التخطيط غاري

المؤلف He Kaiduo

في 2 أكتوبر 2017 ، بتوقيت الولايات المتحدة ، تم إطلاق أحدث جيل من قاعدة بيانات Microsoft SQL Server 2017 رسميًا. يقدم SQL Server 2017 سلسلة من الوظائف والتصميمات الجديدة ، مما يعكس أحدث تفكير وممارسات Microsoft في بناء منصة البيانات. قامت InfoQ بدعوة He Kaiduo ، المدير الفني الأول لشركة Gridsum Technology ، لكتابة مقال لمناقشة وتحليل SQL Server 2017 بشكل متعمق للقراء.

اكتب في المقدمة

كانت قواعد البيانات الارتباطية هي الحل الأمثل لتخزين البيانات المنظمة لعقود. من الجامعات إلى الصناعات ، كانت قواعد البيانات العلائقية دائمًا جوهر بحث البيانات وتطبيقها ، كما أنها ولدت عددًا كبيرًا من المواهب المشاركة في تطوير قواعد البيانات وصيانتها وضبطها. في السنوات الأخيرة ، مع ولادة وشعبية العديد من قواعد بيانات NoSQL والأنظمة البيئية لتقنية Hadoop ، يبدو أن RDBMS يواجه تحديات ضخمة ، وقاعدة البيانات العلائقية التي تحمل صورة "صارمة وصلبة" كانت تغنيها السوق ذات مرة. ومع ذلك ، فقد ثبت أنه حتى في مواجهة المنافسة من العديد من النجوم الصاعدة ، فإن قاعدة البيانات العلائقية ذات التاريخ الطويل لم تختف فحسب ، بل أصبحت أقوى بمرور الوقت ، وتبتكر باستمرار ، ولا تزال تحتل موقعًا أساسيًا في العالم. بنية البيانات الخلفية الحديثة ، تنضح بالحيوية الكاملة.

تعد قاعدة بيانات Microsoft SQL Server ممثلاً بارزًا لمعسكر قاعدة البيانات العلائقية التجارية ، حيث تحتل المرتبة الأولى بين الثلاثة الأوائل في تصنيفات شعبية قاعدة بيانات DB-Engines. بفضل واجهة الإدارة الرسومية المريحة والميزات سهلة الاستخدام ، تبدأ رحلة العديد من الأشخاص إلى قواعد البيانات العلائقية باستخدام SQL Server. الآن بعد أن تم إصدار SQL Server 2017 ، فلنلقِ نظرة على الماضي والحاضر لـ SQL Server واستكشاف تطوير منصة بيانات Microsoft.

تاريخ Microsoft SQL Server نفسه أسطوري ، تم إنشاؤه في الأصل بواسطة Microsoft و Sybase و Ashton-Tate (الشركة التي طورت dBase) لنقل قاعدة بيانات Sybase SQL Server إلى نظام التشغيل OS / 2. في وقت لاحق ، مع فشل OS / 2 وقوة نظام التشغيل Windows NT ، توقفت Microsoft عن التعاون مع Sybase وبدأت في التركيز على تطوير وصيانة منتج قاعدة البيانات هذا بشكل مستقل لمنصة Windows ، وهو أصل Microsoft SQL Server. من أجل تجنب الارتباك ، أعادت Sybase أيضًا تسمية قاعدة البيانات الخاصة بها من Sybase SQL Server إلى Adaptive Server Enterprise (ASE) ، من الآن فصاعدًا ، يشير SQL Server فقط إلى قاعدة بيانات Microsoft العلائقية. بالحديث عن ذلك ، كانت منتجات قاعدة بيانات Sybase مشهورة وشائعة في مجال التمويل والصناعات الأخرى ، لكنها اختفت الآن منذ فترة طويلة.استحوذت عليها SAP في عام 2010 ، وهو أمر محرج.

بعد الانفصال عن Sybase ، كان Microsoft SQL Server يتقدم بثبات. الإصداران ، SQL Server 7.0 و SQL Server 2000 ، أكملوا بشكل أساسي عددًا كبيرًا من عمليات إعادة الكتابة والإضافات استنادًا إلى كود Sybase الأصلي ، ودخلوا رسميًا في صفوف قواعد البيانات على مستوى المؤسسة ؛ في حين أن SQL Server 2005 قد نضج بالفعل ، وهو الآن متوافق مع Oracle و IBM DB2. شكل اتجاه ثلاثي المحاور لقواعد البيانات التجارية. منذ ذلك الحين ، خضع SQL Server لاستثمارات مستمرة وتطور مستمر في إصدارات 2008 و 2008 R2 و 2012 و 2014 و 2016 ، حتى تم إصدار أحدث إصدار من SQL Server 2017 رسميًا في 2 أكتوبر 2017 ، وهو بطل الرواية لهذه المقالة .

مراجعة السنوات الأخيرة

قبل أن نبدأ في تحليل الميزات الجديدة لـ SQL Server 2017 ، دعنا نلقي نظرة على تركيز SQL Server في السنوات الأخيرة ونلقي نظرة على أفكار التطوير الخاصة به.

إحدى نقاط التركيز هي OLAP. قاعدة البيانات العلائقية التقليدية هي بشكل عام وحدة المعالجة والتخزين الأساسية للسلوك ، وذلك لتسهيل إضافة وحذف وتعديل سجلات البيانات. ولكن في مواجهة تحليلات البيانات المتزايدة واستفسارات التجميع ، يمكن أن يكون التخزين والمعالجة على أساس الصفوف خرقاء وغير فعالين. تحقيقًا لهذه الغاية ، في SQL Server 2012 ، الاسم الرمزي Denali ، قدمت Microsoft محركًا جديدًا للتخزين والتحليل العمودي xVelocity ، مما يمنح SQL Server تنفيذ تخزين عمودي عالي الجودة ، فضلاً عن دعم التوجيه ومعالجة الدُفعات. محرك تنفيذ الاستعلام. من الآن فصاعدًا ، يمكن لجداول البيانات الموجهة OLAP أن تختار إنشاء فهرس غير متفاوت قائم على العمود (فهرس مخزن أعمدة غير متفاوت) ، مما يحسن أداء الاستعلامات التحليلية بشكل كبير. في الإصدارات اللاحقة من SQL Server ، تم تحسين الميزات المتعلقة بمخزن الأعمدة بشكل مستمر وتحسينها. ولم يتم تقديم فهرس مخزن الأعمدة المتفاوت (Clustered Column Store Index) لتمكين تخزين جداول البيانات بالكامل في أعمدة ، ولكن أيضًا من خلال آلية Delta-Store. يتحقق دعم تحديث البيانات لجدول تخزين العمود ، مما يوسع سيناريوهات التطبيق ويعزز قابلية الاستخدام.

