ZDNet至顶网软件频道消息: 甲骨文表示,其内存数据库技术不仅能在60天内交付,而且这项技术将在12个月内击败所有竞争对手。
甲骨文的数据库内存选件,与其他老牌竞争对手产品(如SAP HANA)一样,旨在加速以分析为驱动的工作负载,每秒可处理数十亿的数据值。
“竞争对手的产品要么要求更改应用,要么数据库功能有限,而甲骨文新的技术对于现有采用甲骨文数据库技术的应用是透明的”,甲骨文产品管理副总裁Time Shetler这样表示。
他说:“我们认为将这种选件对现有运行在甲骨文数据库上的应用透明,这一点很重要,因为今天全球有超过30万的机构组织采用甲骨文数据库。”
“因此,我们希望有一个强大的选件与像SAP这样在收购Sybase之前并不真正从事数据库业务的对手对抗。我们预计,在一年之内会有超过其他所有竞争对手总和的企业运行在甲骨文内存选件上。”
分析公司Quocirca高级研究院Clive Longbottom表示,甲骨文对于SAP HANA的回应有些姗姗来迟。他说:“现在他们真的需要对SAP HANA作出回应了。甲骨文推出10c有相当长一段时间,10c是一种内存能力,但是与HANA相比,它让甲骨文看上去有些没有说服力。”“现在有这么多的公司都在利用服务器端SSD和大型DIM阵列加强内存分析能力,甲骨文看起来有些力不从心。”
甲骨文在2005年收购了内存计算公司TimesTen,“在当时内存的成本是相当可怕的,因此那些财力雄厚的企业能够买得起的解决方案”,Longbottom这样表示。
现在甲骨文还在出售这种技术,但是与甲骨文多年来一直在开发的、即将发布的架构是截然不同的。
甲骨文的Tim Shetler表示,数据库内存选件即将作为12.1.0.2的一部分发布,价格还未确定,它提供了一种双格式的体系架构,允许在同一个数据库上运行高级分析和交易处理工作负载。“你可以在用于生产交易处理工作负载的数据库上同时运行大量实时分析。”
“所以,能够跨所有工作负载共享通用数据库,这意味着客户将不在需要做多个生产数据的拷贝,这样他们运行针对它的报告,通常被成为数据集市。你可以在一个通用系统上做所有这些事情,避免拷贝延迟,确保你正在分析的数据是快速被快速处理的。”
Shetler表示,甲骨文将它的数据库内存选件视为最完整的部署,因为它不仅仅是是一种能够配合现有甲骨文数据库功能使用的内存数据库。
“因为他们被集成到了一起,所以我们实际上拥有了一个完整的数据库——不仅仅是一个高速内存列式存储库,而且也是你希望从数据库中获得的全部基础设施,以确保交易完整性、安全性和强健性。”
“如果你将其与SAP HANA对比,他们实际上构建的是一种很快速、但是仍在试图完善其他相关数据库功能的内存数据存储库。”
Shetler表示,甲骨文的数据库内存选件传承了甲骨文数据库30多年的开发经验。
“所有特性、功能和耐用性——这些都是围绕甲骨文数据库构建的,被植入了甲骨文内存选件中。这个数据库内存本身就是市场中其他甲骨文部署非常类似的。”
“如果从一个完整的数据库系统角度审视它的话,那么甲骨文会是在开发方面处于领先地位的。”
Shetler表示,甲骨文具有优势的其他领域,是在这种内存技术可使用的数据库大小方面。
他说:“很多实施部署要求你正在使用的数据库必须预装所有到内存中。”
“尽管内存容量越来越大,而且越来越便宜,但仍然意味着大型数据库——例如数据仓库,可以是非常大的或者大数据主导的数据集——可能难以适应内存,因为不可能或者不那么可能配合内存数据库技术使用。”
“我们多年来一直在开发多种途径让大型数据库能够得到满足。有了这种内存选件,你现在可以将内存数据分散到多个数据库中,因此可以在内存中有一个更大规模的数据库。”
自从甲骨文首席执行官Larry Ellison在2013年的OpenWorld大会上公布了这种内存技术以来,甲骨文已经向其中添加了改善的容错特性。
“我们正在做的事情是,如果你正在Oracle RAC集群中的一个上运行数据库和数据库内存选件——换句话说,如果你正在将数据分散到多个数据库服务器的内存区域中——那么你可以选择请求这个数据以容错的方式得到保护。”
“这将确保每一块数据都在至少一个其他数据库服务器的内存中进行了拷贝,这样如果其中一个数据库服务器发生故障,那么RAC软件将自动检测到故障,将应用转移到其他保存了故障服务器数据拷贝的数据库服务器上,性能不会受到影响,就像从未发生故障一样。”
“所以,我们不仅具有完整的应用透明度,完整的数据库功能透明度,而且如果集群中发生任何故障的时候,会有故障转移和高可用性的完整透明度。”
甲骨文的工程系统以及其他出货系统将提供这个数据库内存选件,而且所有Oracle 12c可以运行其上的系统都支持这个选件。
好文章,需要你的鼓励
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。