结构化数据。企业需要想办法发挥这些数据的作用,而长期以来数据库就是一个非常好的解决方案。目前服务提供商正通过云技术推出更多可在公有云中托管这些数据库的方法,将用户从繁琐的数据库硬件定制中解放出来,同时让用户拥有数据库扩展能力。研究公司Wikibon的大数据研究专家JeffKelly说:“这是一个非常大的市场。云将是许多大数据的最终目的地。”

  当然在DBaaS(数据库即服务)中仍然存在着许多问题,尤其是关于存储在云上的敏感信息,以及云服务中断等问题。不过,云数据库和工具这一新兴市场明显在加速发展。以下是美国《NetworkWorld》所关注的10个云数据库工具。其中一些是直接关系型数据库、SQL或者NoSQL数据库提供商,还有一些则将重点放在了开源数据库上。当然这里列出的10个云数据库不可能面面俱到,像甲骨文、惠普以及EMC/VMware这些大型的市场参与者也已经推出了他们各自基于云的产品,以及针对这些工具的策略。

  1.亚马逊Web服务(AWS)

  亚马逊Web服务(AWS)拥有多种基于云的数据库服务,包括关系型数据库和非关系型数据库。亚马逊关系型数据库(RDS)能够运行MySQL、甲骨文以及SQLServer等多种实例,而亚马逊简单数据库(AmazonSimpleDB)则是一种专门针对小工作负载的非模式化数据库。在NoSQL方面,AmazonDynamoDB是一种支持固态硬盘的数据库,它能够自动在至少3个可用空间中复制工作负载。亚马逊Web服务的CTOWemerVogles表示,DynamoDB是亚马逊Web服务历史上增速最快的服务。此外,亚马逊还发布了一些辅助的数据管理服务,例如最新发布的Redshift数据仓库,以及能够帮助用户整合多来源数据以方便管理的DataPipeline。

  2.EnterpriseDB

  EnterpriseDB将重点放在了开源的PostgreSQL数据库上,不过让它名声鹊起的原因却是其与甲骨文数据库应用协同工作的能力。通过使用EnterpriseDB的PostgresPlusAdvanceServer,用户可以通过EnterpriseDB的使用为本地甲骨文数据库编写的应用。目前EnterpriseDB已能够在惠普和亚马逊Web服务的云服务上运行。此外,EnterpriseDB还具备二元复制及定期备份等功能。

  3.GarantiaData

  Garantia为用户提供了一个网关服务,通过这个服务,用户可以在亚马逊Web服务公有云上运行开源的Redis和Memcached内存非关系数据库服务。Garantia软件可以帮助开发者为这些开源数据平台自动扩展节点,创建集群以及容错模型。

  4.谷歌CloudSQL

  谷歌的云数据库服务主要集中在谷歌CloudSQL和BigQuery这两大产品上。前者被谷歌描述了一种类似MySQL的完全关系型数据库基础设施,而BigQuery则被塑造成在谷歌的云基础设施上运行大数据集查询的分析工具。

  5.微软Azure

  微软利用其SQLServer技术研发了一个关系型数据库,允许用户直接访问云中SQL数据库,或者在虚拟主机中托管SQL服务器实例。微软对混合型数据库也非常关注,该公司使用SQLDataSync整合了用户本地及Azure云上的数据。微软还拥有一个名为Tables的服务,这一基于云的NoSQL数据库服务采用了Blobs(二进制大对象存储)算法,并专门针对视频和音频等媒体文件进行了优化。

  6.MongoLab

  在NoSQL的世界中,有各种各样的数据库平台可以选择,其中包括MongoDB。MongoLab允许用户通过亚马逊Web服务、微软Azure和Joyent等大型云服务提供商访问MongoDB。与其他网关类型服务一样,MongoLab同样在应用层整合了多种PaaS(平台即服务)工具。MongoLab既可以在共享的环境中访问,也可以在专用的环境中运行,不过后者的开销通常比前者稍大一些。

