Revenir au contenu principal

Qu'est-ce que le HTAP ? Un guide simple sur le traitement hybride transactionnel/analytique

par Équipe Databricks

Prenons l'exemple d'un système de paiement traitant un achat. Avant d'approuver la transaction, un modèle de détection de la fraude peut avoir besoin de l'évaluer par rapport à l'activité récente du compte. Mais si ces données transactionnelles doivent d'abord passer de la base de données transactionnelle à un entrepôt de données pour être analysées, le moindre retard peut rendre le résultat moins utile.

Le traitement hybride transactionnel/analytique (HTAP, pour Hybrid Transactional/Analytical Processing) rapproche le traitement des transactions et l'analyse pour répondre à ce problème. Une base de données HTAP vous permet d'exécuter des requêtes analytiques sur des données opérationnelles pendant qu'elles sont encore récentes, sans attendre qu'un pipeline de données par lots les déplace vers un système analytique distinct.

Dans ce guide, vous découvrirez comment fonctionne le HTAP, les compromis architecturaux qu'il implique et sa place dans une architecture de données moderne. Vous verrez également comment différents systèmes HTAP abordent les charges de travail transactionnelles et analytiques, comment le HTAP se compare au Lake Transactional/Analytical Processing (LTAP), et quels éléments prendre en compte lors de l'évaluation et de l'adoption de l'une ou l'autre de ces approches.

TL;DR

  • Le HTAP rapproche le traitement transactionnel et analytique afin que les applications puissent exécuter des analyses sur des données transactionnelles récentes.
  • Les différentes architectures HTAP impliquent différents compromis en matière de performances, d'isolation, de cohérence des données et de fraîcheur.
  • Choisissez l'architecture en fonction de votre charge de travail. LTAP offre une plus grande séparation entre le calcul transactionnel et le calcul analytique, alors que tous deux fonctionnent sur les mêmes données.

Qu'est-ce que le HTAP ?

HTAP signifie Hybrid Transactional/Analytical Processing. Gartner a créé ce terme en 2014 pour décrire les architectures qui regroupent le traitement des transactions en ligne (OLTP) et le traitement analytique en ligne (OLAP) au sein d'un système de base de données intégré. Dans sa définition originale du traitement hybride transactionnel/analytique, Gartner soutenait que l'association des deux créerait des opportunités d'innovation commerciale spectaculaires, car les décisions pourraient être L'OLTP gère des volumes élevés de petites opérations transactionnelles fréquentes qui maintiennent le fonctionnement des applications, telles que la création d'une commande, le traitement d'un paiement ou la mise à jour d'un compte. L'OLAP traite des requêtes complexes sur de grands ensembles de données pour calculer des métriques, identifier des tendances et répondre à des questions analytiques.prises sur les dernières transactions plutôt que sur l'extraction de la veille.

image2.png

Le HTAP rapproche ces charges de travail, en donnant aux requêtes analytiques accès aux données opérationnelles actuelles sans dépendre entièrement d'un pipeline ETL par lots distinct. Pour de nombreux cas d'usage d'analyse opérationnelle, les systèmes HTAP peuvent réduire ou éliminer le besoin de processus ETL, diminuer le nombre de copies de données conservées par les équipes et se rapprocher d'une source unique de vérité pour les systèmes opérationnels et analytiques. Dans les conceptions les plus intégrées, les capacités OLTP et OLAP résident au sein d'un seul système plutôt que dans deux produits assemblés.

Rapprocher les charges de travail OLTP et OLAP ne signifie pas qu'elles doivent s'exécuter exactement de la même manière. Les architectures HTAP diffèrent donc dans leur façon de combiner les capacités OLTP et OLAP tout en préservant les caractéristiques dont chaque charge de travail a besoin. Deux approches courantes sont :

  • HTAP convergé : Exécute les charges de travail transactionnelles et analytiques via un moteur de base de données unique. Les charges de travail peuvent utiliser des index, des formats de stockage ou des chemins d'exécution différents, mais elles partagent une grande partie de la même base de données.
  • HTAP composé : Utilise des moteurs transactionnels et analytiques distincts au sein d'une architecture intégrée. Les moteurs peuvent partager une couche de stockage ou propager les modifications par réplication tout en restant optimisés pour leurs charges de travail respectives.