لا يزال المؤلف يتذكر الصدمة بوضوح عندما جربت فهرس مخزن الأعمدة في SQL Server 2012 لأول مرة على Thinkpad T410 الخاص بي منذ عدة سنوات.كما أن استعلام التحليل لما يقرب من 100 مليون صف من البيانات أعاد النتائج في غضون بضع ثوانٍ على جهاز عادي دفتر امر مذهل وانطباع عميق. بعد سنوات من التلميع ، يمكن القول أن تنفيذ تخزين الأعمدة من Microsoft أصبح أحد أكثر تصميمات تخزين الأعمدة كفاءة وموثوقية في العالم. التقنيات ذات الصلة حققت Microsoft درجة معينة من المخرجات الخارجية: من خلال التعاون مع HortonWorks ، ساهمت Microsoft بالكثير من التعليمات البرمجية (تسمى مشروع Stinger) في مشروع Apache Hive في عالم مفتوح المصدر لمساعدة Hive على الإسراع ، وإدارته الأيديولوجية يأتي essence أيضًا من محرك التحليل والتخزين العمودي xVelocity لـ SQL Server.

التركيز الثاني على OLTP. قواعد البيانات العلائقية التقليدية جيدة بالفعل في OLTP ، فما الذي يمكن تحسينه؟ تتمثل المشكلة التي أحدثتها العملية التاريخية لتطوير الكمبيوتر في أن معظم آليات تخزين قاعدة البيانات الكلاسيكية مصممة ومُحسّنة لهيكل القرص ، وموارد الذاكرة باهظة الثمن في الأصل هي ذاكرة تخزين مؤقت. مع التطوير المستمر لتقنية الأجهزة والزيادة المستمرة لذاكرة الخادم ، يمكن في الواقع دمج تخزين البيانات وفهرستها في العديد من السيناريوهات بشكل كامل في الذاكرة - وهذا يوفر ظروفًا لمحركات قواعد البيانات المستندة إلى الذاكرة. عندما يتم تحسين وتصميم محرك قاعدة بيانات وتخزينه بالكامل في الذاكرة ، يمكن أن تكون الزيادة في الأداء مذهلة. استثمرت Microsoft بكثافة في هذا المجال منذ بضع سنوات. تم الإعلان لأول مرة عن تقنية قواعد البيانات في الذاكرة التي تحمل الاسم الرمزي Hekaton في نهاية عام 2012 ، ثم تم إصدارها رسميًا باستخدام SQL Server 2014. من خلال نموذج التزامن الخالي من القفل وإجراءات التخزين المُجمَّعة أصلاً المكتوبة بلغة SQL ، يمكن لشركة Hekaton غالبًا تحقيق عشرات المرات من تحسين الأداء مقارنة بالحلول التقليدية ، وتغيير تصميم العديد من الأنظمة تمامًا. لقد أدركت الفكرة دعم سيناريوهات الحمل العالي التي كان من الصعب تحقيقه من قبل.

كما ترى ، اعتبارًا من إصدار SQL Server 2016 ، فإن منتج Microsoft الرئيسي هذا قوي جدًا وكامل بالفعل ، مما يوفر اندماجًا مثاليًا لأحمال عمل OLAP و OLTP داخل منتج واحد. لذا في عام واحد فقط ، ما هي المفاجآت الجديدة التي يمكن أن يأتي بها أحدث إصدار من SQL Server 2017؟ لنلقي نظرة.

عبر الأنظمة الأساسية ونقل الميزات الجديدة في حاويات

التغيير الأول الذي يجب أن يذكره SQL Server 2017 ليس وظيفة محددة ، بل تغيير في بيئة التشغيل: دعم خوادم Linux. هذه هي المرة الأولى التي يتم فيها تشغيل مجموعة منتجات Microsoft SQL Server رسميًا على نظام Linux ، بدعم رسمي كامل. هذا بلا شك يوسع بشكل كبير سيناريوهات التطبيق ومجموعات العملاء لـ SQL Server. يجب أن تعلم أنه على الرغم من أن ترخيص Windows Server ليس مكلفًا ، إلا أنه بالنسبة للعديد من الشركات التي تعمل بنظام Linux باعتباره مجموعة التكنولوجيا الرئيسية الخاصة بها ، فإنها لن تفكر في شراء وتشغيل الخوادم الخلفية المستندة إلى Windows - لذلك عند اختيار التقنيات ، قد يتم استبعاد SQL Server في المقام الأول. عندما يدعم SQL Server 2017 نظام Linux رسميًا ، لن تكون هذه العقبة موجودة ، ويمكن لـ SQL Server أخيرًا التنافس مع المنافسين في ساحة معركة جديدة ، مما سيساعد بلا شك على زيادة حصتها في السوق.

بطبيعة الحال ، فإن SQL Server ، الذي يبدو أنه مقترن بعمق بنظام Windows ، يعمل بشكل مثالي على Linux ، وهي ليست مهمة سهلة بأي حال من الأحوال. كيف يتم ذلك؟ هناك عاملان رئيسيان هنا:

أحدهما هو أن SQL Server يحتوي في الأصل على بنية أساسية أساسية تسمى SQL OS. يمكن لهذا المكون تجاوز قيود نظام التشغيل و Win32 API ، وإدارة وتنظيم موارد الحوسبة والتخزين مثل وحدة المعالجة المركزية والذاكرة ، وتنفيذ مؤشرات الترابط التي تناسب نفسه. الجدولة للاستفادة الكاملة من أداء الأجهزة الأساسي ؛

والثاني هو مشروع DrawBridge من Microsoft Research ، والذي تم استخدامه في الأصل لتنفيذ آلية وضع الحماية للتطبيق. يعتمد مكون Library OS الخاص به على حوالي 50 استدعاءًا أساسيًا للنواة فقط لتنفيذ أكثر من ألف واجهة برمجة تطبيقات Windows شائعة الاستخدام. مكونات أخرى مثل MSXML و توفر CLR إمكانيات الاستضافة.

استنادًا إلى هذين الأسسَين الحاليين ، قام فريق SQL Server بمحاولة رائعة ، وأجرى عمليات إعادة الكتابة الضرورية ودمج الاثنين بشكل كامل ، وشكل جيلًا جديدًا من SQLPAL (طبقة تجريد النظام الأساسي لـ SQL). تم نقل كلاهما إلى SQLPAL - المفتاح إلى أن تكون SQL Server قادرة على أن تكون مشتركة بين الأنظمة الأساسية في فترة زمنية قصيرة. في الوقت نفسه ، لا تدفع SQLPAL ، وهي آلية تجريد خاصة ، سعر الأداء الناتج عن التجريد بالمعنى المعتاد ، لأنها تتجاوز قيود نظام التشغيل إلى حد معين وتبني عملياتها الخاصة من أسفل إلى أعلى. .

