Multi-Modell-Datenbanken zielen darauf ab, den mit der Bereitstellung und Pflege einer unterschiedlichen Datenbank für jedes Datenmodell verbundenen Overhead zu reduzieren. Der traditionelle Ansatz für Multi-Modell-Datenbanken liefert keine echte Interaktion zwischen den verschiedenen Modellen; Sobald ein Datenmodell ausgewählt ist, ist es sehr schwierig, auf ein anderes Modell in derselben Datenbank zuzugreifen. Um dieses Problem zu lösen, entwickeln die Benutzer in der Regel eine separate Logik, die außerhalb der Datenbank läuft: entweder auf der Anwendungsebene oder über eine Server-lose Infrastruktur, die als Bindeglied zwischen den verschiedenen Datenmodellen fungiert. Eine solche Logik, die außerhalb der Datenbank liegt, verursacht einen erheblichen Mehraufwand bei der Ausführung und kann die heutigen Anforderungen an sofortige Ausführungen nicht erfüllen.
Basierend auf der Redis Modules-Architektur löst Redis Enterprise dieses komplexe Problem, indem es die Ausführung von Multi-Modell-Operationen zwischen Modulen und den Redis-Kerndatenstrukturen in einer vollständig programmierbaren und verteilten Art und Weise ermöglicht, wobei eine Latenzzeit im Sub-Millisekundenbereich beibehalten wird.
Ermöglicht die effiziente Ausführung von Datenstrukturoperationen zwischen Modulen und Modulkernen mit einer Latenzzeit von unter einer Millisekunde.
Programmieren Sie mit RedisGears jegliche Datenbanklogik, die Redis-Module und Kernoperationen in Redis kombiniert.
Migrieren Sie einfach einen vorhandenen Datensatz in Redis in eine reine Multi-Modell-Datenbank, indem Sie ein paar einfache Prinzipien implementieren, ohne dass Sie Ihre Datenbankarchitektur ändern müssen.
Aufnahme und Verarbeitung von Millionen von Daten mit Zeitstempeln pro Sekunde mit minimaler Latenzzeit und minimalem Ressourceneinsatz.
Sammeln Sie Telemetriedaten von mehreren entfernten IoT-Geräten, on-premises, in einer beliebigen Cloud oder Edge für datenbasierte Einblicke.
Gewinnen Sie durch die Integration in Prometheus, Grafana und Telegraf tiefe Einblicke in Infrastruktur und Anwendungssicherheit.
Wenden Sie maschinelle Lernmodelle in Echtzeit auf beliebige Daten in Redis an, um Transaktionen zu bewerten, Daten zu klassifizieren und Anomalien zu erkennen, die sonst so schwer zu finden sind wie bei der Suche nach der Nadel im Heuhaufen.
Ermöglichen Sie die automatische Erkennung von Mustern in großen Mengen von Streaming-Transaktionen, um False Positives auszusortieren und echte betrügerische Aktivitäten zu identifizieren.
Passen Sie die Erfahrungen durch die sofortige Bereitstellung relevanter Inhalte auf der Grundlage von Benutzerpräferenzen, Trends und Interaktionen an.
Erweitern Sie die Funktionalität, indem Sie es Modulen ermöglichen, andere Module automatisch zu entdecken und mit ihnen zu interagieren, wie z. B. RediSearch mit RedisGraph für die erweiterte Traversierung von Graphdaten.
Eliminieren Sie den mit der Speicherung mehrerer Kopien eines Datensatzes verbundenen Aufwand und vermeiden Sie Speicher-Kopiervorgänge.
