Was ist das und wie wird es verwendet? • BUOM

6. Mai 2021

Die Datenmodellierung ist ein nützliches Werkzeug zum Organisieren und Strukturieren großer Datenmengen und ermöglicht die Analyse von Objekten und ihren Beziehungen. Das von Ihnen gewählte Datenmodell hängt von der Art der Daten ab, auf die Sie Zugriff benötigen, und von Ihren Abfragemustern. Beim Einsatz des Datenmanagementsystems Cassandra kann die Wahl des Datenmodells besonders wichtig sein. In diesem Artikel besprechen wir, was Cassandra-Datenmodellierung ist, wann man sie verwendet und welche Richtlinien Sie befolgen können, um Ihnen bei der Entwicklung eines erfolgreichen Modells zu helfen, das gut mit Cassandra funktioniert.

Was ist Cassandra-Datenmodellierung?

Cassandra Data Modeling ist eine Möglichkeit, Ihr Datenmodell für Cassandra, ein Datenbankverwaltungssystem, zu optimieren. Das Datenmodell von Cassandra ist einzigartig, da Benutzer Daten anhand spezifischer Datenabfragen modellieren, anstatt Beziehungen oder Objekte zu organisieren. Mithilfe eines Modells können Sie Ihr Data Warehouse als eine Reihe von Zeilen strukturieren, die in Tabellen oder Spalten organisiert sind. Die Hauptkomponenten des Modells sind:

• Spalten: Eine Spalte ist eine Datenzeile.

• Schlüsselräume: Schlüsselräume verbinden Spalten miteinander.

• Tische. Tabellen, auch Spaltenfamilien genannt, sind ein Werkzeug zum Organisieren von Daten.

Aufgrund der Art seiner Verwendung kann die Auswahl des geeigneten Datenmodells der schwierigste Teil bei der Verwendung von Cassandra sein. Cassandra unterstützt keine Kombinationstabellen oder Tabellenverknüpfungen, wie dies bei relationalen Datenbankmodellen der Fall ist. Das bedeutet, dass es äußerst nützlich sein kann, die Spalten Ihres Modells in einer Tabelle zu organisieren. Für jede Abfrage ist eine Spaltenfamilie erforderlich, um die Daten weiterhin zu duplizieren und die hohe Leistung bereitzustellen, die Sie vom Modell benötigen.

Die Ziele Ihres Cassandra-Datenmodells sind:

• Speichern Sie große Datenmengen

• Modellieren Sie Ihre Daten entsprechend Ihren Anforderungen

• Optimieren von Daten für bestimmte Abfragen

• Sorgen Sie für schnelles Lesen und Schreiben

• Organisieren von Daten zur Unterstützung der Cassandra Query Language (CQL)

• Verteilen Sie die Daten über den Cluster

• Zurückgegebene Partitionen minimieren

Wann sollte Cassandra-Datenmodellierung verwendet werden?

Cassandra ist für die Unterstützung großer Mengen strukturierter oder halbstrukturierter Daten auf Standardservern konzipiert und sollte aufgrund eines einzelnen Fehlers keine massiven Systemausfälle verursachen. Dies kann für Unternehmen nützlich sein, die ihre Geschäftstätigkeit erweitern, da die Kapazität der Plattform mit der Hinzufügung neuer Rechenzentren unabhängig von deren Standort steigt.

Die Cassandra-Modellierung bietet die folgenden Funktionen, die für Ihr Unternehmen attraktiv sein könnten:

• Skalierbarkeit: Je mehr Datenblöcke oder Knoten hinzugefügt werden und die Daten gleichmäßiger auf sie verteilt werden, desto geringer wird die Last, die jeder Knoten verarbeitet. Eine Gruppe von Datenpunkten, Cluster genannt, kann über mehrere Rechenzentren hinweg bereitgestellt werden und sich über globale Regionen erstrecken.

• Zuverlässigkeit: Cassandra erleichtert die gleichmäßige Verteilung von Daten auf alle Knoten im Cluster, wobei jeder Knoten Lese- und Schreibanforderungen verarbeiten kann. Dies bedeutet, dass die Plattform nicht aufgrund eines Fehlers ausfallen sollte.

• Anpassbar: In Cassandra können Sie den Konsistenzgrad entsprechend Ihren Abfrageanforderungen festlegen.

