Datenbank am Limit: spaltenorientiert als Ausweg

Wir alle kennen und schätzen SQL- und NoSQL-­Datenbanken. Doch es gibt Anwendungsfälle, in denen diese Datenbanken an ihre Grenzen stoßen. Zum Beispiel bei der Analyse von Finanzmarktdaten. Dort müssen Zeitreihen von enormer Größe verarbeitet werden. Der Vortrag zeigt auf, wie spaltenorientierte Datenbanken dieses Problem lösen. Die Architektur solcher Tick-Data­-Systeme wird beleuchtet. Der Vortrag endet mit dem Beispiel einer technischen Implementierung für Finanzmarktdaten.

Transcript

1. Datenbank am Limit: spaltenorientiert als Ausweg Architektur eines Tick-Data-Systems zur Finanzmarktdaten-Analyse
2. Was sind Finanzmarktdaten?
3. Zeit Käufer Verkäufer 11:00:00.000 11:00:00.009 11:00:00.025 11:00:00.207 11:00:00.555 11:00:00.873 5000 @ 84,81 4700 @ 84,81 1000 @ 84,82 7000 @ 84,81 2000 @ 84,81 1500 @ 84,81 500 @ 84,82 200 @ 84,82 900 @ 84,83 800 @ 84,82 200 @ 84,82 100 @ 84,82 Daimler Aktie unregelmäßig
4. Zeitreihen Was sind Finanzmarktdaten? Tick-Daten
5. Volumen?
6. durchschnittlich 5 Quotes / Sekunde Daimler Aktie maximal 200 Quotes / Sekunde
7. Aktie Börse x10 Derivate Optionen x100 Futures x5 Index x3 Ändert sich der Quote…
8. On-Disk Repräsentation Wie speichert meine Datenbank die Daten?
9. Record Disk BSON Padding http://docs.mongodb.org/manual/core/storage/
10. Page Disk http://www.postgresql.org/docs/9.4/static/storage-page-layout.html Tuple Page Header Free Space
11. zeilenorientierter Ansatz Zeit Käufer Verkäufer Lokalität
12. Wir bauen eine zeilenorientierte Datenbank
13. Einschränkung: Sortiert nach Zeit
14. Tabelle => Ordner
15. Zeile => Datei
16. /Datenbank /Daimler_Quotes /1.dat /2.dat /3.dat /4.dat /5.dat
17. /Datenbank /Daimler_Quotes /1.dat /2.dat /3.dat /4.dat /5.dat SELECT Käufer_Preis FROM Daimler_Quotes WHERE Zeit>10:00:00
18. /Datenbank /Daimler_Quotes /1.dat /2.dat /3.dat /4.dat /5.dat SELECT Käufer_Preis FROM Daimler_Quotes WHERE Zeit>10:00:00
19. /Datenbank /Daimler_Quotes /123.dat SELECT Käufer_Preis FROM Daimler_Quotes WHERE Zeit>10:00:00 Zeit 10:00:03 Käufer_Menge 7000 Käufer_Preis 84,81 Verkäufer_Menge 84,82 Verkäufer_Preis 1000 > 10:00:00 Binäre Suche über alle Dateien *.dat
20. /Datenbank /Daimler_Quotes /1.dat /2.dat /3.dat /4.dat /5.dat SELECT Käufer_Preis FROM Daimler_Quotes WHERE Zeit>10:00:00 /Datenbank /Daimler_Quotes /124.dat /125.dat /126.dat /127.dat /… Lese alle Dateien ab 124.dat
21. Daten Volumen gelesen ~ 90 %
22. Optimierung?
23. /Datenbank /Daimler_Quotes /1-100.dat /101-200.dat /201-300.dat /301-400.dat /401-500.dat
25. spaltenorientierter Ansatz Zeit Käufer Verkäufer Lokalität
26. Wir bauen eine spaltenorientierte Datenbank
27. Einschränkung: Sortiert nach Zeit
28. Tabelle => Ordner
29. Spalte => Datei
30. /Datenbank /Daimler_Quotes /Zeit.dat /Käufer_Menge.dat /Käufer_Preis.dat /Verkäufer_Menge.dat /Verkäufer_Preis.dat
31. /Datenbank /Daimler_Quotes /Zeit.dat /Käufer_Menge.dat /Käufer_Preis.dat /Verkäufer_Menge.dat /Verkäufer_Preis.dat SELECT Käufer_Preis FROM Daimler_Quotes WHERE Zeit>10:00:00
32. /Datenbank /Daimler_Quotes /Zeit.dat /Käufer_Menge.dat /Käufer_Preis.dat /Verkäufer_Menge.dat /Verkäufer_Preis.dat SELECT Käufer_Preis FROM Daimler_Quotes WHERE Zeit>10:00:00
33. /Datenbank /Daimler_Quotes /Zeit.dat SELECT Käufer_Preis FROM Daimler_Quotes WHERE Zeit>10:00:00 Zeile Daten … 120 09:59:51 121 09:59:57 123 10:00:03 124 10:00:12 … > 10:00:00 Binäre Suche über eine Datei Zeit.dat sortiert