Un moteur convergé évite d'avoir à synchroniser des moteurs de requête indépendants, mais il doit empêcher les opérations analytiques d'interférer avec les transactions sensibles à la latence. Une architecture composée offre une plus grande liberté pour optimiser et isoler chaque charge de travail, mais elle doit coordonner les versions des données et maintenir le parcours analytique suffisamment à jour.

Dans les deux cas, le défi central du HTAP reste le même : fournir un accès analytique aux données opérationnelles suffisamment rapidement pour être utile, sans compromettre les performances et la fiabilité des charges de travail transactionnelles.

Pourquoi l'OLTP et l'OLAP sont devenus des systèmes distincts

L'OLTP et l'OLAP ont des modèles d'accès différents. Les requêtes transactionnelles lisent ou mettent à jour généralement un petit nombre de lignes complètes. Les bases de données OLTP s'appuient donc sur un stockage orienté ligne, des index sélectifs, un contrôle de la concurrence efficace et une latence prévisible, souvent mesurée en millisecondes. La plupart des bases de données transactionnelles sont des bases de données relationnelles optimisées pour maintenir cette latence à un niveau faible, même en cas de forte concurrence.

En revanche, les requêtes analytiques balayent souvent des millions de lignes sur un sous-ensemble de colonnes pour calculer des métriques ou identifier des tendances. Les bases de données OLAP utilisent le stockage orienté colonne, car un magasin de colonnes améliore la compression et réduit la quantité de données inutiles lues lors des grands balayages et agrégations. Les systèmes OLAP peuvent tolérer une latence plus élevée pour les requêtes complexes, échangeant quelques secondes de temps de réponse contre la capacité d'analyser beaucoup plus de données.

Optimiser séparément les systèmes OLTP et OLAP avait donc du sens sur le plan pratique, mais cela a introduit un nouveau problème : le délai causé par le déplacement des données entre eux. Les données opérationnelles devaient généralement être copiées depuis le système OLTP vers un entrepôt de données ou une autre base de données analytique avant de pouvoir être analysées. Le traitement des transactions et des analyses s'exécutait selon des plannings différents, sur un matériel différent, à partir de copies de données différentes. Les architectures traditionnelles qui séparent les systèmes OLTP et OLAP de cette manière intègrent de la latence dans chaque réponse analytique.

À mesure que les exigences en matière de fraîcheur des données augmentaient, les équipes de données ont commencé à concevoir leurs propres systèmes sur mesure pour combler cet écart. Les flux de capture de données modifiées (CDC), les processeurs de flux, les entrepôts de données cloud, les data lakes cloud et les couches de requêtes en temps réel sont devenus les briques de la pile de données désagrégée d'aujourd'hui. Chaque composant résolvait un problème spécifique, mais chaque étape supplémentaire ajoutait des coûts, des efforts opérationnels et un point de rupture potentiel pour la cohérence des données.

Le HTAP élimine ce délai tout en préservant les avantages de performance liés à l'optimisation spécifique à chaque charge de travail.

Comment fonctionne l'architecture HTAP

Une architecture HTAP fournit des parcours pour les charges de travail transactionnelles et analytiques, tout en maintenant les données opérationnelles disponibles pour l'analyse avec un délai minimal. La conception exacte varie selon le système, mais l'architecture comprend généralement le traitement des transactions, le traitement analytique, des représentations de données spécifiques aux charges de travail et un mécanisme pour maintenir ces représentations synchronisées, comme illustré ci-dessous.

image1.png

Traitement transactionnel

Le parcours transactionnel gère les lectures et écritures applicatives fréquentes, telles que la création de commandes, la mise à jour de comptes ou l'enregistrement de paiements. Ces charges de travail transactionnelles opèrent généralement sur un petit nombre de lignes et nécessitent une faible latence, un contrôle de la concurrence efficace et des garanties de transaction fiables.

Les systèmes HTAP utilisent couramment des moteurs de stockage orientés ligne, des index, des caches et un journal d'écriture anticipée (write-ahead log) conçus pour répondre efficacement et durablement à ces modèles d'accès opérationnels.

Traitement analytique

Le parcours analytique gère les requêtes analytiques qui balayent, filtrent, joignent et agrègent des volumes de données plus importants. Les représentations en colonnes sont couramment utilisées car les requêtes analytiques nécessitent souvent un sous-ensemble de colonnes sur de nombreuses lignes, et ce sont elles qui permettent d'exécuter des requêtes OLAP rapides sur des données opérationnelles.