• Flexibilität. Das Cassandra-Datenmodell wird in einer Vielzahl von Anwendungsfällen verwendet, sodass Sie Cassandra wahrscheinlich für Ihre Daten verwenden können.

• Verfügbarkeit: Cassandra ist hochverfügbar und kann aufgrund der Art und Weise, wie es Daten zwischen Knoten im Cluster repliziert, auch bei Ausfällen betrieben werden.

• Kommunikativ: Die Peer-to-Peer-Architektur ermöglicht allen Knoten in einem Cassandra-Cluster die Kommunikation untereinander.

• Zugänglichkeit: Cassandra ist ein Open-Source-Projekt und Sie können es problemlos in andere Open-Source-Projekte integrieren.

Best Practices für die Cassandra-Datenmodellierung

Hier ist eine Liste grundlegender Regeln, die Ihnen helfen können, die Leistung Ihres Modells zu optimieren:

Kartendaten und Abfragen

Wenn Sie mit relationaler Modellierung vertraut sind, sieht die Cassandra-Modellierung möglicherweise etwas anders aus. Anstatt eine relationale Tabelle zu entwerfen, sollten Sie die Erstellung einer verschachtelten sortierten Karte in Betracht ziehen. Die verschachtelte Struktur kann beim effizienten Scannen helfen und die Karte kann Ihnen beim einfachen Auffinden von Schlüsseln helfen. Ein erfolgreich abgestimmtes Framework hängt von der Datenerkennung und Mustererkennung ab. Versuchen Sie beim Entwerfen von Tabellen, sich diese als zwei sortierte Karten vorzustellen: eine innere Karte mit einem Spaltenschlüssel und eine äußere Karte mit einem Zeilenschlüssel.

Modellieren Sie Ihre Daten anhand spezifischer Abfragen

Die Datenmodellierung in Cassandra ist abfragebasiert, was bedeutet, dass es nützlich sein kann, die Daten in Ihrem Modell basierend auf Nutzungsmustern und geplanten Abfragen zu strukturieren. Versuchen Sie, Abfragemuster zu berücksichtigen, bevor Sie Spaltenfamilien entwerfen.

Es kann hilfreich sein zu analysieren, wie oft Sie eine Abfrage verwenden und ob es bei Abfragen zu Verzögerungen zwischen Ihren Aktionen und der Antwort des Programms kommt. Auf diese Weise können Sie sicherstellen, dass Ihr Modell die wichtigsten und häufigsten Abfragemuster unterstützt. Es kann auch nützlich sein, alle an einer Abfrage oder einem Satz von Abfragen beteiligten Entitäten in einer Tabelle zusammenzufassen, um einen schnelleren Zugriff auf die Daten zu ermöglichen.

Abhängig von Ihrer Anfrage benötigen Sie möglicherweise eine Tabelle, die mehr als ein Objekt enthält, oder ein Objekt, das in mehreren Tabellen enthalten ist. Dies liegt daran, dass die Plattform die Erstellung von Sekundärindizes oder komplexen SQL-Abfragen nicht unterstützt. Um dies zu vermeiden, sollten Sie Ihre Entwicklung damit beginnen, wichtige Entitäten und Beziehungen zu definieren und diese dann entsprechend spezifischer Abfragen und Abfragemuster zu gestalten.

Ihre Daten verstehen

Eine Schlüsselkomponente für die effektive Modellierung Ihrer Daten auf der Grundlage Ihrer Abfragen ist das Verständnis Ihrer Daten. Das fertige Modell enthält genau identifizierte Abfragen und vollständige Datensätze. Um die schwierige Aufgabe zu vermeiden, Daten erneut in ein vorhandenes Modell einzugeben, sollten Sie sich auf die Entwicklung eines robusten konzeptionellen Modells konzentrieren, damit Sie die benötigten Daten besser verstehen können. Möglicherweise möchten Sie mit einer allgemeinen Ansicht Ihrer Daten beginnen, um Ihre Entitäten und ihre identifizierenden Attribute zu verstehen.

Befolgen Sie Big-Data-Modellierungstechniken

Wenn Sie sich entscheiden, Cassandra zur Datenspeicherung und -analyse zu verwenden, verarbeiten Sie wahrscheinlich große Datenmengen, um einen umfangreichen Geschäftsprozess zu unterstützen. Erwägen Sie den Einsatz anderer Big-Data-Modellierungstechniken und einen strukturierten Ansatz, um sicherzustellen, dass Ihr Modell vollständig ist und eine gute Leistung erbringt.

