Che cos'è l'elaborazione delle transazioni online (OLTP)?

OLTP, o elaborazione delle transazioni online, è un tipo di elaborazione dati in grado di gestire in modo efficiente un numero elevato di transazioni brevi e veloci con bassa latenza. Essenzialmente, OLTP è progettato per archiviare e recuperare i dati rapidamente. Si concentra sui carichi di lavoro operativi essenziali di tutti i giorni, che in genere comportano transazioni come l'inserimento, l'aggiornamento o l'eliminazione di piccole quantità di dati. Gli esempi includono la registrazione di un deposito bancario, la prenotazione di un biglietto aereo o l'elaborazione di un acquisto online.

Caratteristiche principali dei sistemi OLTP

L'OLTP è ottimizzato per velocità, affidabilità e concorrenza, garantendo che molti utenti possano eseguire transazioni simultaneamente senza errori o conflitti di dati e che le organizzazioni possano accedere alle informazioni in qualsiasi momento.

Questi sistemi devono mantenere i dati accurati e coerenti per volumi elevati di transazioni aziendali in tempo reale. I sistemi OLTP si basano in genere su database relazionali che applicano le proprietà ACID (atomicità, coerenza, isolamento e durabilità) per garantire che vengano archiviate solo transazioni valide e complete, mantenendo l'integrità dei dati. I sistemi OLTP utilizzano anche vincoli, trigger, controlli di convalida e regole di integrità referenziale per salvaguardare l'integrità dei dati e fornire una solida base per il processo decisionale organizzativo. I moderni motori OLTP possono anche utilizzare archivi distribuiti di coppie chiave-valore o di documenti a seconda dei requisiti.

Il controllo della concorrenza, ovvero la garanzia che più utenti possano accedere e modificare i dati contemporaneamente, nell'ordine corretto e senza conflitti o anomalie dei dati, è fondamentale anche per l'OLTP. I sistemi utilizzano algoritmi di blocco per garantire che due utenti non possano modificare gli stessi dati simultaneamente e che tutte le transazioni vengano eseguite nell'ordine corretto. Un controllo efficace della concorrenza consente ai sistemi OLTP di offrire elevata disponibilità, reattività e affidabilità, anche con carichi di transazioni elevati.

I sistemi OLTP devono funzionare con un throughput elevato, il che significa che sono in grado di gestire un volume elevato di transazioni in modo rapido ed efficiente. Allo stesso tempo, devono anche avere una bassa latenza, ovvero un ritardo minimo nell'elaborazione, per evitare rallentamenti quando il sistema elabora un volume elevato di attività operative di business simultanee in tempo reale.

Componenti principali

L'OLTP si basa su una serie di componenti che operano congiuntamente per facilitare un'elaborazione delle transazioni rapida, precisa e scalabile per applicazioni aziendali mission-critical. Tra questi:

• Database: l'OLTP si basa in genere su database relazionali progettati per offrire prestazioni elevate. Garantiscono la concorrenza e la conformità ACID, in modo che i dati siano accurati, sempre disponibili e facilmente accessibili. I database relazionali organizzano i dati in tabelle correlate e ogni informazione viene memorizzata una sola volta. Ciò evita la ridondanza e aiuta a elaborare piccoli e frequenti aggiornamenti in modo efficiente. I dati possono essere utilizzati da qualsiasi applicazione, garantendo un'unica fonte di verità.
• Motore di query: opera al di sopra del database, gestendo l'esecuzione delle attività operative in conformità con i principi ACID. Coordina attività quali la registrazione delle transazioni, il controllo della concorrenza e le attività operative di commit o rollback.
• Infrastruttura di supporto: include server di applicazioni, middleware, interfacce di rete e sistemi di archiviazione che facilitano la comunicazione, l'accesso ai dati e l'ottimizzazione delle prestazioni.

Flusso di transazioni tipico

L'OLTP esegue le transazioni utilizzando diversi passaggi progettati per elaborare migliaia di transazioni al secondo, preservando al contempo l'integrità e la fiducia degli utenti.

1. Inserimento/input dei dati: un utente avvia un'azione, come un acquisto, un pagamento o un aggiornamento, tramite un'applicazione client, generando una richiesta di transazione.
2. Trasmissione della richiesta di transazione: la richiesta viene inviata al server applicativo, che applica la logica di business per determinare le attività operative del database.
3. Elaborazione delle transazioni: il server esegue attività operative (inserimento, aggiornamento, eliminazione o selezione) sul database OLTP.
4. Commit o rollback: se tutte le attività operative hanno esito positivo, il sistema esegue il commit della transazione, salvando in modo permanente le modifiche. Se un passaggio ha esito negativo, il sistema esegue il rollback di tutte le azioni per ripristinare lo stato precedente del database. Una volta eseguito il commit, le modifiche sono permanenti.
5. Output e logging: il sistema restituisce una conferma all'utente (ad esempio, sotto forma di ricevuta o messaggio) e registra la transazione nei log.
6. Elaborazione dei dati a valle: i registri delle transazioni e le tabelle fungono da fonte per le pipeline di dati a valle, come i processi di estrazione, trasformazione e caricamento (ETL). Questi trasferiscono i dati dal sistema OLTP a piattaforme analitiche o di elaborazione, come data warehouse, data lake e sistemi di streaming in tempo reale per applicazioni di reporting, analisi o machine learning.