Selon la conception du HTAP, le traitement analytique peut s'exécuter dans le même moteur de base de données que les transactions ou sur un moteur de calcul analytique distinct. Séparer les parcours de calcul permet à chaque charge de travail d'utiliser des ressources d'exécution optimisées pour ses modèles d'accès, de sorte que le système peut ajouter des capacités analytiques sans ralentir les systèmes OLTP. De nombreux systèmes HTAP utilisent également une optimisation intelligente des requêtes, où l'optimiseur décide si une requête doit lire dans le magasin de lignes, le magasin de colonnes, ou les deux.

Stockage et représentation des données

Les systèmes HTAP peuvent conserver plusieurs représentations des mêmes données. Un moteur de stockage orienté ligne peut répondre aux accès transactionnels tandis qu'un moteur de stockage orienté colonne prend en charge les balayages et agrégations analytiques.

Ces représentations peuvent exister au sein d'un seul système de base de données ou entre des composants transactionnels et analytiques distincts. Certaines architectures découplent également le calcul du stockage et utilisent le stockage d'objets aux côtés de caches, de journaux ou d'autres services.

Synchronisation et fraîcheur

Lorsque le traitement transactionnel et le traitement analytique utilisent des moteurs de stockage ou des composants différents, les modifications validées doivent disposer d'un parcours du côté transactionnel vers le côté analytique. Les systèmes peuvent utiliser des mécanismes tels que la capture de données modifiées (CDC), la réplication du journal d'écriture anticipée, des journaux partagés ou un stockage partagé pour propager ces modifications.

Le résultat est une vue analytique capable d'intégrer des transactions récemment validées sans nécessiter le processus traditionnel d'extraction périodique de l'ensemble d'un jeu de données vers un système analytique distinct. La rapidité avec laquelle ces modifications deviennent visibles dépend de l'architecture et de ses garanties de cohérence.

Défis des bases de données HTAP

Rapprocher les charges de travail transactionnelles et analytiques entraîne des compromis sur la façon dont les données sont stockées et traitées. L'apparition de ces coûts dépend de l'architecture, mais les bases de données HTAP se heurtent toutes au même problème central : l'optimisation simultanée des charges OLTP et OLAP. Quatre défis sont récurrents.

Amplification d'écriture

Conserver des données analytiques aux côtés d'écritures transactionnelles fréquentes crée un surcroît de travail. Comme de nombreux systèmes HTAP stockent les données sous deux formats, les mises à jour peuvent générer des deltas ou nécessiter un rafraîchissement et un compactage, augmentant ainsi l'utilisation du calcul, des E/S et du stockage, même lorsque ce travail reste en dehors du parcours transactionnel.

Contention des ressources

Lorsque les charges OLTP et OLAP partagent des ressources, les grandes requêtes analytiques peuvent faire passer la latence des transactions de quelques millisecondes à plusieurs secondes. Un calcul séparé offre une meilleure isolation, mais vous devez toujours prendre en compte les goulots d'étranglement partagés tels que le stockage, le réseau et les services de coordination.

Cohérence et fraîcheur

Les parcours transactionnels et analytiques ne progressent pas forcément au même rythme. Vous devez décider à quelle vitesse les modifications validées doivent devenir disponibles pour l'analyse et quelles garanties de cohérence des données la charge de travail exige. Une plus grande fraîcheur nécessite généralement une coordination plus étroite entre les deux parcours, et chaque architecture HTAP gère un certain compromis entre synchronisation et isolation plutôt que de l'éliminer complètement.

Complexité opérationnelle

La prise en charge de charges de travail mixtes peut impliquer la gestion de plusieurs représentations de données, parcours d'exécution, politiques de ressources et mécanismes de synchronisation. Les optimiseurs de requêtes doivent également choisir de bons plans d'exécution sur deux formats de stockage. Vous devez tenir compte de cette complexité lors de la surveillance, de la mise à l'échelle, du dépannage et de la restauration du système.

Évaluation des solutions HTAP : checklist

Lors de l'évaluation d'une solution HTAP, testez les charges de travail transactionnelles et analytiques ensemble dans des conditions représentatives de votre environnement de production. Mesurez si la latence des transactions, les performances analytiques et la fraîcheur des données restent conformes à vos exigences lorsque les deux charges s'exécutent simultanément.