34. /Datenbank /Daimler_Quotes /Käufer_Preis.dat SELECT Käufer_Preis FROM Daimler_Quotes WHERE Zeit>10:00:00 Zeile Daten 123 84,81 124 84,82 125 84,82 126 84,81 127 84,80 … Lese eine Datei Käufer_Preis.dat erst ab Zeile 123
35. Daten Volumen gelesen ~ 25 %
36. Optimierung?
37. Partition => Ordner
38. /DaimlerQuotes /2015-01-01 /Zeit.dat, Käufer_Preis.dat, … /2015-01-02 /Zeit.dat, Käufer_Preis.dat, … /2015-01-03
39. /DaimlerQuotes /2015-01-01 /Zeit.dat, Käufer_Preis.dat, … /2015-01-02 /Zeit.dat, Käufer_Preis.dat, … /2015-01-03 SELECT Käufer_Preis FROM DaimlerQuotes WHERE Datum=2015-01-02 AND Zeit>10:00:00
40. /DaimlerQuotes /2015-01-01 /Zeit.dat, Käufer_Preis.dat, … /2015-01-02 /Zeit.dat, Käufer_Preis.dat, … /2015-01-03 SELECT Käufer_Preis FROM DaimlerQuotes WHERE Datum=2015-01-02 AND Zeit>10:00:00
41. spaltenorientierte Vorteile • nur benötigte Partitionen lesen • nur benötigte Spalten lesen • Sortierung ausnutzen
42. Wie analysieren die größten Finanzinstitute der Welt Zeitreihen?
44. Was ist kdb+? • Implementiert in Q bzw. K • In-Memory Datenbank mit Persistenzschicht • Daten liegen sowohl im Speicher als auch auf Festplatte im gleichen Format vor • Spaltenorientiert • Abfragesprache Q oder Q-SQL • Optimierter Zugriff auf Festplatten
45. 1+2 => 3 sum 1 2 3 => 6 (1 2 3 4 5)+1 => (2 3 4 5 6) (1 2 3)+(4 5 6) => (5 7 9) sums 1 2 3 4 5 6 => 1 3 6 10 15 21
46. for(…) while(…)
47. select max kauf_preis by datum from quotes where symbol=`Daimler datum | kauf_preis ———————————————————————— 2015-01-02 | 75,57 2015-01-03 | 74,81 2015-01-04 | 76,13
48. Was kdb+ nicht ist • Keine Stored Procedures vs Application Server Abwägungen: Code nahe an die Daten • Keine Verluste durch (De)Serialisierung beim Transport zwischen Datenbank und Applikation durch "spezielles" Format • Keine ORM Probleme • Keine Universal-Datenbank
49. Echtzeit und Historie
50. kdb+tick Quote Pub/Sub System aktueller Tag Historie (< aktueller Tag) 00:00:00
51. Tickerplant • Setzen eines Zeitstempels: garantiert Sortierung • Speichern der Daten in einem Logfile • Publish/Subscribe Mechanismus • Initiierung des Endofday Events beim wechseln des Tages (00:00:00 Uhr) • Input: 100.000 Werte / Sekunde (1 Thread)
52. Chains Quote 10 Sekunden Aggregation 15 Minuten Aggregation Tages Volumen Tages Hoch/Tief Konsument
53. Echtzeit Datenbank • subskribiert beim Start alle Daten bei der tp • liest das aktuelle Logfile ein • hält alle Daten des aktuellen Tages im Speicher • persistiert alle Daten des Tages auf Platte bei Endofday Event
54. Historische Datenbank • beinhaltet alle Daten, die älter als der aktuelle Tag sind
55. Performance
56. Szenario • 1 Billion Datensätze • Maschine: 16 Core Intel E5, 256 GB RAM
57. Speicherplatz kdb+ PostgreSQL MongoDB 25 GB 150 GB 245 GB
58. kdb+ PostgreSQL MongoDB 18 ms 6800 ms 8900 ms Query 1
59. Query 2 kdb+ PostgreSQL MongoDB 12 ms 5200 ms 1700 ms
60. Query 3 kdb+ PostgreSQL MongoDB 36 ms 4800 ms 5800 ms
61. kdb+
62. Demo
63. http://kx.com kostenlose 32 bit Testversion
64. Alternativen?
66. • Open Source • spaltenorientiert • seit ~1997 • SQL 2003 • Echtzeit (DataCell ) und Historie • R Integration
68. • Redshift • Closed Source & SaaS • spaltenorientiert • Historie • Kinesis • Closed Source & SaaS • Echtzeit
69. http://manning.com/wittig Michael Wittig mwittig@tecracer.de SaaS Zeitreihendatenbank TimeSeries.Guru 40% Rabatt Code cfwittigtw