Considerazioni sulle prestazioni

Le prestazioni elevate sono fondamentali per consentire a OLTP di offrire la velocità e la stabilità che gli utenti si aspettano nelle transazioni essenziali. Vengono utilizzate diverse tecniche per ottimizzare le prestazioni del sistema OLTP. Queste strategie includono:

• Indicizzazione: ciò consente al sistema di trovare rapidamente i record per accelerare il recupero dei dati.
• Partizionamento: il partizionamento divide le tabelle di grandi dimensioni in parti più piccole per migliorare le prestazioni, la scalabilità e la gestibilità.
• Pooling delle connessioni: migliora l'efficienza riutilizzando le connessioni al database esistenti anziché crearne di nuove.
• Caching: con questa tecnica, i dati a cui si accede di frequente vengono temporaneamente archiviati in memoria per velocizzare le attività operative.
• Scalabilità: strategie come la scalabilità verticale (aggiunta di più risorse fisiche come CPU, RAM o storage più veloce) o la scalabilità orizzontale (distribuzione del carico di lavoro su più macchine) vengono utilizzate per gestire i volumi di transazioni in aumento.

Questi metodi vengono utilizzati per garantire che i database OLTP offrano affidabilità e tempi di risposta di pochi millisecondi, anche quando i volumi delle transazioni sono elevati. Ciò garantisce che gli utenti ottengano prestazioni veloci e fluide e che le organizzazioni possano scalare in base alle esigenze, mantenendo bassi i costi.

Esempi reali di OLTP

L'OLTP è fondamentale per una moltitudine di funzioni aziendali chiave in tutti i settori industriali. Ecco alcuni esempi:

• Elaborazione degli ordini di e-commerce
• Transazioni bancarie come i prelievi di contanti da sportelli bancomat (ATM) e i trasferimenti di fondi
• Elaborazione dei pagamenti elettronici
• Servizi finanziari come il trading di mercato
• Prenotazioni online di biglietti e riservazioni
• Interazioni con il servizio clienti
• Archiviazione di sessioni/stati per agenti IA conversazionali o chatbot
• Conservazione delle cartelle cliniche
• Manutenzione nel settore manifatturiero
• Monitoraggio dello stato dei dispositivi o dell'IoT

L'OLTP nell'ecosistema dei dati

I sistemi OLTP costituiscono il livello di prima linea dell'ecosistema dei dati per la gestione e l'acquisizione delle attività operative aziendali quotidiane in tempo reale. I database OLTP archiviano dati attuali e granulari generati da queste transazioni. Questi dati vengono successivamente estratti, trasformati e caricati in sistemi a valle come data lake, data warehouse o piattaforme analitiche, dove vengono aggregati e analizzati per supportare il processo decisionale.

OLTP vs. OLAP

Molte aziende utilizzano l'OLTP insieme all'online analytical processing (OLAP). Entrambi i sistemi sono essenziali per la gestione e l'analisi di grandi volumi di dati, ma sono progettati per diversi tipi di attività e hanno funzioni diverse. Mentre l'OLTP si concentra sull'archiviazione e l'aggiornamento efficiente e affidabile dei dati transazionali in tempo reale per le attività operative, l'OLAP combina e raggruppa i dati in modo che possano essere analizzati da diverse prospettive per ottenere informazioni dettagliate sui dati.

In che modo OLTP e OLAP si completano a vicenda

Le organizzazioni utilizzano spesso l'elaborazione dei dati sia OLAP che OLTP per una business intelligence completa. OLTP è progettato per transazioni attive e aggiornamenti in tempo reale per carichi di lavoro come l'elaborazione di ordini, l'aggiornamento dell'inventario o la gestione degli account dei clienti. OLAP supporta approfondimenti da dati storici o aggregati, incluse attività come reporting, identificazione di trend e analisi complesse dei dati. I sistemi OLAP possono utilizzare i dati di origine da più sistemi OLTP per analisi più complesse.

Pattern dei Workload

OLTP è progettato per carichi di lavoro con prevalenza di scritture, concentrandosi sulla gestione di un volume elevato di piccole transazioni simultanee, mantenendo al contempo velocità e integrità dei dati. Al contrario, i sistemi OLAP sono progettati per attività operative con prevalenza di letture, come l'aggregazione e l'analisi. Sono ottimizzati per consentire agli utenti di eseguire in modo rapido ed efficiente query complesse su grandi volumi di dati, anziché modificare i dati.

