Automatisiertes Fahren, das Internet der Dinge und Industrie 4.0: Im Zuge
der Digitalisierung werden enorme Datenmengen generiert. Um dieser Flut
Herr zu werden, sind neue Systeme gefragt, die große "Datenströme"
speichern und verarbeiten können. Besonders geeignet erscheint eine
Kombination aus Datenbankmanagementsystemen und Cloud-Ressourcen - wobei
nicht jedes System zu jedem Anwendungsfall passt. Die individuell passende
Lösung findet ab sofort Mowgli - ein Analysetool, das Informatiker der
Universität Ulm gemeinsam mit Daimler TSS entwickelt haben.
Im Zuge der Digitalisierung wächst der weltweite Datenberg unaufhaltsam.
Reichte es noch vor ein paar Jahren aus, Auftrags- und Kundendaten in
herkömmlichen Datenbanken zu verwalten, übersteigen neue Anwendungen wie
das Internet der Dinge (IoT), das automatisierte Fahren oder die
Digitalisierung von Produktion und Logistik („Industrie 4.0“) schnell
deren Fähigkeiten. Daher sind neue Systeme gefragt, die enorme, konstant
wachsende Datenmengen speichern und verarbeiten können. Eine Kombination
aus Datenbankmanagementsystemen (DBMS) und Cloud-Ressourcen erscheint
vielversprechend, allerdings passt nicht jedes System zu jedem
Anwendungsfall. Durchblick im Datenbank-Dschungel verspricht das Analyse-
Werkzeug Mowgli, das das Ulmer Institut für Organisation und Management
von Informationssystemen (OMI) im Projekt „Cloud2Go“ gemeinsam mit Daimler
TSS entwickelt hat.
Beim automatisierten Fahren werden beispielsweise konstant große
Datenmengen erzeugt, die gespeichert und verarbeitet werden wollen: In
Echtzeit generiert das Fahrzeug technische Informationen sowie etwa Daten
zur eigenen Position und zur Umgebung. Ähnliches gilt für die smarte Stadt
oder die digitalisierte Fabrik. „Auf der Suche nach dem optimalen
Datenbankmanagementsystem müssen sich Nutzer fragen, was für Anforderungen
sie an das DBMS-System stellen: Welche Auslastung wird im konkreten
Anwendungsfall erwartet? Und über welche Zeit ist ein Systemausfall
tolerierbar?“, fragt Dr. Jörg Domaschka, Gruppenleiter am OMI. Denn
während ein wenige Sekunden andauernder Systemausfall im Kontext
automatisiertes Fahren lebensbedrohlich sein kann, hat er im Smart Home
oft keine großen Konsequenzen.
Als vielversprechende Kombination im Kontext „Big Data“ hat sich ein
Zusammenspiel aus verteilten Datenbankmanagementsystemen und Cloud-
Ressourcen erwiesen. Durch die verteilte Systemarchitektur können bei
wachsenden Datenmengen und Nutzerzugriffen neue Instanzen zum DBMS
hinzugefügt werden. Weiterhin lässt sich das System dynamisch während der
Laufzeit an die Auslastung anpassen. Zudem bieten Cloud-Anbieter scheinbar
endlose Ressourcen an, die auf Knopfdruck abgerufen und hinzugefügt werden
können. Inzwischen haben Nutzer sogar die Qual der Wahl: Sie müssen sich
zwischen rund 200 verteilten Datenbankmanagementsystemen mit
unterschiedlicher Betreibbarkeit in der Cloud und 20 000 Cloud-Ressourcen
entscheiden. Die entsprechenden Kombinationen haben wiederum ganz
individuelle Eigenschaften, was Leistung, Skalierbarkeit oder etwa
Verfügbarkeit angeht. Wer soll in diesem Datenbank-Dschungel den
Durchblick behalten? Ausgehend von diesem Problem haben die Forscher vom
Institut für Organisation und Management von Informationssystemen der
Universität Ulm und von Daimler TSS „Mowgli“ entwickelt. Dieses Tool zur
automatischen Evaluation verteilter DBMS in der Cloud spielt typische
Anwendungsszenarien durch und wertet die Leistungsfähigkeit der einzelnen
Systeme aus: „Die Automatisierung der Tests erlaubt eine Vielfalt und
Komplexität, die bei einem händischen Vergleich der Systeme unmöglich
wäre. Bei solchen händischen Tests müsste die Komplexität wirklich sehr
stark reduziert werden, um den zeitlichen Rahmen nicht zu sprengen. Und
selbst bei der automatisierten Auswertung durch Mowgli dauert es ein bis
zwei Tage, bis wir eine Empfehlung für ein Datenbankmanagementsystem
ableiten können“, so Daniel Seybold, Wissenschaftlicher Mitarbeiter am
OMI. Zwar sind die Informatiker nicht die ersten Anbieter eines solchen
Benchmark-Systems, allerdings ist die Anzahl der einbezogenen Variablen
bei Mowgli ungewöhnlich groß. Das Tool unterstützt bereits eine Vielzahl
von DBMS mit einer beliebigen Anzahl von Instanzen und bezieht
unterschiedliche Cloud-Anbieter mit ein.
Die im Laufe des einjährigen Projekts entstandene Veröffentlichung
„Mowgli: Finding your way in the DBMS Jungle“ ist von Daniel Seybold auf
der Tagung „ACM/SPEC International Conference on Performance Engineering“
vorgestellt und sogleich ausgezeichnet worden. Bei Daimler TSS war das
Analyse-Werkzeug bereits im Einsatz und es wird im EU-Projekt „Melodic“
(Multi-cloud Execution-ware for Large-scale Optimised Data-Intensive
Computing) der Uni Ulm verwendet. Die Entwickler können sicher sein, dass
ihrem Mowgli auch in Zukunft die Aufträge nicht ausgehen: Denn der
Datenberg wächst umgebremst weiter.