  7.Rackspace

  通过名为“CloudDatabases”的产品,Rackspace的数据库既可以成为一个云,也可以成为一个托管服务解决方案。Rackspace将重点放在了CloudDatabases基于容器的虚拟化上,他们认为这将赋予数据库服务远甚于基于纯虚拟化基础设施的性能。CloudDatabases还以OpenStack平台为基础整合了一个SAN网络存储。Rackspace在近期还在其云服务上发布一个由服务提供商Cloudant研发的NoSQL数据库。

  8.SAP

  企业软件巨头SAP目前正在通过基于内存技术的平台HANA进军云计算市场。来自HANA的云数据库与Sybase等其他本地数据库工具形成了互补。目前该数据库已经能够在亚马逊Web服务的云服务中使用。HANA同时还包括了其他非数据库应用,例如商业管理工具和应用开发工具。

  9.StormDB

  不同于其他的云数据库,StormDB是在实体服务器中运行其分布的关系型数据库,这意味着没有虚拟主机的存在。StormDB的官员指出,这样可以带来更好的性能和更简易的管理,因为用户不需要去给他们的数据库选择虚拟主机的容量。然而即使使用的是实体服务器,用户还是在共享使用集群中的服务器。不过StormDB承诺,所有用户的数据库都是独立的。此外,StormDB还能够在云中对数据库进行自动分片。目前该公司正在运行一个免费的测试版。

  10.Xeround

  Xeround是一个可以横跨多个云供应商及平台去部署可扩展MySQL数据库的管理工具。Xeround提供了很高的可访问性和扩展性,不仅能够横跨亚马逊Web服务、Rackspace、Joyent、惠普等不同云供应商,还能够在OpenStack和思杰(Citrix)平台上工作。

时间: 2024-08-03 23:25:01

大数据来袭 盘点十大最有用的云数据库的相关文章

2017年大数据领域的十大趋势

文章讲的是2017年大数据领域的十大趋势,曾有媒体将2013年称为"大数据元年",经过两三年大数据依然热度不减,但是也有专家认为前几年大数据一直处于一个很尴尬的局面,大数据不接地气,人人都在谈大数据,但真正应用大数据的人很少.2016年,各行各业的大数据应用都渐渐从空洞的理论落地,所以很多专家认为2016年才是真正意义上的大数据元年. 无论如何,大数据已经成为IT领域的流行趋势.据不完全统计,2016年1-6月,全球大数据行业共计发生157起投融资事件,涉及金额超过600亿元,亚马逊.

全国首部《大数据蓝皮书》指出:中国大数据发展呈现十大新趋势

大数据战略重点实验室研究编著.社会科学文献出版社出版的<大数据蓝皮书:中国大数据发展报告No.1>(简称<大数据蓝皮书>)5月28日正式发布.作为全国首部<大数据蓝皮书>,从制度.技术.产业和学科建设等层面对大数据的发展进行分析与研判,并提出中国大数据发展的十大新趋势. 趋势之一:丰富细致的政策体系助推大数据落地.从中央到地方,更加丰富的配套政策与实施细则将促进大数据加快落地,更多地方政府积极推进大数据发展,并在大数据政用.商用.民用领域打造大数据应用的典范. 趋势之二

IDC周震刚:中国大数据市场的十大预测

2012年7月24日,主题为"芯动大数据 智领大机遇"的英特尔大数据论坛在北京举行.会上,IDC中国企业级系统与软件研究部高级研究经理周震刚分享了大数据市场的观察. IDC中国企业级系统与软件研究部高级研究经理周震刚 周震刚表示,IDC一直把大数据.云和移动以及社交这四个主题当做未来IT的主要方向.IDC在大数据方面已经做了大概三四年的研究,IDC中国从去年开始对大数据市场做了深入研究. 什么是大数据?--四个"V" 周震刚介绍道,IDC对大数据的定义是四个&quo

