S/4HANA Architektur

Architekturüberblick

Einleitung

(C) Brandeis Consulting📁

Agenda

  1. Motivation & Überblick
  2. Architektur von HANA
  3. Column Store
  4. In-Memory-Technologie
  5. Dictionary Compression
  6. Vorteile & Herausforderungen
  7. Zusammenfassung & Diskussion
(C) Brandeis Consulting📁

Was ist HANA technisch?

Einführung in die Grundlagen von SAP HANA

  • Column Store
  • In-Memory
  • Dictionary Compression
(C) Brandeis Consulting📁

Motivation

Beispiel Fahrschule:

  • Die wenigsten hier sind Mechaniker oder könnten ein Auto reparieren
  • ... aber (fast) jeder weiß, wie eine Kupplung funktioniert
  • Besonders gute Fahrer verstehen auch die Technik!
(C) Brandeis Consulting📁

Motivation

Warum brauchen wir HANA?

  • Klassische Datenbanken = zeilenbasiert + festplattenbasiert
  • Grenzen: Performance, Flexibilität, Kosten
  • Anforderungen:
    • Realtime-Analytics
    • Hohe Datenmengen (Big Data)
    • Vereinfachung von IT-Landschaften
(C) Brandeis Consulting📁

Architektur: Überblick

Architecture

(C) Brandeis Consulting📁

Row Store vs. Column Store

Row Store (klassisch):

  • Speicherung zeilenweise
  • Gut für transaktionale Systeme (OLTP)

Column Store (HANA):

  • Speicherung spaltenweise
  • Ideal für analytische Abfragen (OLAP)
(C) Brandeis Consulting📁

Beispiel: Row Store

ID Name Stadt Alter
1 Anna München 34
2 Ben Berlin 45
  • Speicherung = Zeile für Zeile
  • Vorteil: einfacher Insert
  • Nachteil: Scans über viele Zeilen sind langsam
(C) Brandeis Consulting📁

Beispiel: Column Store

Column-Store

(C) Brandeis Consulting📁

In-Memory-Technologie

  • Daten liegen vollständig im Arbeitsspeicher (RAM)
  • Kein „langsamer“ Festplattenzugriff für Berechnungen
  • Persistenz wird über Snapshots & Log-Dateien sichergestellt

Persistenz zu RAM

(C) Brandeis Consulting📁

Vorteile von In-Memory

  • Extrem kurze Zugriffszeiten (Nanosekunden vs. Millisekunden)
  • Echtzeit-Analysen auf operativen Daten
  • Vereinfachte Architektur (OLTP & OLAP auf einer DB)
(C) Brandeis Consulting📁

Dictionary Compression

Idee: Werte durch Keyss ersetzen

Beispiel Spalte „Stadt“:

Stadt Value-Key
München 2
Berlin 1
München 2
  • Speicherung: nur Zahlen, Dictionary separat
  • Key-Vergabe anhand Sortierung der Werte
(C) Brandeis Consulting📁

Visualisierung Dictionary Compression

Dictionary Compression

(C) Brandeis Consulting📁

Cache Misses im Row Store

  • Prozessor lädt Daten blockweise in den Cache
  • Bei Row Store: oft viele unnötige Spalten mitgeladen
  • Führt zu Cache Misses (gesuchte Daten nicht im Cache → langsamer Zugriff)

Cache-Misses

(C) Brandeis Consulting📁

Cache Hits im Column Store

  • Nur die relevante Spalte wird in den Cache geladen
  • Höhere Wahrscheinlichkeit für Cache Hits
  • → Deutlich bessere Performance bei Aggregationen

alt text

(C) Brandeis Consulting📁

Zusammenspiel der Konzepte

Zusammenspiel der Konzepte

(C) Brandeis Consulting📁

Vorteile von HANA

  • Kombination aus In-Memory + Column Store + Compression
  • Hohe Performance bei Abfragen
  • Flexibilität für OLTP & OLAP
  • Vereinfachung der Systemlandschaft
(C) Brandeis Consulting📁

Herausforderungen

  • RAM ist teuer → Hardwarekosten
  • Inserts/Updates komplexer als bei Row Store
  • Know-how für Modellierung und Performance nötig
(C) Brandeis Consulting📁

Zusammenfassung

  • Column Store = spaltenorientierte Speicherung
  • In-Memory = schnelle Datenzugriffe
  • Dictionary Compression = effizienter Speicher & schnelle Abfragen
  • SAP HANA = Kombination dieser Techniken für Realtime-Business
(C) Brandeis Consulting📁
(C) Brandeis Consulting📁