Azure SQL-Datenbank Edge: Intelligente Daten am Edge

Veröffentlicht am 13 Mai, 2019

Corporate Vice President, Azure Data

Die Welt der Daten ist in Bewegung, und voraussichtlich werden immer mehr Daten am Edge gespeichert und verarbeitet. Microsoft bietet Unternehmen die Möglichkeit, eine gemeinsame Programmieroberfläche einzuführen – in Rechenzentren mit Microsoft SQL Server und in der Cloud mit Azure SQL-Datenbank. Es ist festzustellen, dass sich Latenz, Datengovernance und Netzwerkkonnektivität immer weiter zum Edge hinbewegen. Neue und günstigere Sensoren und Chips mit Analysefunktionen bieten Unternehmen mehr Einsatzmöglichkeiten für das Edgecomputing und damit eine höhere Flexibilität.

Auf der Microsoft Build 2019 haben wir Azure SQL-Datenbank Edge bekannt gegeben (als Vorschauversion verfügbar). Dieser Dienst hilft dabei, die Anforderungen von Daten und Analysen am Edge mithilfe der leistungsstarken, hoch verfügbaren und sicheren SQL-Engine zu erfüllen. Entwickler können eine konsistente Programmieroberfläche für die Entwicklung in einer SQL-Datenbank umsetzen und denselben Code lokal, in der Cloud oder am Edge ausführen.

Azure SQL-Datenbank Edge bietet Folgendes:

  • Der geringe Speicherbedarf erlaubt über Container auf interaktiven Geräten, Edgegateways und Edgeservern die Ausführung der Datenbank-Engine auf ARM- und x64-Geräten.
  • Szenarien mit einmaliger Entwicklung und Bereitstellung an beliebigen Standorten mithilfe einer gemeinsamen Programmieroberfläche für Azure SQL-Datenbank, SQL Server und Azure SQL-Datenbank Edge.
  • Kombination aus Datenstreaming und Zeitreihen mit in die Datenbank integriertem maschinellem Lernen für Analysen mit geringer Latenz.
  • Branchenführende Sicherheitsfunktionen von Azure SQL-Datenbank zum Schutz von ruhenden und übertragenen Daten auf Edgegeräten und Edgegateways mit der Möglichkeit der Verwaltung über ein zentrales Verwaltungsportal von Azure IoT.
  • Szenarien mit Edgegeräten mit Cloudverbindung oder ohne Verbindung mithilfe lokaler Compute- und Speicherressourcen.
  • Unterstützung vorhandener BI-Tools (Business Intelligence) zum Erstellen eindrucksvoller Visualisierungen mit Power BI und BI-Tools von Drittanbietern.
  • Bidirektionale Datenübertragung zwischen dem Edge und lokalen oder Cloudspeichern.
  • Kompatibilität mit der verbreiteten Sprache T-SQL, sodass Entwickler komplexe Analysen mit R, Python, Java und Spark implementieren und dadurch sofortige Analysen ohne Datenbewegung und schnellere Erkenntnisse in Echtzeit erzielen können

Logos der T-SQL-Sprache

  • Bietet Unterstützung für die Verarbeitung und Speicherung von Graph-, JSON- und Zeitreihendaten in der Datenbank in Verbindung mit der Möglichkeit, unsere Analysefunktionen sowie Funktionen für maschinelles Lernen in der Datenbank auf nicht relationale Datentypen anzuwenden.

Beispielsweise können Hersteller, die Roboter oder automatisierte Arbeitsabläufe einsetzen, mit Azure SQL-Datenbank Edge optimale Effizienz für Analysen und maschinelles Lernen am Edge erreichen. Diese Umgebungen aus der echten Welt können maschinelles Lernen in der Datenbank für sofortige Bewertungen, das Auslösen von Korrekturmaßnahmen und das Erkennen von Anomalien nutzen.

Hauptvorteile:

  • Mit einer konsistenten Programmieroberfläche wie bei Azure SQL-Datenbank und SQL Server ermöglicht die SQL-Engine am Edge Technikern, einen Build einmalig zu erstellen und lokal, in der Cloud oder am Edge auszuführen.
  • Die Streamingfunktion ermöglicht sofortige Analysen der eingehenden Daten für fundierte Erkenntnisse.
  • KI-Funktionen in der Datenbank ermöglichen Szenarien wie Anomalieerkennung, Predictive Maintenance und andere Analysen, ohne dass Daten übertragen werden müssen.

Diagramm zu Plattformmöglichkeiten mit den möglichen Optionen für integrierte Datenbankfunktionen

Trainieren in der Cloud und Bewerten am Edge

Durch die Unterstützung einer konsistenten Programmieroberfläche lokal, in der Cloud und am Edge können Entwickler identische Methoden zum Absichern von Daten bei der Übertragung und im ruhenden Zustand verwenden und gleichzeitig Hochverfügbarkeits- und Notfallwiederherstellungs-Architekturen einrichten, die denen in Azure SQL-Datenbank und SQL Server gleichen. Der nahtlose Übergang der Anwendung zwischen den unterschiedlichen Speicherorten bedeutet, dass etwa ein Data Warehouse in der Cloud einen Algorithmus trainieren und das Machine Learning-Modell in Azure SQL-Datenbank Edge verschieben kann, wo die Bewertung lokal ausgeführt wird. Auf diese Weise erfolgt die lokale Bewertung mit nur einer Codebasis.

Intelligente Speicherung und Weiterleitung

Die Engine bietet die Möglichkeit, Steamingdatasets direkt in die Cloud zu replizieren und gleichzeitig ein intelligentes Muster für die Speicherung und Weiterleitung einzusetzen. So können also die Analysefunktionen am Edge eingesetzt werden, während über maschinelles Lernen in der Datenbank Streamingdaten verarbeitet oder maschinelles Lernen angewandt werden. Grundsätzlich kann die Engine Daten lokal verarbeiten und über native Replikation in ein zentrales Rechenzentrum oder eine Cloud hochladen, wo eine aggregierte Analyse über mehrere unterschiedliche Edgehubs stattfindet.

Flussdiagramm der Ausführung der Azure SQL-Datenbank Edge-Engine auf interaktiven Geräten sowie Edgegateways und -servern

Gewinnen Sie mehr Erkenntnisse aus Ihren Daten am Edge. Nehmen Sie am Early Adopter-Programm teil, um Zugriff auf die Vorschauversion zu erhalten und Ihre erste Intelligent Edge-Lösung zu erstellen.