مبدأ تطبيق SQL Server على Linux

كما ذكرنا سابقًا عند مراجعة التاريخ ، كافح SQL Server ليصبح مستقلاً وينمو في التسعينيات ، مع التركيز الاستراتيجي على نظام Windows الأساسي. وبعد أكثر من 20 عامًا ، اتخذ SQL Server الآن خطوة رئيسية في تبني Linux ، وهو أيضًا تعديل استراتيجي. يبدو أن التاريخ يعيد نفسه ، لكنه في الواقع هو أفضل خيار عمل في أوقات مختلفة وبيئات مختلفة.

من أجل مرافقة SQL Server على Linux ، تعاونت Microsoft أيضًا مع مزودي Linux المعتمدين مثل Red Hat لتزويد العملاء بحلول متكاملة لضمان الموثوقية على مستوى نظام التشغيل والتوافق مع SQL Server. يمكن حاليًا تثبيت SQL Server على Red Hat Enterprise Linux و SUSE Linux Enterprise Server و Ubuntu. إلى جانب دعم Linux ، يأتي دعم الحاويات. يعمل SQL Server 2017 الآن بشكل لا تشوبه شائبة مع Docker ، وأصدرت Microsoft صورة SQL Server رسمية تستند إلى SQL Server على Linux على Docker Hub (تقدم Microsoft أيضًا إصدارًا لحاويات Windows). النقطة الأساسية في حاوية SQL Server هي دعم DevOps. في الماضي ، كان من الصعب بدء أو إيقاف تشغيل مثيل قاعدة بيانات للخدمة الشاقة مثل SQL Server عند الطلب وبشكل تلقائي. بشكل عام ، كان من الضروري تثبيت بيئة قاعدة البيانات ذات الصلة وإعدادها مسبقًا. الآن ، بمساعدة الحاويات والصور ، يمكننا بسهولة بدء تشغيل SQL Server وإيقافه بسهولة من خلال Docker ، ومن السهل التكامل مع عمليات DevOps من خلال البرامج النصية.

قام المؤلف مرة واحدة بهذه المحاولة في إحدى مكتبات فئة مفتوحة المصدر الخاصة بي ، وترحيل السلسلة الأصلية من اختبارات التكامل التي تعتمد على SQL Server LocalDB إلى حاوية SQL Server الجديدة ، وأزال بنجاح الحاجة إلى تثبيت SQL Server في الاختبار المحلي بيئة التشغيل ، والتي تمهد الطريق أيضًا لإجراء الاختبارات في بيئة CI بعيدة. بالطبع ، بالإضافة إلى تطبيقات DevOps ، يمكنك أيضًا محاولة استخدام SQL Server المعبأ في حاويات مباشرةً في بيئة الإنتاج ، بحيث يمكن أيضًا توحيد قاعدة البيانات في نطاق تنسيق الحاوية في بيئة الإنتاج. نظرًا لمحدودية المساحة ، لن يتم توسيعها هنا.

كما ذكرنا أعلاه ، انتقل SQL Server 2017 من الإستراتيجية الأصلية المتمثلة في التمسك بنظام Windows إلى دعم الأنظمة الأساسية الثلاثة لـ Linux وحاويات Docker و Windows. سيكون لهذا القرار بلا شك تأثير عميق على SQL Server وحتى سوق قواعد البيانات.

الميزات الجديدة لمعالجة بيانات الرسم البياني

التعلم من NoSQL الناشئة هو أيضًا سمة مهمة لتطور قواعد البيانات العلائقية الحديثة. على سبيل المثال ، أصبحت بيانات JSON التي تعد قواعد بيانات المستندات جيدة في معالجتها أيضًا مواطنًا من الدرجة الأولى في SQL Server 2016 ، وتم دعمها بالكامل من حيث التخزين والفهرسة والاستعلام. في SQL Server 2017 ، كان هذا المخضرم القديم في قاعدة البيانات يواكب العصر وبدأ في التعلم من النجوم الصاعدة مثل Neo4j ، حيث قدم بجرأة معالجة ودعم بيانات الرسم البياني.

كما نعلم جميعًا ، فإن الكيانات الأساسية لقواعد بيانات الرسم البياني هي العقد والحواف ، والتي عادةً ما تحتوي على بعض السمات ، ثم ترتبط العقد ببعضها البعض من خلال الحواف. في قاعدة البيانات العلائقية التقليدية ، ليس من الصعب وضع نموذج للرسم البياني ، حيث يمكن التعبير عن معلومات الرسم البياني بالكامل عن طريق إنشاء جداول منفصلة للعقد والحواف وربطها من خلال مفاتيح خارجية. ومع ذلك ، فإن المشكلة الرئيسية تكمن في أداء الاستعلام والاستعلام: التعبير عن بعض استعلامات الرسم البياني النموذجية غير دقيق وصعب في قواعد البيانات العلائقية التقليدية ، خاصةً عندما تكون القفزات المتعددة بين عقد الرسم البياني مطلوبة. يكون التأليف أكثر عرضة للخطأ والاستعلام لا يمكن ضمان الأداء.

تحاول ميزة قاعدة بيانات الرسم البياني في SQL Server 2017 حل هاتين المشكلتين ، فهي لا تزال تصمم وتخزن معلومات الرسم البياني في شكل جداول ، لكنها تضيف امتدادات إضافية تعمل على تحسين سهولة الاستخدام بشكل كبير. عند إنشاء جدول ، يمكنك الآن تحديد أن الجدول عبارة عن جدول عقدة (AS NODE) أو جدول حافة (AS EDGE) في قاعدة بيانات الرسم البياني من خلال بناء جملة T-SQL الموسع ، ثم يضيف SQL Server ضمنيًا $ node_id إلى الجدول أو الحقول مثل $ edge_id و $ from_id و $ to_id وما إلى ذلك للمساعدة في تسجيل العلاقة بين العقد والعقد ؛ عند الاستعلام ، يستعير SQL Server 2017 جزءًا من بناء جملة لغة الاستعلام Cypher في Neo4j إلى مدى ، ويساعد عن طريق إدخال الكلمة الأساسية MATCH يعبر المستخدم عن جولة العقدة في الرسم البياني الموجه بطريقة ASCII-art ، وفي نفس الوقت يتم دمجها تمامًا في نظام استعلام SQL الحالي. دعنا نلقي نظرة على مثال استعلام رسمي:

يمكن ملاحظة أن جزء T-SQL أعلاه يمكن أن يعبر بسهولة عن "مطعم صديق جون المفضل" ، وهو استعلام "قفزة ثنائية" يحتوي على نوعين مختلفين من الروابط ، كما يتم تمثيل الأسهم المعبر عنها بأحرف ACSII بشكل جيد. حافة. بالمقارنة مع طريقة كتابة SQL التقليدية مع نفس الدلالات ، فإن مثل هذا التعبير هو بلا شك أكثر وضوحًا وبديهية.

