ميزات HeatWave
HeatWave
يُعد HeatWave محرك معالجة بيانات عمودي مختلط متوازي بشكل كبير مُضمن بالذاكرة. ينفذ خوارزميات متطورة لمعالجة الاستعلامات الموزعة التي توفر أداءً عاليًا للغاية.
مُصمم لتوفير مستوى وأداء هائلين
يُقسم HeatWave البيانات بشكل كبير عبر مجموعة من نقاط التوصيل، والتي يمكن تشغيلها بالتوازي. يوفر هذا قابلية ممتازة للتوسع بين نقاط التوصيل. يمكن لكل نقطة توصيل داخل مجموعة وكل مركز داخل نقطة توصيل معالجة البيانات المُقسمة بالتوازي. تمتلك HeatWave أداة جدولة استعلامات ذكية تتداخل مع الحساب مع مهام اتصال الشبكات لتحقيق قابلية توسع عالية جدًا عبر آلاف المراكز.
محسّنة للسحابة والبيانات في مخزن الكائنات
تم تحسين معالجة الاستعلامات في HeatWave لخوادم السلع في السحابة. تم تحسين أحجام الأقسام لتناسب ذاكرة التخزين المؤقت للأشكال الرئيسة. تم تحسين تداخل الحساب باستخدام الاتصال لعرض النطاق الترددي للشبكة المتاح. تستخدم العديد من الإعدادات الأولية لمعالجة التحليلات تعليمات الأجهزة للأجهزة الافتراضية الرئيسة (VM). تم تصميم HeatWave أيضًا ليكون محرك معالجة بيانات قابل للتوسع، محسّن للاستعلام عن البيانات في مخزن الكائنات.
HeatWave GenAI
يوفر Oracle HeatWave GenAI الذكاء الاصطناعي التوليدي المتكامل والمشغل تلقائيًا مع نماذج اللغات الكبيرة داخل قاعدة البيانات ومخزن متجهات مشغل تلقائيًا داخل قاعدة البيانات ومعالجة المتجهات القابلة للتوسع والقدرة على إجراء محادثات سياقية باللغة الطبيعية - ما يتيح لك الاستفادة من الذكاء الاصطناعي التوليدي من دون خبرة في الذكاء الاصطناعي أو نقل البيانات أو تكاليف إضافية.
نماذج اللغات الكبيرة (LLMs) في قاعدة البيانات
استخدم برامج LLM المضمنة في جميع مناطق بنية Oracle Cloud التحتية (OCI)، ومنطقة OCI المخصصة، وOracle Alloy، وخدمات الويب من Amazon (AWS)، وMicrosoft Azure، واحصل على نتائج متسقة مع أداء يمكن التنبؤ به عبر عمليات النشر. ساهم في تقليل تكاليف البنية التحتية عن طريق التخلص من الحاجة إلى توفير وحدات معالجة الرسومات (GPU).
التكامل مع الذكاء الاصطناعي التوليدي في OCI وAmazon Bedrock
يمكنك الوصول إلى نماذج الأساس المدربة مسبقًا من Cohere وMeta عبر خدمة الذكاء الاصطناعي التوليدي في OCI عند استخدام HeatWave GenAI على OCI وعبر Amazon Bedrock عند استخدام HeatWave GenAI على AWS.
مخزن متجه داخل قاعدة البيانات
تنفيذ الإنشاء المعزز للاستعادة (RAG) عبر LLM والمستندات الملكية بتنسيقات مختلفة موجودة في HeatWave Vector Store للحصول على إجابات أدق وذات صلة بالسياق—دون نقل البيانات إلى قاعدة بيانات متجه منفصلة.
الإنشاء الآلي لعمليات التضمين
استفد من مسار العمليات المؤتمت للمساعدة في اكتشاف المستندات الملكية واستيعابها في HeatWave Vector Store، مما يسهل على المطورين والمحللين الذين ليس لديهم خبرة في الذكاء الاصطناعي استخدام مخزن المتجهات.
التوسع في معالجة المتجه
تُعالج المتجهات بشكل متوازي عبر ما يصل إلى 512 عقدة مجموعة من عُقد مجموعات HeatWave وتُنفَّذ في عرض النطاق الترددي للذاكرة، ما يساعد على تقديم نتائج سريعة مع انخفاض احتمالية فقدان الدقة.