Erwarten Sie, dass mehr Daten geschrieben und dupliziert werden

Abhängig von Ihrer Erfahrung sind Sie möglicherweise daran gewöhnt, Schreibvorgänge und Denormalisierungen in Ihren Modellen zu minimieren. Obwohl diese Ziele bei der Cassandra-Datenmodellierung eine gewisse Bedeutung haben, werden sie wahrscheinlich nicht Ihre oberste Priorität sein. Das Schreiben in Cassandra ist relativ kostengünstig und Sie können zusätzliche Schreibvorgänge durchführen, um die Effizienz Ihrer Leseabfragen zu verbessern. Das Programm bewältigt einen hohen Schreibdurchsatz und kann nahezu alle Schreibvorgänge mit gleicher Effizienz ausführen. Allerdings können Lesungen teurer und schwieriger einzurichten sein.

Denormalisierung und Datenduplizierung kommen in Cassandra häufig vor. Das System ist nicht bestrebt, Speicherplatz zu sparen, da es sich hierbei in der Regel um eine kostengünstige und verfügbare Ressource handelt. Für ein effizientes Lesen sind manchmal doppelte Daten erforderlich, insbesondere weil die Plattform keine Tabellenverknüpfungen unterstützt.

Verteilen Sie die Daten gleichmäßig

In Cassandra fördert das System die gleichmäßige Verteilung der Daten, erfordert jedoch weiterhin, dass der Benutzer einen geeigneten Primärschlüssel auswählt, um sicherzustellen, dass die Daten gleichmäßig verteilt werden.

Letztendlich besteht das Ziel darin, für jeden Knoten im Cluster ungefähr die gleiche Datenmenge zu haben. Cassandra unterstützt nur das Sortieren nach Clustering-Spalten eines bestimmten Primärschlüssels. Berücksichtigen Sie bei Entwurfsentscheidungen, wie die Sortierung in Ihrem Datenmodell erfolgt.

Minimieren Sie das Lesen von Abschnitten

Ein Abschnitt bezieht sich auf eine Gruppe von Zeilen mit demselben Abschnittsschlüssel. Ihre Partitionen befinden sich möglicherweise auf verschiedenen Knoten, und der angeforderte Partitionslesevorgang erfordert möglicherweise einen eindeutigen Befehl für jede Partition auf jedem einzelnen Knoten. Dies kann schnell zeitaufwändig werden und die Latenzschwankungen erhöhen. Aufgrund der Art und Weise, wie Cassandra Zeilen speichert, kann das Lesen von mehreren Partitionen auch teuer sein, selbst wenn es nur auf einem Knoten erfolgt.

Versuchen Sie daher, bei Leseanfragen Zeilen aus weniger Partitionen zu lesen. Auch wenn es manchmal schwierig sein kann, sowohl weniger Partitionslesevorgänge als auch eine gleichmäßige Datenverteilung zu erreichen, kann Ihnen die Suche nach einem Gleichgewicht zwischen beiden dabei helfen, ein erfolgreiches und effizientes Modell zu erstellen.

Analysieren Sie die Wirksamkeit Ihres Modells

Möglicherweise muss Ihr Modell an Ihre Anforderungen, Daten und Arbeitsumfang angepasst werden. Eine sorgfältige Analyse des Modells kann Ihnen dabei helfen, das Design zu ändern, um spezielle Überlegungen oder Einschränkungen wie Partitionsgröße und Datenredundanz zu berücksichtigen. Wenn der Speicherplatz begrenzt ist, müssen Sie möglicherweise Ihr Modell aktualisieren, um Ihren Speicherplatzanforderungen gerecht zu werden. Während Datenduplizierung, vereinfachte Transaktionen und mehrere Partitionen unvermeidliche Merkmale Ihres Modells sein können, sollten Sie erwägen, diese auf ein Minimum zu beschränken, um effiziente Lesevorgänge und optimierte Leistung sicherzustellen.

Nachdem Sie die Erstellung der physischen Tabellen abgeschlossen haben, können Sie das physische Datenmodell überprüfen und verfeinern, um sicherzustellen, dass es Ihren Zielen entspricht.

Bitte beachten Sie, dass keines der in diesem Artikel genannten Unternehmen mit Indeed verbunden ist.