CritèreCe qu'il faut tester
Latence p99 d'OLTP sous charge mixteVérifiez si la latence des transactions au 99e percentile (p99) reste dans votre cible lorsque la charge analytique augmente.
Performances analytiques à l'échelleTestez les performances de balayage et d'agrégation à mesure que le volume de vos données, la complexité des requêtes et la concurrence augmentent.
Fraîcheur et cohérenceMesurez la rapidité avec laquelle les modifications validées deviennent interrogables et si les garanties de cohérence répondent à vos exigences, y compris lorsque le parcours analytique prend du retard.
Coût sous charge mixteMesurez les coûts de calcul, de stockage, de mise en cache, de réplication, de réseau et de transfert de données à des niveaux de trafic représentatifs de votre charge de travail.
Panne et restaurationTestez le comportement des requêtes en cas de panne, le maintien de l'exactitude en mode dégradé, la progression du retard d'exécution et la rapidité de récupération du système.
Charge opérationnelleÉvaluez l'effort nécessaire pour l'optimisation, la surveillance, la planification de la capacité, la gestion des charges de travail et la résolution des incidents.

Utilisez dans la mesure du possible des données, des modèles de requêtes, des volumes et un niveau de concurrence similaires à ceux de la production. Incluez des pics d'écriture, des données asymétriques, des pics de trafic et des requêtes analytiques exigeantes afin d'observer le comportement du système dans des conditions réelles.

GUIDE

Le guide pratique de l’analytique moderne

Bases de données HTAP et implémentations réelles

Vous pouvez observer les différentes manières dont les systèmes HTAP séparent les charges de travail transactionnelles et analytiques dans des systèmes tels que TiDB, AlloyDB et Databricks Lakebase. Chacun adopte une approche différente du traitement transactionnel, du traitement analytique et du parcours des données entre les deux.

TiDB : moteurs de lignes et de colonnes séparés

TiDB illustre une architecture HTAP composée. En 2020, PingCAP a publié un article pour la VLDB décrivant TiDB comme une base de données HTAP basée sur Raft, et son architecture découplée intègre un stockage orienté ligne et colonne pour les charges de travail hybrides. Les charges transactionnelles utilisent TiKV, un moteur de stockage orienté ligne, tandis que TiFlash conserve une représentation en colonnes pour les requêtes analytiques. L'optimiseur de TiDB peut acheminer les requêtes vers TiKV, TiFlash ou les deux, les deux parcours s'exécutant sur des nœuds distincts pour une meilleure isolation des charges de travail.

TiFlash reçoit les répliques de manière asynchrone via le journal Raft, mais vérifie s'il a atteint la version des données requise par une requête pour offrir une isolation des instantanés (snapshot isolation). Lors de l'évaluation de cette approche, tenez compte de l'impact du retard de réplication sur la latence analytique et le débit pendant des écritures transactionnelles soutenues.

AlloyDB : une seule base de données avec un parcours orienté colonne

AlloyDB adopte une approche plus convergente. Elle fonctionne avec un moteur en colonne en mémoire transparent qui accélère les opérations analytiques telles que les balayages, les jointures et les agrégations. Le moteur peut s'exécuter sur l'instance principale ou sur des instances de pool de lecture pour une plus grande isolation de la charge de travail. Google affirme qu'AlloyDB offre des requêtes analytiques jusqu'à 100 fois plus rapides que PostgreSQL standard.

Lors de l'évaluation de cette approche, déterminez quelle part de votre charge de travail peut utiliser le parcours orienté colonne. Les opérations non prises en charge ou les données indisponibles dans le moteur en colonne peuvent basculer sur le parcours orienté ligne, tandis que des mises à jour fréquentes peuvent nécessiter le rafraîchissement des données en colonne. Testez la couverture et les performances en colonne à l'aide de modèles de requêtes et de mises à jour représentatifs.

Lakebase et LTAP : un calcul séparé sur une couche de données partagée

Lakebase avec LTAP va encore plus loin dans la séparation des charges de travail transactionnelles et analytiques. Au lieu de servir les deux via le même moteur de base de données, il conserve leur calcul indépendant tout en les connectant via une couche de données partagée. Le calcul Postgres peut rester optimisé pour les transactions à faible latence, tandis que le calcul analytique traite les mêmes données opérationnelles sans imposer de charges analytiques à la base de données principale.