المحادثة عبر HeatWave
إجراء محادثات سياقية مستنيرة بمستنداتك غير المنظمة في مخزن الكائنات باستخدام اللغة الطبيعية. استخدام Lakehouse Navigator المتكامل للمساعدة في توجيه LLMs للبحث عبر مجموعات بيانات محددة، مما يساعدك في تقليل التكاليف مع الحصول على نتائج أدق أسرع.
HeatWave MySQL
تمثل HeatWave MySQL خدمة قاعدة بيانات مُدارة بالكامل، والخدمة السحابية الوحيدة التي تم إنشاؤها على MySQL Enterprise Edition، مع ميزات أمان متقدمة للتشفير وإخفاء البيانات والمصادقة وجدار حماية قاعدة البيانات. يحسن HeatWave أداء استعلامات MySQL حسب ترتيب الحجم ويمكّنك من الحصول على تحليلات على الفور لبيانات معاملاتك في MySQL—دون التعقيد والتأخير والمخاطر وتكلفة تكرار الاستخراج والتحويل والتحميل (ETL) إلى قاعدة بيانات تحليلات منفصلة.
تحليلات على الفور دون ETL
تصل استعلامات التحليلات إلى أحدث البيانات، إذ يتم استنساخ التحديثات من المعاملات تلقائيًا في الوقت الفعلي إلى مجموعة تحليلات HeatWave. لا توجد حاجة لفهرسة البيانات قبل تشغيل استعلامات التحليلات. يمكنك التخلص من عملية ETL وتكاملها المعقد والمُستهلك للوقت والمُكلف مع قاعدة بيانات تحليلات منفصلة.
مستودع بيانات HeatWave
يتيح HeatWave Lakehouse للمستخدمين الاستعلام عن نصف بيتابايت من البيانات في مخزن الكائنات—بتنسيقات مختلفة من الملفات، مثل CSV وParquet وAvro وJSON وتصدير الملفات من قواعد البيانات الأخرى. تتم معالجة الاستعلامات بالكامل في محرك HeatWave، مما يتيح للعملاء الاستفادة من HeatWave لأحمال العمل غير MySQL بالإضافة إلى أحمال العمل المتوافقة مع MySQL.
تحليلات مركز البيانات السريع والتعلم الآلي على كل البيانات.
يمكن للعملاء الاستعلام عن البيانات بتنسيقات مُختلفة في مخزن الكائنات أو بيانات المعاملات في قواعد بيانات MySQL أو مزيج من كليهما باستخدام أوامر SQL القياسية. إن الاستعلام عن البيانات في تخزين الكائنات هو بنفس سرعة الاستعلام عن قواعد البيانات، كما يتضح من مقياس 10 تيرابايت TPC-H.
باستخدام HeatWave AutoML، يمكن للعملاء استخدام البيانات في مخزن الكائنات أو قاعدة البيانات أو كليهما لإنشاء نماذج التعلم الآلي والتدرب عليها ونشرها وشرحها تلقائيًا—دون نقل البيانات إلى خدمة سحابية مُنفصلة للتعلم الآلي.
بنية واسعة النطاق لإدارة البيانات ومعالجة الاستعلامات.
تتيح بنية HeatWave المُقسمة بشكل كبير بنية توسيع لـ HeatWave Lakehouse. توسع عمليات معالجة الاستعلامات وإدارة البيانات، مثل تحميل/إعادة تحميل البيانات، بحجم البيانات. يمكن للعملاء الاستعلام عن ما يصل إلى نصف بيتابايت من البيانات في تخزين الكائنات باستخدام HeatWave Lakehouse دون نسخه إلى قاعدة بيانات MySQL. تتوسع مجموعة HeatWave لتصل إلى 512 نقطة توصيل.
زيادة الأداء وتوفير الوقت باستخدام الأتمتة المدعومة بالتعلم الآلي
تم تحسين إمكانات HeatWave Autopilot، مثل التزويد التلقائي، وتحسين خطة الاستعلام التلقائي، والتحميل المتوازي التلقائي لـ HeatWave Lakehouse، مما يقلل بشكل أكبر من النفقات العامة لإدارة قاعدة البيانات ويحسن الأداء. تتوفر أيضًا إمكانات HeatWave Autopilot الجديدة لـ HeatWave Lakehouse.