ظهرت ميزات قاعدة بيانات Graph لأول مرة في SQL Server 2017. بالطبع ، بما أن هذه الميزة قد تم تقديمها لأول مرة ، من الناحية الموضوعية ، فإنها لم تصل إلى مستوى النضج الكامل. على سبيل المثال ، لا يدعم الاستعلامات المتقدمة المستخدمة بشكل شائع في قواعد بيانات الرسم البياني ، مثل الإغلاق المتعدي (حكم الاتصال لعدد غير محدود من القفزات بين العقد) وتعدد الأشكال (الاستعلام عن أنواع العقد المختلفة التي يمكن أن تصل إليها العقدة). فيما يتعلق بالأداء ، يستخدم SQL Server حاليًا بشكل أساسي الفهارس الحالية للجداول ثنائية الأبعاد وتحسين الانضمام إلى الجدول الذي تم إجراؤه بواسطة مُحسِّن الاستعلام ، ولم يقدم بنية بيانات خاصة محسّنة للرسوم البيانية. من المتوقع أن تؤدي ترقيات الإصدار والتحديثات اللاحقة إلى مزيد من التحسينات في هذه الاتجاهات.

ميزات جديدة للتعلم الآلي في قاعدة البيانات

التعلم الآلي هو بلا شك كلمة ساخنة في السنوات الأخيرة وجزء لا يتجزأ من تطبيقات البيانات الحديثة. على الرغم من أن Microsoft تتمتع بقوة بحثية وإنجازات قوية في هذا المجال ، إلا أنها تبدو بطيئة في بناء نظام بيئي للتطوير ذي الصلة. على الرغم من أن خدمة تحليل SQL Server في السنوات الأولى كانت تحتوي أيضًا على وظائف استخراج البيانات المضمنة ، إلا أن سيناريوهات الاستخدام كانت محدودة للغاية نظرًا لإرهاقها وصعوبة تكامل البرنامج. بدأت Microsoft في اكتساب الزخم تدريجيًا في السنوات الأخيرة فقط: في أوائل عام 2015 ، أدرجت Microsoft بشكل حاسم Revolution Analytics. يعد هذا الاستحواذ أمرًا بالغ الأهمية ، حيث يوفر لشركة Microsoft حلاً شاملاً مفتوح المصدر وتجاريًا لنظام لغة R الإيكولوجي ، والذي يغطي مجتمع لغة R الكبير ومجموعة علماء البيانات.

كقاعدة بيانات علائقية كلاسيكية ، كيف يستجيب SQL Server ويتكيف مع هذا الاتجاه الجديد؟ بالاستفادة من الاستحواذ على Revolution Analytics ، يوفر إصدار SQL Server 2016 خدمات SQL Server R الرائدة: القدرة على تشغيل لغة R ونظامها البيئي مباشرة كخدمة داخل بيئة SQL Server. في SQL Server 2017 ، تمت إضافة دعم لغة أخرى مع نظام بيئي قوي للذكاء الاصطناعي: Python. تمت إعادة تسمية خدمات R الأصلية أيضًا إلى Machine Learning Services جنبًا إلى جنب مع خدمة Python التي تم تقديمها حديثًا.

تتمثل فكرة المنتج الأساسية لخدمات التعلم الآلي في تشغيل أحمال عمل التعلم الآلي مباشرة داخل قاعدة البيانات. فهي تسمح لنصوص Python / R المألوفة والعديد من مكتبات التعلم الآلي بالعمل على خادم قاعدة البيانات والتفاعل بسلاسة مع SQL. ما فوائد مفهوم التصميم هذا مقارنة بالتعلم الآلي المستقل التقليدي خارج قاعدة البيانات؟ في رأي المؤلف ، تكمن ميزته الأساسية في كلمة "التكامل" ، والتي يمكن فهمها من عدة جوانب:

أحدهما هو تكامل البيانات المريح ، أي أنه يمكنك استخدام SQL للوصول إلى بيانات الأعمال المختلفة دون تحريك البيانات المعقدة وإعدادها ، وتوفير خوارزميات الذكاء الاصطناعي المختلفة من Python / R كمدخلات ؛ والثاني هو تكامل النموذج الفعال ، أي التدريب المكتمل يمكن إدارة النموذج وتخزينه باستخدام SQL Server. عند استخدام النموذج ، يمكن استدعاؤه بسهولة والحصول عليه من خلال الإجراءات المخزنة. سيساعدك SQL Server تلقائيًا على إكمال نقل البيانات الفعال والتنفيذ بين محرك التنفيذ ووقت تشغيل Python / R البيئة. التسلسل ؛ الثالث هو تكامل التطبيقات غير المؤلم ، أي أنه يمكن للتطبيقات الحصول على إمكانات التعلم الآلي من خلال اتصالات قواعد البيانات التقليدية والإجراءات المخزنة التي ترجع القيم ، بدون طقوس معقدة وبنيات مخصصة ، كل شيء يتوافق مع الوصول إلى قاعدة البيانات التقليدية.

بالطبع ، من الناحية الموضوعية ، فإن تصميم التعلم الآلي داخل قاعدة البيانات له أيضًا قيود فنية ، خاصة من حيث قابلية التوسع: نظرًا للاستهلاك الكبير لموارد الحوسبة المطلوبة لتدريب النموذج ، قد يصبح خادم واحد عنق زجاجة محتمل. على الرغم من أنه يمكن استخدام مكتبات الدرجة التجارية التي تدعم تعدد مؤشرات الترابط وتسريع وحدة معالجة الرسومات ، مثل ScaleR / ScalePy / MicrosoftML ، التي تتفوق في الأداء على تطبيقات R مفتوحة المصدر ، في SQL Server ، إلا أنها قد تظل غير مناسبة للمواقف التي يكون فيها حجم البيانات كبيرًا جدًا أن مجموعة كبيرة الحجم مطلوبة للتدريب. بالإضافة إلى ذلك ، أثيرت مخاوف بشأن التطوير والاختبار والتكاليف التشغيلية لدمج نصوص Python / R في قاعدة البيانات. هذه أيضًا مجالات ستدرس Microsoft تحسينات في المستقبل ، وقد بذلت R Tools for Visual Studio بعض الجهود في هذا الصدد.

