數據庫是任何組織技術生態(tài)系統(tǒng)的核心。云技術的出現(xiàn)，使得數據庫具備了高性價比的數據存儲、可伸縮計算、以利用率為基礎的定價和完全管理的服務交付等功能。隨著遠程辦公模式的增加，許多企業(yè)開始采用現(xiàn)代數據庫技術來處理海量數據。這樣一來，IT研發(fā)持續(xù)轉向云計算，加速了企業(yè)創(chuàng)數字化轉型的進程。
雖然在向云的過度中伴隨著許多挑戰(zhàn)，但是對于那些尋求尖端數據庫技術的企業(yè)來說，終歸是利大于弊。對于數據領導者來說，增強他們對共同障礙、創(chuàng)造數據庫策略及上云的了解至關重要。如果數據庫的領導者誤解了數據庫的成本、遷移的復雜性、數據安全性和靈活性，他們就不愿意采用現(xiàn)代化的解決方案。因此，更好地了解這些誤區(qū)，對于企業(yè)的成功至關重要。
一、混合云系統(tǒng)增強數據庫的倉儲能力
混合云連接了私有數據中心和公有云，使數據和應用可以共享來自內部部署系統(tǒng)和云計算系統(tǒng)的信息。混合云計劃能幫助企業(yè)利用多云和本地數據中心，具備更加靈活的優(yōu)勢。。公有云、私有云和本地數據資源結合，并通過人工智能和機器學習來支持敏捷性并改進報告。
二、了解常見的數據庫誤解
對云數據庫的誤解可能會導致IT專業(yè)人員對是否采用新的數據庫系統(tǒng)和是否上云產生疑惑。
以下是關于這些誤解的真相。
1、數據庫只適用于對過去的數據進行業(yè)務分析。其實，使用現(xiàn)代化工具，數據庫就可以進行實時數據分析。當考慮到企業(yè)數據庫實時報告和分析的傳統(tǒng)設計時，使用像Oracle Goldengate和Shareplex這樣的數據復制技術是一個明智的選擇。這些集成數據存儲工具的數據庫，能夠將在線交易處理的數據復制到數據庫，同時幫助提取、轉換、加載，以及在線提取、加載和邏輯轉換數據。
在現(xiàn)代數據庫中，Kafka Spark streaming將在數據庫環(huán)境下完成實時數據分析。因為實時定義的延遲性會根據企業(yè)實時定義方案的不同而有所不同，所以計劃和管理實時定義的延遲性就顯得非常重要。而企業(yè)的責任就是決定和定義實時數據復制的延遲性，并在確定的時間內配置實時數據。如果企業(yè)決定定義實時數據的延遲時間是幾小時，那么實時數據處理可以通過傳統(tǒng)的批量處理來實現(xiàn)。
2、傳統(tǒng)數據庫沒有通用的結構化查詢語言（下文稱SQL）引擎去處理數據庫中所有類型的數據，而在現(xiàn)代化數據庫環(huán)境下就能建立一個通用的SQL引擎。如果企業(yè)要處理結構化的數據，或者使用一個數據湖選項去自定義和處理結構化或非結構化的數據，他們就會依賴企業(yè)自己的數據庫解決方案。
一些企業(yè)用單一的SQL引擎，像Snowflake 或者Databricks ，作為統(tǒng)一的數據庫引擎來使用數據庫系統(tǒng)。然而，這些解決方案需要探索成本、性能和數據處理的屬性。比如， Spark引擎最適合批量處理，但不適合低吞吐量的單一SQL。更好的數據庫結構會基于數據模式來分析商業(yè)要求，然后建立一個合理的SQL引擎。例如，一個單一數據庫方案用presto 引擎去處理低吞吐量的簡單SQL，并且用Spark引擎來處理批量數據。
3、現(xiàn)代化數據庫只能通過云端供應商來實現(xiàn)。現(xiàn)代化數據庫需要基于企業(yè)數據及數據優(yōu)先級來建立。比如，如果該數據很敏感，那么就需要部署在企業(yè)自己的數據中心。與此同時，對于非敏感的數據庫來說，企業(yè)也可以從云供應商那里獲取。在這些情況下，混合數據庫方案就是不錯的選擇。Cloud Pak 等技術就可以同時在本地數據中心和云數據中心實時處理數據。Cloud Pak 的數據是高度可擴展的，并且可以為數據庫提供更好的性能和混合云的解決方案。
4、管理數據庫的數據治理有一定難度。如今，許多企業(yè)很難管理他們的數據衍生。這個問題就可以通過設計一個數據中心方案來解決，比如Cloud Pak 或者Apache Kyligence Semantic Layer。再比如，Watson Knowledge Catalog就具有創(chuàng)造多數據源和多個不同數據源的虛擬化表的能力。
當用戶執(zhí)行SQL時，這些方案也提供通用引擎。它在內部轉換SQL并將數據傳輸到合適的數據源。這些方案和其他的引擎技術可以幫助企業(yè)更好地管理和治理數據衍生。
5、數據倉庫使用了更多存儲空間，并且成本也很高。企業(yè)使用成百上千個不同類型地數據庫去管理和滿足他們的商務需求，這樣他們需要能整合所有數據源的數據以滿足數據報告或者AI、ML需求。通常情況下，數據庫領導者會選擇價格低一些的解決方案，比如對象存儲或者建立企業(yè)自己的SQL引擎來處理海量數據。
除此之外，管理傳統(tǒng)塊存儲中的數據成本很高。在這些情況下，數據體系結構是下一代數據庫解決方案的更好的選擇。理想的數據體系結構提供一個通用的SQL引擎，用來處理來自關系數據庫管理系統(tǒng)的結構化、半結構化或者非結構化的數據。Cloud Pak for Data和Watson Query是數據體系解決方案的兩個例子。因為數據體系結構化可以直接處理在線交易或商務數據庫的數據，它降低了成本，也不需要使用單獨的數據庫解決方案。
未來計劃
采用數據庫解決方案需要做一些前期工作，包括數據管理和治理、平臺自動化、數據移動和復制、數據模型化和準備以及基礎設施監(jiān)控。如果執(zhí)行得好，這些策略可以使企業(yè)記錄他們的當前環(huán)境，規(guī)劃現(xiàn)代化平臺，遷移遺留的數據結構，并管理自動化新平臺。通過解決對云數據庫的誤解，了解數據庫模型的挑戰(zhàn)、益處和總成本所有權，企業(yè)可以做出更明智的云數據庫戰(zhàn)略決定，并釋放數據真正的價值。
原文標題：Why It’s Important to Change Misconceptions About Data Warehouse Technology
原文作者：John Thangaraj
