هوش تجاری In-Memory

هوش تجاری In-Memory چیست؟

هوش تجاری درون حافظه ای یا In-Memory BI به نرم افزارهای هوش تجاری گفته می شود که از پایگاه داده in-memory یا (IMDB) در پردازش داده ها استفاده می کنند. توسعه دهندگان نرم افزارهای In-Memory BI ادعا می کنند این سیستم ها جایگزین مناسبی برای انبار داده های سنگین و پروژه های OLAP هستند.

تعاریف مختلفی از پردازش درون حافظه وجود دارد، ولی ترجیح می دهم تعریف پایگاه ویکیپدیا را در این مورد بیان کنم:

یک پایگاه داده درون حافظه یک سیستم مدیریت پایگاه داده است که اساسا وابسته به حافظه اصلی (رم) کامپیوتر برای ذخیره داده است. از این لحاظ با سیستم های مدیریت پایگاه داده که داده ها را روی دیسک ذخیره می کنند متفاوت هستند. پایگاه های داده درون حافظه ای بسیار سریعتر از پایگاه های داده مبتنی بر دیسک هستند به این دلیل که الگوریتمهای بهینه سازی داخلی ساده تری دارند و CPU دستورالعملهای کمتری را اجرا می کند. دسترسی به داده ها در حافظه در زمان کوئری گرفتن از داده ها، خواندن I/O را کاهش می دهد در نهایت کارایی و سرعت بالاتری را نسیت به دسترسی به دیسک فراهم می کند.

IMDB یک سیستم مدیریت پایگاه داده است که وقتی میزان RAM کافی برای داده های مورد نیاز وجود داشته باشد، بهترین کارایی را از خود نشان می دهد.

چرا هوش تجاری In-Memory این قدر مشهور شد؟

پایگاه های داده ها درون حافظه پیش از ۳۰ سال است که وجود دارند ولی حضور این تکنولوژی در عناوین خبری هوش تجاری چند سال بیشتر نیست. دلیل این که هوش تجاری درون حافظه اخیرا مورد توجه قرار گرفته این است که قبل از رایج شدن تکنولوژی پردازش ۶۴ بیتی این فناوری امکان پذیر نبود. قبل از پردازشگرهای ۶۴ بیتی حداکثر میزان رمی که یک کامپیوتر می توانست استفاده کند کمتر از ۴GB بود. چنین حافظه کمی به سختی برای راهکارهای چند کاربره هوش تجاری قابل کاربرد بود.تنها وقتی سیستم های ۶۴ بیتی به اندازه کافی ارزان شدند، تکنولوژی درون حافظه به عنوان یک گزینه عملی در هوش تجاری مورد استقبال اهالی این حوزه قرار گرفت.

هوش تجاری درون حافظه یا برون حافظه؟

برخلاف راهکارهای پایگاه داده مبتنی بر دیسک که در آن افزودن حافظه بیشتر با هزینه کمی انجام می شد، توسعه راهکارهای مبتنی بر حافظه مانند in-memory نیاز به حافظه هایی دارد که به مراتب گرانتر هستند. در حالیکه کامپیوترهای شخصی ۶۴ بیتی از لحاظ تئوری آستانه حداکثر بالایی دارند در عمل استقرار چنین حجم زیادی از حافظه، بازدارنده و بسیار گران است، زیرا در رویکرد in-memory کل مجموعه داده باید به یکباره در حافظه بارگذاری شود.

وقتی اندازه داده ها (پس از فشرده سازی) از مقدار رم بیشتر شود راهکارهای هوش تجاری درون حافظه غیرقابل استفاده شده و با شکست مواجه می شوند. شرکتهایی که حجم داده هایشان به سرعت رشد می کند متوجه شدند راهکارهای درون حافظه به سرعت محدود شده و استفاده از آن را غیرعملی می کند. این مشکل زمانی که چند کاربر به صورت همزمان به داده های موجود در حافظه دسترسی پیدا می کنند بیشتر خود را نشان می دهد.