مقارنة بالحلول المماثلة ، تتمتع خدمات التعلم الآلي لـ SQL Server بمزاياها الفريدة. يجعل مفهوم التعلم الآلي داخل قاعدة البيانات من تبني الذكاء الاصطناعي أبسط وأكثر وضوحًا ، مما يعني خفض تكاليف البحث والتطوير ووقت مبكر للتسويق. وهي مناسبة بشكل خاص لتجريب وترقية تطبيقات المؤسسة القائمة على SQL Server للتعلم الآلي. دعونا نتطلع إلى ولادة المزيد من الحالات العملية والمزيد من التحسين.

ميزة جديدة لمعالجة الاستعلام التكيفي

إذا كان التعلم الآلي داخل قاعدة البيانات يجلب الذكاء لتطبيقات المطورين ، فهل يمكن لمحرك تنفيذ استعلام SQL Server أن يصبح أكثر ذكاءً وذكاءً؟ الإجابة هي نعم ، هذا اتجاه تطوير آخر لـ SQL Server 2017 ، وتسمى سلسلة من الميزات ذات الصلة معالجة الاستعلامات التكيفية.

يكمن مفتاح التنفيذ الفعال لاستعلامات SQL في صياغة خطة تنفيذ معقولة. بشكل عام ، يتم إنشاء خطة التنفيذ قبل تنفيذ الاستعلام. غالبًا ما يتم تخزين خطط التنفيذ المتزامنة مؤقتًا بحيث يمكن للاستعلامات من نفس النموذج إعادة استخدام خطة الاستعلام لتحسين أداء الاستعلام الكلي - والذي يبدو كل شيء لطيفًا ، أليس كذلك؟ ومع ذلك ، في البيئة الفعلية ، تواجه الآلية الدقيقة المذكورة أعلاه تحديات مختلفة ومشاكل صعبة. على سبيل المثال ، غالبًا ما تكون الاستعلامات ذات المعلمات "حساسة" لإدخال المعلمات ، وستؤدي المعلمات المختلفة إلى تقلبات كبيرة في حجم نتائج البيانات ، مما يجعل من الصعب التنبؤ واختيار خطة الاستعلام المثلى مسبقًا ؛ مثال آخر هو أن المعلومات الإحصائية هي لم يتم تحديثه في الوقت المناسب ، مما أدى إلى نتائج وسيطة. تم اختيار الخطة الخاطئة بسبب تقدير حجم المجموعة الخاطئ ؛ مثال آخر هو استخدام تلميحات لحل المشكلات قصيرة الأجل ، مما يؤدي إلى تأثير معاكس على المدى الطويل ، وما إلى ذلك.

من أجل التخفيف من نقاط الألم المذكورة أعلاه ، من الضروري تقديم ذكاء وقت التنفيذ والضبط الذاتي.تم استكشاف وتنفيذ معالجة الاستعلام التكيفية لـ SQL Server 2017 بشكل مفيد. الفكرة الأساسية هي تأخير إنشاء خطة التنفيذ الكاملة إلى حد معين ، والانتظار حتى يتم وضع بعض مجموعات المدخلات الفعلية قبل تحديد استراتيجية وضع تنفيذ المصب. على سبيل المثال ، يمكن لعامل الربط التكيفي الذي تم إدخاله حديثًا أن يختار ديناميكيًا ما إذا كان يجب أن تستخدم استراتيجية الانضمام حلقة متداخلة أو ربط تجزئة استنادًا إلى الحجم الدقيق لإدخال بيانات المنبع ؛ مثال آخر هو وظيفة الجدول متعدد العبارات (MSTVF) التي لم تعد يستخدم مقدارًا ثابتًا من الممكن تنفيذ الوظيفة أولاً ثم صياغة خطة تنفيذ المصب لضمان كفاءة تنفيذ أفضل. تم تصنيف هذه الميزات الجديدة بدرجة عالية من قبل مسؤولي قواعد البيانات "لتجنب نصف عمل ضبط أداء الاستعلام الأسبوع الماضي".

بالإضافة إلى تأخر إنشاء الخطة في وقت التنفيذ ، يمكن لنظام قاعدة البيانات أيضًا الحصول على تعليقات من الاستعلامات المنفذة بالفعل ، بحيث يمكن للاستعلامات المتجانسة اللاحقة الحصول على خطط استعلام أكثر ملاءمة ، وهو شكل أكثر تقدمًا للتنفيذ يتجاوز التخزين المؤقت لخطة التنفيذ البسيطة. في هذا الصدد ، يقوم SQL Server 2017 بتنفيذ وظيفة التعليقات لمنح الذاكرة في وضع الدُفعات ، والتي يمكن أن تساعد الاستعلامات اللاحقة في تعلم "الدروس المستفادة" من ممارسة تخصيص الذاكرة للاستعلامات السابقة وتحقيق تقدير وتخصيص دقيق لموارد الذاكرة.

يمكن ملاحظة أن SQL Server 2017 بدأ في ممارسة قوته في تنفيذ الذكاء من خلال معالجة الاستعلام التكيفية ، وتحقيق التكيف التلقائي والتحسين في سلسلة من السيناريوهات ، وفي نفس الوقت يكون شفافًا للمطورين. القيد الحالي هو أن العديد من الميزات المذكورة أعلاه متاحة فقط في وضع الدُفعات (كما هو موضح في الاستعلامات مقابل مخازن الأعمدة) ، وليس في وضع المعالجة التقليدي المستند إلى الصف. من المعتقد أن Microsoft ستضيف المزيد من الدعم لوضع معالجة الصف في هذا المجال في المستقبل لتوسيع السيناريوهات القابلة للتطبيق لمعالجة الاستعلام التكيفي.