- يضمن استدلال مخطط قاعدة البيانات التلقائي تلقائيًا تخطيط بيانات الملف إلى تعريف المخطط المقابل لكل أنواع الملفات المدعومة، بما في ذلك CSV. نتيجة لذلك، لا يحتاج العملاء إلى تحديد وتحديث تخطيط مخطط الملفات يدويًا، مما يوفر الوقت والجهد.
- جمع عينات البيانات التكيفية عينات ذكية للملفات الموجودة في تخزين الكائنات لاشتقاق المعلومات المُستخدمة بواسطة HeatWave Autopilot لإنشاء تنبؤات للأتمتة. باستخدام جمع عينات البيانات التكيفية، يمكن لـ HeatWave Autopilot مسح التنبؤات وإجراءها، مثل تعيين المخطط إلى ملف بسعة 400 تيرابايت في أقل من دقيقة واحدة.
- يتيح تدفق البيانات التكيفي لـ HeatWave Lakehouse التكيف ديناميكيًا مع أداء مخزن الكائنات الأساس في أي منطقة لتحسين الأداء العام والأداء مقابل السعر والتوفر.
التعلم الآلي المؤتمت من HeatWave
يتضمن HeatWave AutoML كل ما يحتاجه المستخدمون لإنشاء نماذج التعلم الآلي والتدريب عليها وشرحها ضمن HeatWave دون أي تكلفة إضافية.
لا حاجة إلى خدمة تعلم آلي منفصلة.
باستخدام التعلم الآلي داخل قاعدة البيانات في HeatWave، لا يحتاج العملاء إلى نقل البيانات إلى خدمة تعلم آلي منفصلة. يمكنهم بسهولة وأمان تطبيق تدريب التعلم الآلي والاستنتاج والتفسير للبيانات المُخزنة داخل MySQL وفي مخزن الكائنات باستخدام HeatWave Lakehouse. نتيجة لذلك، يمكنهم تسريع مبادرات التعلّم الآلي وزيادة الأمان وخفض التكاليف.
توفر أتمتة دورة حياة التعلم الآلي الوقت والجهد
تؤتمت HeatWave AutoML دورة حياة التعلم الآلي، بما في ذلك تحديد الخوارزميات، وأخذ عينات البيانات الذكية لتدريب النماذج، واختيار الميزات، وتحسين المعلمات الفائقة—مما يوفر على عملاء البيانات ومحلليها وقتًا وجهدًا كبيرًا. يمكن تخصيص جوانب مسار التعلم الآلي، بما في ذلك تحديد الخوارزميات واختيار الميزات وتحسين المعلمات الفائقة. يدعم HeatWave AutoML مهام نظام الكشف عن أوجه الخلل والتنبؤ والتصنيف والتراجع والموصي، بما في ذلك الأعمدة النصية. يستطيع المستخدمون تقديم التعقيبات على نتائج اكتشاف الحالات الشاذة غير الخاضعة للإشراف واستخدام هذه البيانات المسماة للمساعدة في تحسين التنبؤات اللاحقة.
نظام التوصية للتوصيات الشخصية
من خلال النظر في كل من الملاحظات الضمنية (عمليات الشراء السابقة، وسلوك التصفح، وما إلى ذلك) والملاحظات الصريحة (التقييمات، الإعجابات، وما إلى ذلك)، يمكن لنظام التوصية من HeatWave AutoML إنشاء توصيات مُخصصة. على سبيل المثال، يمكن للمحللين التنبؤ بالعناصر التي يريدها المستخدم، والمستخدمين الذين يرغبون في عنصر معين، والتقييمات التي تتلقاها العناصر. كما يمكنهم، في حالة وجود مستخدم، الحصول على قائمة بالمستخدمين المماثلين، وفي حالة وجود عنصر محدد، الحصول على قائمة بالعناصر المماثلة.