Cette séparation permet également aux deux côtés de passer à l'échelle de manière indépendante. La capacité transactionnelle peut suivre le trafic applicatif, tandis que la capacité analytique peut suivre la demande de requêtes, sans imposer à une charge de travail de provisionner des ressources pour l'autre. Pour les lectures en direct, le calcul analytique lit la majeure partie des données à partir de la copie en colonne dans le stockage d'objets, récupère uniquement la position actuelle dans le journal depuis Postgres et fusionne toutes les modifications très récentes à partir du serveur de pages (pageserver) pour fournir une vue transactionnellement cohérente, sans surcharger l'instance Postgres principale.

Le HTAP dans l'architecture de données moderne : quand s'impose-t-il ?

Le HTAP a plus d'une fois été présenté comme la grande architecture de base de données de demain. En pratique, il convient parfaitement lorsque la valeur de votre analyse dépend de l'accès à des données opérationnelles fraîches. Commencez par vous demander quel délai votre charge de travail peut tolérer. Si les données perdent de leur utilité lors de leur transfert d'un système transactionnel vers un système analytique distinct, la réduction de ce délai peut justifier une architecture HTAP.

Cette question prend encore plus d'importance avec l'émergence de charges de travail comme les agents IA et la personnalisation en temps réel, qui nécessitent simultanément l'état actuel et le contexte historique. C'est aussi la raison pour laquelle les échanges ont délaissé les entrepôts fortement couplés au profit de lacs modulaires basés sur des formats ouverts, où les systèmes transactionnels et analytiques peuvent partager des données sans contraindre chaque charge de travail à utiliser un seul moteur.

Les cas d'usage courants incluent :

Cas d'usagePourquoi la fraîcheur des données importeCe qu'il faut évaluer
Informatique décisionnelle (BI) en temps réelVous avez besoin de tableaux de bord et de métriques reflétant l'activité opérationnelle récente.Fraîcheur, concurrence analytique et latence des transactions
Analytique opérationnelleVous utilisez des résultats analytiques pour orienter un flux de travail actif ou une prise de décision.Cohérence, latence des requêtes et isolation de la charge de travail
Applications et agents IAVotre application a besoin de l'état opérationnel actuel ainsi que du contexte historique pour prendre des décisions ou exécuter des actions.Latence de traitement, fraîcheur, cohérence et impact transactionnel
Mise à disposition de features (Feature serving)Vous avez besoin de features fraîches aux côtés de features historiques pour effectuer des prédictions ou de la personnalisation.Latence de traitement, fraîcheur, cohérence et fréquence de mise à jour
Détection de la fraudeVous devez combiner de nouveaux événements avec l'activité récente et historique avant de prendre une décision.Latence de décision de bout en bout, fraîcheur et disponibilité

Choisissez l'architecture en fonction du niveau de fraîcheur et d'isolation de la charge de travail dont vous avez besoin. Le HTAP convergent peut bien fonctionner lorsque les charges de travail transactionnelles et analytiques peuvent partager un environnement d'exécution en toute sécurité. Le HTAP composé offre une meilleure isolation du calcul lorsque la synchronisation permet de garder les données analytiques suffisamment à jour pour votre charge de travail.

Quand séparer l'OLTP et l'OLAP

Séparez OLTP et OLAP lorsque vos charges de travail analytiques peuvent tolérer un certain délai. L'analyse historique, l'entraînement de modèles, l'analytique avancée et le reporting réglementaire peuvent souvent rester sur une base de données OLAP dédiée ou dans des data warehouses cloud, en particulier lorsque vous devez protéger la latence transactionnelle et la disponibilité grâce à une meilleure isolation des charges de travail.

Tenez également compte de votre architecture existante. Si vos traitements de données CDC ou ETL répondent déjà à vos exigences en matière de fraîcheur, de performance, de fiabilité et de coût, passer à HTAP peut introduire des risques de migration et une complexité opérationnelle sans bénéfice suffisant. HTAP apporte le plus de valeur lorsque la réduction du délai des données résout un problème applicatif ou métier spécifique.

Guide de migration et d'adoption de HTAP

Une fois que vous avez validé qu'une architecture HTAP peut répondre aux exigences de vos charges de travail, adoptez-la de manière progressive. Définissez des critères de réussite clairs à chaque étape et assurez-vous de pouvoir revenir à l'état antérieur si ces critères ne sont pas remplis.