SQL Server والبيانات الضخمة

في عصر البيانات الضخمة ، تظهر أطر معالجة البيانات والحوسبة الموزعة التي يمثلها Hadoop في تدفق لا نهاية له ، مما يحقق ازدهارًا بيئيًا غير مسبوق ؛ و SQL على حلول Hadoop التي يمثلها Hive و Impala و Presto وما إلى ذلك تأثير قوي. في مثل هذا العصر ، تعتبر قواعد البيانات العلائقية محرجة بعض الشيء بالفعل. إذن ، كيف يستجيب SQL Server لموجة "البيانات الضخمة" ويتبناها؟

تتمثل إحدى الاستجابات في تعزيز قدرات تخزين البيانات ومعالجتها الخاصة بـ SQL Server وتوسيع سيناريوهات التطبيق ، أي "يمكن لـ SQL Server أيضًا التعامل مع البيانات الضخمة." بفضل التطوير المستمر لتقنية أجهزة الخادم ، تم تحسين قدرة وسعة معالجة خادم واحد بشكل مستمر ، ومع آلية التقسيم الممتازة وضغط تخزين العمود ، تمكن SQL Server بالفعل من معالجة قدر كبير من البيانات. في العام الماضي ، تعاونت Microsoft و Intel في تجربة مثيرة للاهتمام ، باستخدام خادم SQL Server واحد لاستضافة ما يصل إلى 100 تيرابايت من البيانات ، وأجروا اختبارات مفصلة ، وكان أداؤها الشامل مفاجئًا. يمكن أن يلبي حجم مئات التيرابايت بالفعل احتياجات العديد من التخزين والحوسبة "البيانات الضخمة". في العديد من السيناريوهات ، يكون SQL Server أسهل في الإدارة والصيانة ، وله بنية مستقرة وبسيطة ، وهو خيار تكلفة إجمالية أقل من حل مجموعة Hadoop المشتبه به في الهندسة الزائدة.

بالطبع ، إذا واجهت بيانات أعلى من مستوى PB ، فسيظل خادم واحد ممتدًا. بالنسبة لهذا المستوى من البيانات ، تمتلك Microsoft حل منتج يسمى SQL Server Parallel Data Warehouse (PDW للاختصار) ، والذي يمكن فهمه على أنه متغير موزع لـ SQL Server. إنه نموذج تحليلي MPP يعتمد على جوهر قاعدة بيانات SQL Server. . تُباع أجهزة PDW عادةً بطريقة متكاملة من البرامج والأجهزة بالتعاون مع الشركات المصنعة للأجهزة ، والتي يمكنها بسهولة دعم تخزين البيانات على نطاق PB وتحليلها.

الاستجابة الثانية هي المشاركة والتكامل بشكل كامل مع حلول البيانات الضخمة مفتوحة المصدر ، وخاصة المعيار الفعلي للبيانات الضخمة: Hadoop. بطل الرواية هنا هو تقنية PolyBase التي قدمتها Microsoft رسميًا في SQL Server 2012 PDW. الآن لم يعد حصريًا لإصدار PDW وأصبح جسرًا مهمًا بين SQL Server القياسي و Hadoop. القدرة الأساسية لـ PolyBase هي السماح بتحديد الجداول الخارجية الموجهة لـ Hadoop في سياق SQL Server ، وتنفيذ SQL مقابل الجداول الخارجية - وهي فكرة تصميم مشابهة جدًا لجداول Hive الخارجية وامتداد FDW الخاص بـ PostgreSQL. بناءً على هذه القدرات الأساسية ، من السهل استيراد كميات كبيرة من البيانات من Hadoop إلى SQL Server ، وتصدير بيانات SQL Server بشكل عكسي إلى مجموعات البيانات الكبيرة. مقارنةً بحل نقل البيانات البسيط مثل Sqoop ، يتمتع PolyBase بأداء أفضل من ناحية (استنادًا إلى الوصول المباشر إلى HDFS بدلاً من MapReduce) ، ومن ناحية أخرى ، فإنه يستفيد من تجريد الجداول الخارجية ، والتي يمكن استخدامها بدون بيانات Hadoop الخارجية. استعلام مشترك مع جدول قاعدة البيانات المحلي.

يمكن أن نرى مما سبق أنه في مواجهة موجة البيانات الضخمة المتصاعدة ، لم تكتف مايكروسوفت بما حققته من أمجاد. أثناء تعزيز قدراته الخاصة ، اختار SQL Server أيضًا التعايش بانسجام مع النظام البيئي للبيانات الضخمة والتكامل مع بعضها البعض.

SQL Server والحوسبة السحابية

إن تطوير الحوسبة السحابية اليوم على قدم وساق ، لذا فإن تبني ودعم السحابة هو أيضًا واجب منزلي يحتاج كل منتج من منتجات قاعدة البيانات إلى القيام به بشكل جيد. في هذا الصدد ، يعد SQL Server من أفضل الشركات أداءً وجزءًا مهمًا من إستراتيجية الحوسبة السحابية لشركة Microsoft.

كخطوة أولى نحو تبني السحابة ، قدمت Microsoft بشكل غير مفاجئ SQL Server كخدمة PaaS. تم إصدار هذه الخدمة بالفعل في وقت مبكر من عام 2010 ، عندما تم تسميتها SQL Azure ، ثم أعيدت تسميتها لاحقًا بقاعدة بيانات Azure SQL. بالنسبة لقواعد البيانات التجارية التقليدية ، عادة ما تكون عملية الشراء والتثبيت طويلة ، وحتى إذا كان المطورون مهتمين ، فهناك تكلفة تجريبية عالية نسبيًا - لقد أدى ظهور قاعدة بيانات Azure SQL إلى تغيير هذا تمامًا ، ما عليك سوى النقر فوق بوابة Azure ، وهي قاعدة بيانات مُدارة المثيل جاهز للذهاب. لقد أدى هذا التغيير في نموذج العمل بلا شك إلى خفض عتبة استخدام قواعد بيانات Microsoft بشكل كبير وتوسيع سيناريوهات الاستخدام.

من الناحية الفنية ، فإن قاعدة بيانات Azure SQL ليست بأي حال من الأحوال بسيطة مثل توفير خدمات SQL Server من خلال الأجهزة الافتراضية. إنها منتج PaaS مصمم للبيئات السحابية استنادًا إلى إمكانات SQL Server. فهو لا يحتوي فقط على ميزات SQL Server الغنية ، ولكنه يحتوي أيضًا تتم مزامنة ترقيات الوظيفة نفسها ، ولها خصائص تحجيم مرنة جيدة. تستخدم قاعدة بيانات Azure SQL مفهوم وحدة معاملات البيانات (DTU) لوصف مستوى أداء مثيل قاعدة بيانات SQL. يمكن للمستخدمين ضبط حجم مثيل قاعدة البيانات DTU في أي وقت لمطابقة أحمال العمل ومستويات الأداء في فترات زمنية مختلفة ، مما يوفر التكاليف بشكل فعال. بالإضافة إلى ذلك ، تدعم قاعدة بيانات Azure SQL أيضًا ميزة التجمع المرن (تجمع مرن) ، والذي يسمح لمجموعة من مثيلات قاعدة البيانات بمشاركة تجمع موارد ، وهو مناسب بشكل خاص للتطبيقات متعددة المستأجرين من نوع SaaS.