وحدة تحكم HeatWave AutoML التفاعلية
تتيح وحدة التحكم التفاعلية لمحللي الأعمال إنشاء نماذج التعلم الآلي وتدريبها وتشغيلها وشرحها باستخدام الواجهة المرئية—دون استخدام أوامر SQL أو أي تعليمات برمجية. تُسهل وحدة التحكم أيضًا استكشاف سيناريوهات "ماذا لو" لتقييم افتراضات الأعمال—على سبيل المثال، "كيف سيؤثر الاستثمار بنسبة أكبر بنسبة 30% في إعلانات وسائل التواصل الاجتماعي المدفوعة على كل من الإيرادات والأرباح؟"
نماذج التعلم الآلي القابلة للتفسير
جميع النماذج التي تدرب عليها HeatWave AutoML قابلة للتفسير. تقدم HeatWave AutoML تنبؤات مع شرح للنتائج، مما يساعد المؤسسات على الامتثال التنظيمي والإنصاف وقابلية التكرار والعلاقة السببية والثقة.
نمذجة المواضيع واكتشاف انحراف البيانات
تساعد نمذجة المواضيع المستخدمين على اكتشاف الرؤى في مجموعات البيانات النصية الكبيرة من خلال مساعدتهم على فهم المواضيع الرئيسة في المستندات، على سبيل المثال، لإكمال تحليل التوجهات على بيانات الوسائط الاجتماعية. يساعد اكتشاف انحراف البيانات المحللين على تحديد وقت إعادة تدريب النماذج من خلال اكتشاف الاختلافات بين البيانات المستخدمة للتدريب والبيانات الواردة الجديدة.
استخدام المهارات الحالية
يمكن للمطورين ومحللي البيانات إنشاء نماذج التعلم الآلي باستخدام أوامر SQL المألوفة؛ ليس عليهم تعلم أدوات ولغات جديدة. بالإضافة إلى ذلك، تُدمج HeatWave AutoML مع دفاتر الملاحظات الشهيرة، مثل Jupyter وApache Zeppelin.
HeatWave Autopilot
توفر HeatWave Autopilot أتمتة مدعومة بالتعلم الآلي ومراعية لأحمال العمل. تحسن الأداء وقابلية التوسع دون الحاجة إلى خبرة في ضبط قاعدة البيانات، وتزيد من إنتاجية المطورين ومسؤولي قاعدة البيانات، وتساعد على القضاء على الأخطاء البشرية. تؤتمت HeatWave Autopilot العديد من الجوانب الأهم وتكون غالبًا صعبة في تحقيق أداء استعلام عالٍ على نطاق واسع—بما في ذلك التزويد وتحميل البيانات وتنفيذ الاستعلامات ومعالجة الفشل. يتوفر HeatWave Autopilot دون تكلفة إضافية لعملاء HeatWave MySQL.
يوفر HeatWave Autopilot العديد من الإمكانات لكلا من HeatWave وOLTP، بما في ذلك:
- يتنبأ التوفير التلقائي بعدد نقاط توصيل HeatWave المطلوبة لتشغيل حمل العمل من خلال أخذ العينات التكييفية لبيانات الجداول المطلوب إجراء تحليلات عليها. يعني هذا أن المطورين ومسؤولي قواعد البيانات لم يعودوا بحاجة إلى تقدير الحجم الأمثل لمجموعتهم يدويًا.
- يتيح تجميع سلاسل العمليات التلقائي لعملية خدمة قاعدة البيانات المزيد من المعاملات لتكوين جهاز معين، مما يوفر إنتاجية أعلى لأحمال عمل OLTP ويمنع انخفاضها إلى مستويات عالية من المعاملات والتزامن.
- يراقب التنبؤ بالشكل التلقائي حمل عمل OLTP باستمرار، بما في ذلك معدل ضرب مجمع الذاكرة الوسيطة، للتوصية بشكل الحوسبة المناسب في أي وقت معين—مما يتيح للعملاء الحصول دائمًا على أفضل أداء للأسعار.
- يحدد التشفير التلقائي التمثيل الأمثل للأعمدة التي يتم تحميلها في HeatWave، مع مراعاة الاستعلامات. يوفر هذا التمثيل الأمثل أفضل أداء للاستعلام ويقلل من حجم المجموعة لتقليل التكاليف.
- يتعرَّف تحسين خطة الاستعلام التلقائي على إحصائيات مختلفة من تنفيذ الاستعلامات ويُحسن خطة تنفيذ الاستعلامات المستقبلية. الأمر الذي يُحسن من أداء النظام عند تشغيل المزيد من الاستعلامات.