大数据营销的十大切入点

2013年似乎人人都在谈论大数据,然而说得云里雾里者多.许多企业家更关心的事是:如何才能真正找到大数据营销的切入点? 大数据营销的十大切入点 许多人感觉到大数据时代正在到来,但往往只是一种朦胧的感觉,对于其真正对营销带来的威力可以用一个时髦的词来形容--不明觉厉.实际上,还是应尽量弄明白,才会明白其厉害之处.对于多数企业而言,大数据营销的主要价值源于以下几个方面. 第一,用户行为与特征分析.显然,只要积累足够的用户数据,就能分析出用户的喜好与购买习惯,甚至做到"比用户更了解用户自己".

大数据思维的十大核心原理

大数据思维是客观存在,大数据思维是新的思维观.用大数据思维方式思考问题,解决问题是当下企业潮流.大数据思维开启了一次重大的时代转型. 大数据思维原理是什么?笔者概括为10项原理. 一.数据核心原理 从"流程"核心转变为"数据"核心 大数据时代,计算模式也发生了转变,从"流程"核心转变为"数据"核心.Hadoop体系的分布式计算框架已经是"数据"为核心的范式.非结构化数据及分析需求,将改变IT系统的升级方式:

2017年大数据发展的十大趋势以及在各行业的应用潜力

2016年,大数据已从前两年的预期膨胀阶段.炒作阶段转入理性发展阶段.落地应用阶段.2017年,大数据依然处于理性发展期,依然存在诸多挑战,但前景依然非常乐观.2017年大数据的发展呈现十大趋势: 趋势1:越来越多的企业实现数据孤岛的打通,驱动大数据发挥更强的威力 企业启动大数据最重要的挑战是数据的碎片化.在很多企业中尤其是大型的企业,数据常常散落在不同部门,而且这些数据存在不同的数据仓库中,不同部门的数据技术也有可能不通,导致企业内部数据无法打通.若不打通,大数据的价值则难以挖掘.大数据需要不

盘点大数据商业智能的十大戒律

如今,各路企业和组织都不再使用上一代架构来存储大数据.既然如此,为什么还要使用上一代商业智能(BI)工具来进行大数据分析呢?在为企业选择BI工具时,应该遵守以下"十诫". 第一诫:不要转移大数据 转移大数据代价高昂:毕竟,大数据很"大",如果打包转移,负担太重.不要将数据提取出来,做成数据集市和数据立方,因为"提取"就意味着转移,会在维护.网络性能附加处理器方面造成纷乱庞杂的问题,出现两个逻辑上相同的备份.让BI深入更底层运行数据就是大数据萌发的

盘点管理大数据存储的十大技巧

在1990年,每一台应用服务器都倾向拥有直连式系统(DAS).SAN的构建则是为了更大的规模和更高的效率提供共享的池存储.Hadoop已经逆转了这一趋势回归DAS.每一个Hadoop集群都拥有自身的--虽然是横向扩展型--直连式存储,这有助于Hadoop管理数据本地化,但也放弃了共享存储的规模和效率.如果你拥有多个实例或Hadoop发行版,那么你就将得到多个横向扩展的存储集群. 而我们所遇到的最大挑战是平衡数据本地化与规模效率,这是一个鱼与熊掌兼得的话题. 数据本地化是为了确保大数据集存储在计算

大数据商业智能的十大戒律

用Hadoop里的数据可以为企业用户解答数不清的问题.BI讲究的是打造数据可视化应用,为日常决策提供支持.企业里的每个人都希望做出数据驱动的决策.把大数据能够解答的所有问题局限于需要数据科学家来处理的问题,这是奇耻大辱. 如今,各路企业和组织都不再使用上一代架构来存储大数据.既然如此,为什么还要使用上一代商业智能(BI)工具来进行大数据分析呢?在为企业选择BI工具时,应该遵守以下"十诫". 微信图片_20170504164610 第一诫:不要转移大数据 转移大数据代价高昂:毕竟,大数据