يعد Azure SQL Data Warehouse ، الذي تم الإعلان عنه في مؤتمر Build 2015 التابع لشركة Microsoft ، أحد أقرباء SQL Server في السحابة. إنه في الأساس الإصدار السحابي لـ SQL Server PDW المذكور أعلاه ، وهو مستودع بيانات موزع يمكن استخدامه في حوسبة وتحليل البيانات على نطاق واسع. التكنولوجيا الأساسية لـ SQL Data Warehouse ، بالإضافة إلى الجدولة الموزعة ، هي فهرس مخزن العمود الذي يعمل على تخزين SSD. مقارنةً بالمنافس الرئيسي AWS RedShift ، يستفيد Azure SQL Data Warehouse من مفهوم فصل Azure للتخزين والحوسبة. لا يمكنه فقط ضبط قوة الحوسبة ديناميكيًا ، ولكن حتى "إيقاف التشغيل" ، أي إيقاف طاقة الحوسبة مؤقتًا وفقط الاحتفاظ بالتخزين - هذا في كثير من الحالات.تخزين البيانات هو ميزة قاتلة يمكن أن توفر الكثير من المال ، ولهذا السبب يختار العديد من العملاء Azure.

بالطبع ، لا يزال من الضروري في بعض الأحيان تشغيل SQL Server في شكل VM على Azure لاختراق قيود بعض قواعد البيانات السحابية في شكل PaaS ، مثل استخدام SQL Agent أو تثبيت برامج دعم أخرى على الجهاز الظاهري. في هذه الحالة ، يوفر Azure أيضًا جهازًا ظاهريًا مناسبًا لـ SQL Server. من خارج الصندوق ، سيتم أيضًا حساب رسوم ترخيص قاعدة البيانات وفقًا لوقت الاستخدام.

كشكل آخر من أشكال احتضان الحوسبة السحابية ، يعلق SQL Server أيضًا أهمية كبيرة على التشغيل البيني السحابي ، باستخدام السحابة كملحق خاص بها ، والاندماج في نظام النظام الأساسي للبيانات السحابية. بادئ ذي بدء ، منذ إصدار 2016 ، بدأ SQL Server في دعم استخدام السحابة كامتداد لقاعدة البيانات. من خلال وظيفة Stretch Database ، يمكن تحميل البيانات الباردة في قاعدة البيانات المحلية تلقائيًا وبسلاسة إلى Azure cloud ، ولا يتطلب الاستعلام الأمامي أي تعديل.. ثانيًا ، يمكن أيضًا دمج SQL Server بسلاسة في حلول البيانات الضخمة المستندة إلى السحابة ، مثل Azure Data Lake الخاص بشركة Microsoft أو HDInsight المستند إلى HDP والمدعوم من Hortonworks ، من خلال تقنية PolyBase المتطورة باستمرار.

الآفاق والآفاق

يعتبر خادم SQL Server اليوم في أوج نشاطه ، ولم يعد الجيل الشاب "مناسبًا فقط للمؤسسات الصغيرة والمتوسطة الحجم". من خلال كسب عملاء قياسيين مثل Nasdaq و NTT DoCoMo ، يقوم SQL Server بشن هجوم شامل وقهر المدينة ولم يعد يخاف من أي منافسين. يمكن لتقارير Magic Quadrant الصادرة عن Gartner في السنوات الأخيرة أن تؤكد هذا أيضًا: لقد كانت Microsoft في ربع القادة في العديد من المجالات مثل قواعد البيانات التشغيلية وحلول إدارة البيانات التحليلية وذكاء الأعمال.

تقرير Gartner Magic Quadrant لقواعد البيانات التشغيلية (ODBMS)

بعد عام واحد فقط من SQL Server 2016 ، تم إصدار SQL Server 2017 حديثًا ، وقد قامت Microsoft بتسريع وتيرة التحديثات بشكل كبير. SQL Server 2017 مع دعم Linux لديه كل الأسباب للمضي قدمًا. هذا هو اختيار منصة التكنولوجيا ، ولكن أيضًا ابتكار إستراتيجية العمل. غير مجمعة من Windows ، SQL Server على وشك اقتحام سوق جديد واسع.

من منظور سيناريوهات الاستخدام ، كما هو موضح أعلاه ، يمكن لـ SQL Server الآن التعامل مع أحمال OLTP عالية التردد بهدوء ، كمستودع بيانات موجه لـ OLAP ، أو كمكون معالجة بيانات في الوقت الفعلي قائم على الذاكرة ، أو كذكاء تطبيق القيادة المحرك - أصبح SQL Server "شاملًا" للغاية.

ومن الجدير بالذكر أيضًا أنه مقارنةً باستراتيجيات المنتجات المجزأة وقوائم المنتجات المبهرة للمنافسين مثل Oracle و SAP ، اختارت Microsoft فلسفة تصميم ونموذج عمل "بسيط ومتكامل". يتضمن إصدار SQL Server Enterprise تخزين العمود وقاعدة البيانات في الذاكرة والوظائف الأخرى التي قد تحتاج إلى شرائها بشكل منفصل في المنتجات المنافسة ، وهو أكثر ملاءمة على مستوى الأعمال كما أنه يبسط بنية النظام. من منظور إستراتيجية الإصدار ، أجرت Microsoft أيضًا تعديلات ذكية ، وفوضت معظم الوظائف المهمة إلى Standard Edition و Express Edition ، وبدلاً من ذلك قسمت الإصدارات بشكل أساسي حسب مستوى البيانات ، بحيث يمكن أن تصل الوظائف المتقدمة إلى المزيد من العملاء المحتملين. بالإضافة إلى ذلك ، أطلقت Microsoft بشكل خاص إصدار المطور ، والذي يمكن تنزيله وتثبيته مجانًا. باستثناء أنه لا يمكن استخدامه في بيئة الإنتاج ، فهو بالضبط نفس الإصدار Enterprise Edition الأكثر تقدمًا من حيث الوظائف ومستويات البيانات ، دون أي قيود ، مما يقلل بشكل كبير من عدد المطورين. عتبة تجربة وتجربة ميزات مختلفة على مستوى المؤسسة.