- يستخدم تحسين الاستعلامات التكيفية إحصائيات متنوعة لتعديل بُنى البيانات وموارد النظام بعد بدء تنفيذ الاستعلام، مما يؤدي إلى تحسين تنفيذ الاستعلام بشكل مستقل لكل نقطة توصيل استنادًا إلى توزيع البيانات الفعلي في وقت التشغيل. يساعد هذا على تحسين أداء الاستعلامات الخاصة بنسبة تصل إلى 25%.
- يتنبأ وضع البيانات التلقائي بالعمود الذي يجب تقسيم الجداول إليه في الذاكرة لتحقيق أفضل أداء للاستعلامات. كما يتنبأ بالربح المُتوقع في أداء الاستعلامات بتوصية الأعمدة الجديدة. يقلل هذا من حركة البيانات عبر نقاط التوصيل بسبب الخيارات دون المستوى الأمثل التي يمكن للمشغلين القيام بها عند تحديد العمود يدويًا.
- يحدد الضغط التلقائي خوارزمية الضغط الأمثل لكل عمود، مما يُحسن أداء التحميل والاستعلام من خلال ضغط البيانات وفك ضغطها بشكل أسرع. من خلال تقليل استخدام الذاكرة، يمكن للعملاء خفض التكاليف بنسبة تصل إلى 25%.
- تحدد الفهرسة الفهارس التي يجب على العملاء إنشاؤها أو إسقاطها من جداولهم لتحسين إنتاجية OLTP، باستخدام التعلم الآلي لإجراء تنبؤ يستند إلى أحمال عمل التطبيق الفردية. ويساعد ذلك العملاء على التخلص من المهام المستهلكة للوقت والتي تتمثل في إنشاء فهارس مثالية لأحمال عمل OLTP الخاصة بهم والحفاظ على تلك المهام بمرور الوقت مع تطور أحمال العمل.
المرونة في الوقت الفعلي
تتيح المرونة في الوقت الفعلي للعملاء زيادة حجم مجموعة HeatWave الخاصة بهم أو تقليله حسب أي عدد من نقاط التوصيل دون تكبد أي وقت تعطل أو وقت للقراءة فحسب.
أداء عالٍ متسق حتى في أوقات الذروة، وتكاليف مخفَّضة دون توقف عن العمل
لا تستغرق عملية تغيير الحجم سوى بضع دقائق، وخلالها يبقى HeatWave متصلًا بالإنترنت، وهو متاح لجميع العمليات. بمجرد تغيير الحجم، يتم تنزيل البيانات من مخزن الكائنات، ويتم إعادة توازنها تلقائيًا بين جميع نقاط توصيل المجموعة المتاحة، وتصبح متاحة على الفور للاستعلامات. نتيجة لذلك، يستفيد العملاء من الأداء العالي بشكل متسق، حتى في أوقات الذروة، ويقللون التكاليف من خلال تقليل حجم مجموعة HeatWave الخاصة بهم عند الاقتضاء—دون تكبد أي وقت تعطل أو وقت للقراءة فحسب.
مع إعادة تحميل البيانات الفعالة من مخزن الكائنات، يمكن للعملاء أيضًا إيقاف مجموعة HeatWave الخاصة بهم واستئنافها لتقليل التكاليف.
لا توجد مثيلات مزودة بشكل زائد
يمكن للعملاء توسيع مجموعة HeatWave الخاصة بهم أو خفضها إلى أي عدد من نقاط التوصيل. لا يقتصرون على المثيلات المزودة بشكل زائد والمُكلفة المفروضة بواسطة نماذج التحجيم الصارمة التي يقدمها موفرو قواعد بيانات السحابة الآخرون. باستخدام HeatWave، يدفع العملاء مقابل الموارد الدقيقة التي يستخدمونها فحسب.
تتوفر في السحابات العامة ومركز البيانات الخاص بك
يمكنك نشر HeatWave على OCI أو AWS أو Azure. يمكنك نسخ البيانات من تطبيقات OLTP المحلية إلى HeatWave للحصول على تحليلات في أقرب وقت فعلي ومعالجة بيانات المتجهات في السحابة. يمكنك أيضًا استخدام HeatWave في مركز البيانات لديك باستخدام منطقة OCI المخصصة.
توفر HeatWave على AWS تجربة أصلية لعملاء AWS. توجد وحدة التحكم ومستوى التحكم ومستوى البيانات في AWS.