Selezione e ottimizzazione delle soluzioni OLTP

Quando si seleziona una soluzione OLTP, le organizzazioni dovrebbero valutare in che misura il sistema soddisfa le loro specifiche esigenze operative, inclusi aspetti come il tipo e il volume delle transazioni, la struttura dei dati, i requisiti di prestazione, la scalabilità e le necessità di reattività in tempo reale. La soluzione giusta sarà in linea con la strategia dei dati a lungo termine, i casi d'uso e le risorse di un'organizzazione.

Criteri di valutazione

Un fattore chiave nella scelta di una soluzione OLTP è la scelta tra database SQL e NoSQL. I database SQL, come Postgres (lo standard open source leader per i database), MySQL o Oracle, eccellono nella stretta conformità ACID, che supporta l'integrità dei dati. Offrono inoltre affidabilità transazionale e query complesse per i dati strutturati. I database NoSQL offrono maggiore scalabilità, velocità e flessibilità per i dati non strutturati.

Altri criteri di valutazione chiave delle soluzioni OLTP includono:

• Scalabilità: il sistema deve avere la capacità di scalare verso l'alto o verso il basso istantaneamente per gestire volumi di transazioni variabili con carichi di lavoro simultanei.
• Coerenza: la soluzione dovrebbe essere in grado di mantenere la coerenza senza sacrificare le prestazioni.
• Idonea per carichi di lavoro mission-critical: la soluzione deve supportare le funzioni essenziali. Ad esempio, in settori come l'e-commerce, l'assistenza sanitaria o i sistemi finanziari, l'accuratezza delle transazioni e l'uptime sono fondamentali per le attività operative.
• Sicurezza: una sicurezza solida è essenziale per proteggere i dati sensibili delle transazioni dei clienti.
• Costo: le organizzazioni devono tenere conto del costo totale di proprietà, comprese licenze, infrastruttura e gestione.
• Integrazione: nelle architetture tradizionali, i database operativi e i sistemi analitici sono completamente isolati. L'architettura Lakebase integra nativamente i database OLTP nella lakehouse per semplificare i flussi di lavoro dei dati operativi.

Suggerimenti per l'ottimizzazione

Per ottimizzare i sistemi OLTP, i team devono concentrarsi sul massimizzare l'efficienza, la reattività e l'integrità dei dati. Per raggiungere questo obiettivo si possono usare diverse strategie, tra cui:

• Transazioni di piccole dimensioni: mantenere le transazioni piccole e veloci riduce al minimo la quantità di dati bloccati in un dato momento e i conflitti tra utenti simultanei.
• Ottimizzazione degli indici: indici ben progettati possono accelerare in modo significativo le prestazioni delle query.
• Caching: l'archiviazione in memoria dei dati a cui si accede di frequente può ridurre i tempi di risposta delle query.
• Repliche di lettura: queste distribuiscono ulteriormente i carichi delle query senza rallentare il throughput transazionale.
• Bilanciamento del carico: la distribuzione dei carichi di lavoro su più server previene i colli di bottiglia, in modo che le query possano essere elaborate rapidamente.

Conclusione

L'OLTP è la spina dorsale dell'elaborazione dei dati operativi, in quanto facilita le transazioni mission-critical e acquisisce i dati da tali transazioni per alimentare ulteriori analisi e approfondimenti. Comprendere il ruolo dei sistemi OLTP e le loro funzionalità principali è fondamentale per le organizzazioni che desiderano ottimizzare i sistemi per i loro carichi di lavoro specifici e sfruttare al meglio i propri dati.

Integrazione dell'OLTP in Databricks

Lakebase è un motore di database OLTP Postgres completamente gestito e integrato direttamente nella Databricks Data Intelligence Platform. Lakebase porta l'OLTP nel lakehouse con funzionalità quali la scalabilità automatica serverless, lo scale-to-zero, il branching del database e il ripristino istantaneo, il tutto mantenendo la compatibilità con gli strumenti Postgres standard e il supporto per le estensioni Postgres. I casi d'uso tipici includono:

• Creazione di applicazioni autonome che richiedono uno storage operativo veloce e affidabile
• Erogazione di dati analitici dal lakehouse direttamente in un'applicazione senza pipeline aggiuntive
• Erogazione di feature e modelli in un'applicazione per usi quali raccomandazioni di prodotti o segmentazione dei clienti
• Mantenimento dello stato della sessione e dell'applicazione per chatbot conversazionali e applicazioni agentive

L'utilizzo di un database OLTP integrato nativamente con la Databricks Platform riduce la complessità delle applicazioni, semplifica la gestione ed estende le funzionalità di AI unificando dati operativi, analitiche, AI, app e governance su un'unica piattaforma.