Module

Suchmaschinen sind langsam, wenn sie Daten indizieren. Es dauert deshalb seine Zeit, bis neue Inhalte in den Suchergebnissen angezeigt werden. RediSearch ist eine schnelle Suchmaschine, die auf Ihren Redis-Daten läuft und Ihnen erlaubt, gerade erst indizierte Daten abzufragen, um komplexe Anfragen zu beantworten. Sie kann als Sekundärindex für Datensätze verwendet werden, die auf anderen Datenspeichern gehostet werden, als schnelle Textsuch- oder Auto-Completion-Engine und als Suchmaschine, die andere Module wie RedisGraph und RedisTimeSeries unterstützt. RediSearch ist auf einer modernen Datenstruktur aufgebaut und in C implementiert. Es verwendet ein hocheffizientes Redis-Protokolls und ist die schnellste Suchmaschine auf dem Markt. RediSearch ist funktionsreich und unterstützt viele Features wie Ranking, boolesche Abfragen, Geofilter, Synonyme, numerische Filter und Bereiche, Aggregation und vieles mehr. Es erlaubt Ihnen sogar, Ihren eigenen benutzerdefinierten Bewertungscode hinzuzufügen.

Um ein JSON-Objekt in einer nativen Redis-Implementierung zu speichern, verwenden Sie entweder eine String-Datenstruktur oder zerlegen es in Hash-Felder, wodurch Ihrer Anwendung ein Übersetzungs-Overhead auferlegt wird. RedisJSON macht JSON zu einer nativen Datenstruktur in Redis. Es ist auf die schnelle, effiziente In-Memory-Manipulation von JSON-Dokumenten mit hoher Geschwindigkeit und großem Volumen zugeschnitten. Dadurch können Sie Ihre Dokumentdaten in einem hierarchischen, baumähnlichen Format speichern und effizient skalieren und abfragen. Dadurch verbessert sich die Performance im Vergleich zu bestehenden Festplatten-basierten Dokument-Datenbanklösungen erheblich.

RedisGears is a programmable engine for Redis that runs inside Redis, closer to where your data lives. RedisGears allows cluster-wide operations across shards, nodes, data structures, and data models at a sub-millisecond speed. Using Python—and soon Java, Scala, and other JVM languages—you can program RedisGears to 1) support advanced caching use cases like write-behind/write-through; 2) control event-driven processing in a reliable way; 3) perform cluster-wide real-time data analytics; and 4) orchestrate AI serving.

Machine learning and AI inference workloads traditionally operate from the application or specialized serving layers. In many cases, AI inferencing needs to be enriched with reference data that originates in a database. As a result, multiple round-trips are required between the application/AI serving layer and the database, which significantly increases the end-to-end inferencing latency.

RedisAI implements an inference engine inside the database layer. This enables data locality between the engine and the target data, drastically reducing latency. Additionally, it provides a common layer among different formats and platforms, including PyTorch, TensorFlow/TensoRT, and ONNXRuntime. RedisAI is fully integrated with state-of-the-art AI/ML pipeline tools like MLFlow and soon Kubeflow.

Das Ausführen von Multi-Hop-Graph-Abfragen über traditionelle Graphdatenbank-Architekturen ist ineffizient und langsam, da sie auf Adjazenzlisten basieren – ein Ansatz, der für die Graphenverarbeitung suboptimal ist. RedisGraph basiert auf einem einzigartigen Ansatz und einer einzigartigen Architektur, die Cypher-Abfragen in Matrix-Operationen übersetzt, die über eine GraphBLAS-Engine ausgeführt werden. Dieses neue Design ermöglicht es, Usa Cases wie Social Graph Operation, Betrugserkennung und Echtzeitempfehlungen 10x-600x schneller als jede andere Graphdatenbank auszuführen.

Redis wird seit vielen Jahren als Echtzeit-Zeitreihendatenbank verwendet, die Anwendungsfälle wie IoT, Aktienkurse und Telemetrie unterstützt. Mit RedisTimeSeries werden Funktionen wie automatisches Downsampling, Aggregationen, Etikettierung und Suche, Komprimierung und erweiterte Mehrbereichsabfragen jetzt nativ in Redis unterstützt. Eingebaute Konnektoren für beliebte Überwachungswerkzeuge wie Prometheus und Grafana ermöglichen die Extraktion von Daten in nützliche Formate zur Visualisierung und Überwachung. Analog zu Redis ist RedisTimeSeries wesentlich schneller als jede andere Zeitreihendatenbank.

Bloom- und Cuckoo-Filter, TopK und CountMinSketch werden dank ihrer platzsparenden und zeitkonstanten Mitgliedschaftsfunktionalität weithin zur Unterstützung von Datenabfragen verwendet. Dennoch sind schnelle und effiziente Implementierungen probabilistischer Datenstrukturen nicht leicht zu entwickeln. Benchmarks haben gezeigt, dass die Redis-Implementierung für Bloom-Filter und andere probabilistische Datenstrukturen um eine Größenordnung schneller ist als andere probabilistische Implementierungen. Beim Einsatz über Redis Enterprise zeichnet sich RedisBloom durch eine lineare Skalierung, eine Failover-Zeit im einstelligen Sekundenbereich und durch Beständigkeit aus. Es bietet einfache Bereitstellung und integrierte Überwachungsfunktionen.