Voici une séquence de migration pratique :

  1. Cartographiez vos charges de travail et vos dépendances : identifiez les applications, requêtes, pipelines et consommateurs en aval concernés. Séparez les charges de travail transactionnelles et analytiques de celles qui ont réellement besoin des deux.
  2. Définissez vos garde-fous : définissez des seuils acceptables pour la latence des transactions, les performances analytiques, la fraîcheur, l'exactitude, la disponibilité et le coût. Décidez à l'avance de ce qui vous amènerait à faire une pause ou un retour en arrière.
  3. Commencez par les lectures analytiques : si possible, exécutez les parcours analytiques existants et nouveaux en parallèle. Comparez les résultats, la fraîcheur et les performances avant que le nouveau parcours n'affecte le comportement de l'application.
  4. Basculez le trafic progressivement : déplacez les charges de travail adaptées par étapes tout en surveillant le nouveau parcours et son effet sur les performances transactionnelles.
  5. Testez les pannes et la reprise : vérifiez ce qui se passe lorsque la synchronisation prend du retard, que des composants tombent en panne ou que le trafic revient au parcours précédent. Testez ces procédures avant de dépendre d'elles en production.
  6. Ne migrez les écritures que si nécessaire : si l'adoption modifie votre système de référence, validez d'abord la durabilité, l'évolution du schéma, les dépendances en aval et le comportement en cas de retour en arrière.

Profitez de la migration pour revoir vos schémas, vos index et vos modèles d'accès. HTAP peut modifier la façon dont vous stockez et interrogez les données, mais il ne peut pas compenser un modèle de données non adapté à votre charge de travail.

Conclusion

HTAP permet de réduire l'écart entre transactions et analytique, mais la bonne architecture dépend de votre charge de travail. Commencez par déterminer la latence des transactions, les performances analytiques, la fraîcheur, la cohérence et l'isolation dont votre application a besoin, puis testez ces exigences ensemble sous une charge mixte représentative.

Si le calcul transactionnel et le calcul analytique doivent évoluer indépendamment tout en restant connectés via une couche de données partagée, Databricks Lakebase fournit une base transactionnelle compatible avec Postgres pour le lakehouse et le data lake sous-jacent. Explorez Lakebase pour voir comment Databricks aborde LTAP et évaluer dans quelle mesure cette solution répond aux exigences de vos charges de travail.

Foire aux questions

Qu'est-ce que HTAP ?

HTAP signifie Hybrid Transactional/Analytical Processing (traitement hybride transactionnel/analytique). Il s'agit d'une architecture de base de données qui rassemble le traitement transactionnel en ligne (OLTP) et le traitement analytique en ligne (OLAP), permettant aux applications d'analyser les données opérationnelles lorsqu'elles sont encore récentes.

Qu'est-ce qu'une base de données HTAP ?

Une base de données HTAP prend en charge les charges de travail transactionnelles et analytiques. Les systèmes convergents gèrent les deux via un seul moteur de base de données, tandis que les systèmes composés utilisent des moteurs transactionnels et analytiques distincts connectés via un stockage partagé, la réplication ou d'autres mécanismes de synchronisation.

Que signifie HTAP dans les bases de données ?

Dans les bases de données, HTAP réduit la séparation traditionnelle entre systèmes opérationnels et analytiques. Il permet aux requêtes analytiques d'accéder à des données transactionnelles plus fraîches sans dépendre entièrement du déplacement préalable de ces données via un pipeline ETL par lots distinct.

Quelle est la différence entre OLTP et OLAP ?

Les bases de données OLTP traitent des volumes élevés de petites transactions à l'aide d'un stockage orienté ligne et d'un accès à faible latence. Les bases de données OLAP exécutent des requêtes complexes sur de grands ensembles de données à l'aide d'un stockage orienté colonne, acceptant une latence plus élevée en échange d'analyses et d'agrégations efficaces.

Qu'est-ce que LTAP ?

LTAP signifie Lake Transactional/Analytical Processing. Il sert à la fois les charges de travail transactionnelles et analytiques à partir d'une couche de stockage unifiée dans le lake, sous un modèle de gouvernance unique, éliminant ainsi les pipelines CDC et de réplication que les équipes maintiennent traditionnellement pour synchroniser des systèmes distincts. Cela permet à chaque charge de travail de s'optimiser et d'évoluer indépendamment tout en opérant sur un socle de données commun.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original

Tags associés:

Lakebase

Recevez les derniers articles dans votre boîte mail

Abonnez-vous à notre blog et recevez les derniers articles directement dans votre boîte mail.