قد يكون الموضوع الذي لا مفر منه هو المقارنة مع قواعد البيانات العلائقية مفتوحة المصدر مثل MySQL و PostgreSQL ومختلف SQL على قواعد بيانات Hadoop. من الناحية الموضوعية ، كان لموجة المصادر المفتوحة بالفعل تأثير كبير على قواعد البيانات التجارية ، ولأسباب تتعلق بالتكلفة المباشرة ، فقد تبنت العديد من الشركات التي تمثلها صناعة الإنترنت حلولاً مفتوحة المصدر. ومع ذلك ، مع تعميق فهم نظام المصدر المفتوح ووضع التشغيل على مر السنين ، خاصة بعد تراكم الكثير من الخبرة العملية ، أصبح السوق تدريجياً أكثر عقلانية ، ومزايا وعيوب وسيناريوهات قابلة للتطبيق لوضع المصدر المفتوح بدأ ينظر إليها بشكل أكثر موضوعية. بعد كل شيء ، لا يوجد غداء مجاني في العالم. عندما يتم تشغيل الأعمال الأساسية للمؤسسة على برامج مفتوحة المصدر تحت عبء كبير ، فقد يكون من الضروري شراء خدمات دعم تجارية ليست رخيصة ، أو استئجار عدد كبير من كبار المواهب لفهم التفاصيل الأساسية على مستوى المصدر والتحكم فيها. لذلك ، تفضل العديد من الشركات بشكل مباشر اختيار قاعدة بيانات تجارية ذات أداء أفضل واستقرار أعلى وميزات أكثر ثراءً على مستوى المؤسسة - لأن اختيار SQL Server بالنسبة لهذه المؤسسات له تكلفة إجمالية أقل للملكية.

من منظور بيئة التطوير وبيئة الأداة ، يحتوي SQL Server أيضًا على تراكم عميق. كان SQL Server Management Studio ، الذي يتمتع دائمًا بسمعة طيبة ، أداة شاملة لإدارة قواعد البيانات التي استثمرت Microsoft فيها باستمرار ، مما يوفر واجهة إدارة رسومية قوية وسهلة الاستخدام لـ SQL Server ، والتي يمكن تنزيلها واستخدامها مجانًا ؛ في كل إصدار من Visual Studio ، يتوفر أيضًا. يمكنك الاتصال والاستعلام عن SQL Server من خلال Server Explorer المدمج في VS ، والذي يرتبط ارتباطًا وثيقًا بعملية التطوير - تعكس هذه الميزات تمامًا مزايا التكامل التي يمكن لـ Microsoft احضر. من الجدير بالذكر أيضًا أنه فيما يتعلق بدعم لغة البرمجة ، بالإضافة إلى C # / NET الخاص به ، زاد فريق SQL Server بشكل كبير من دعمه للغات الشائعة الأخرى في السنوات الأخيرة ، وخاصة Java و PHP ، مما يوفر الدعم لـ هذه اللغات والأنظمة الأساسية. يأتي مع دعم مكتبة العميل عالي الجودة.

أخيرًا ، لنتحدث عن SQL Server في السوق الصينية. في الواقع ، في الصين ، بفضل العمل الجاد في مجال التعليم وسهولة استخدام المنتجات الممتازة ، كان لدى SQL Server دائمًا قاعدة جماعية جيدة وصورة تقارب. ومع ذلك ، من أجل فتح السوق في سوق الصين الراقية ، من الضروري زيادة تشكيل العلامة التجارية ، وإنشاء حالات معيارية ، والقضاء على الانطباع الذي عفا عليه الزمن عن "ينطبق على الشركات الصغيرة والمتوسطة الحجم" الذي تركه بعض الناس. لتحقيق ذلك ، بالإضافة إلى التحسين المستمر للمنتج نفسه لتلبية الاحتياجات الملحة للعملاء الرئيسيين ، يجب علينا أيضًا أن نولي أهمية لبناء المجتمعات الفنية المحلية ، ومساعدة الممارسين على تحقيق التطور الوظيفي الجيد ، وتشكيل دائرة حميدة. بالإضافة إلى ذلك ، مع إطلاق Azure cloud في الصين وتطويرها ، يمكن لعائلة SQL Server أيضًا الاستفادة من تطوير السحابة العامة لتعزيز ومشاركة أرباح النمو.

اكتب في النهاية

قواعد البيانات العلائقية لها تاريخ طويل ولا يزال لها مكانة مهمة لا يمكن الاستغناء عنها في العديد من السيناريوهات. SQL Server ، كشركة رائدة في قواعد البيانات العلائقية ، ينمو على طول الطريق ، ويشع باستمرار النشاط والحيوية. سيساعد إصدار SQL Server 2017 Microsoft على تعزيز مكانتها في السوق وإطلاق تأثير قوي على الأسواق الجديدة من خلال دعم Linux باعتباره أداة قاتلة.

في الواقع ، هناك العديد من ميزات SQL Server لدرجة أن مقالة واحدة ليست شاملة. نظرًا لقيود المساحة ، لم نذكر الميزات على مستوى المؤسسة مثل AlwaysOn و AlwaysEncrypted ، كما أننا لم نقدم مجموعات ذكاء الأعمال مثل SQL Server Integration Service و Analysis Service و Reporting Service بالتفصيل. ومع ذلك ، من خلال التحليل أعلاه لهذه المقالة ، فقد فهمنا بوضوح المخطط العام واستراتيجية التطوير لقاعدة البيانات العلائقية التجارية المستثمرة بشكل كبير في العصر الجديد. إذا كان بالإمكان تلخيصها في ثماني كلمات ، فيجب أن يكون "التواصل الانتقائي المفتوح" هو أفضل تفسير.

إذن ، هنا يأتي السؤال الأخير: سواء كنت تعمل في مجال الصناعة التقليدية أو إنترنت المستهلك ، سواء كان يعتمد على منصة Linux أو Windows ، هل ستختار SQL Server لتطبيقك الرئيسي التالي؟

عن المؤلف

He Kaiduo ، المدير الفني الأول لتكنولوجيا Gridsum (ناسداك: GSUM). تخرج من جامعة تسينغهوا ، وعمل في قسم البنية التحتية في Morgan Stanley ، وانضم إلى Gridsum Technology في عام 2011. على مر السنين ، شارك في هندسة وتصميم العديد من حلول البيانات الضخمة Gridsum للتسويق الرقمي والاستماع الاجتماعي. المجالات التقنية ذات الاهتمام الشخصي تشمل .Net النظام البيئي ، والحوسبة السحابية ، ومكدس تكنولوجيا البيانات الضخمة ، وما إلى ذلك ، وقد كتبت ونشرت المقالة المصاحبة "من Visual Studio 2017 ، تحليل تطور النظام البيئي التكنولوجي لشركة Microsoft".