Subscribe to the Teradata Blog

Get the latest industry news, technology trends, and data science insights each week.



我同意作为本网站提供商的Teradata天睿公司可能偶尔向我发送Teradata市场沟通电子邮件,其中包含有关产品、数据分析、活动和网络研讨会邀请的信息。我了解我可以随时通过点击我收到的任何电子邮件底部的取消订阅链接取消订阅。

您的隐私很重要。您的个人信息将根据Teradata全球隐私政策收集、存储和处理,您可以通过单击此隐私链接阅读和打印。

云成本中缺失的环节

云成本中缺失的环节
任何计算机平台都有三个基本的功能组件:计算、存储和传输。我们知道什么是计算和存储。传输是在存储和计算之间移动数据的功能。在这三种可扩展资源中,传输是最昂贵的,通常称为输入/输出(I/O)。

自从最初的完全无共享架构构思出来,Teradata Vantage就一直通过BYNET 高效地管理传输,这也是Vantage在线性可扩展性方面取得成功的基石。

云理念的传播,集中在计算和存储的分离以及计算和存储的独立扩展上。然而,很少有人提到传输这一关键问题,这是缺失的一环。

处理器对数据执行计算,存储器存储数据,但必须先将数据从存储器移到处理器。


Picture1.png

为什么要注意传输成本

与其他完全基于静态计算和存储而没有数据移动的平台相比,Vantage显得昂贵。一旦应用了工作负载并在计算和存储之间传输了数据,那么传输的成本就成了反比。你会发现其他平台比Vantage更贵


Picture1-(1).png

简单地考察扩大的增量成本,就会发现一种指数模式。Vantage(橙色)可以线性增加,以适应不断增加的工作负载量。另一个云平台(蓝色),每份增量对应的成本就增加两(2)倍。同时考虑到,这种指数缩放可以自动执行与自动缩放,相关的成本将迅速翻倍,三倍,并继续迅速提高。

更有效地利用你购买的东西

扩展不是响应不断增加的工作负载的唯一方法。《韦氏词典》将工作负载定义为“通常在特定时间内完成或能够完成的工作量(如通过机械设备完成的)。”工作可以用每小时查询次数或查询并发次数来衡量。

其他平台无法与Vantage的线性可扩展性和工作负载吞吐量相匹配。他们的解决方案是将工作负载分解为多个数据仓库,只关注计算和存储的分离,以及计算和存储的独立扩展,从而忽略了传输的复杂性和成本。

此解决方案只是提供了随时间呈指数增长的计算和存储成本,而不是经过深思熟虑的传输优化,从而降低实际使用成本。

为你使用的东西付费定价

Teradata除了是一个更具成本效益的解决方案外,还提供了基于实际使用情况的消费定价模式。定价中仅包括成功完成的客户发起的查询和加载。相反,其他平台让您为激活时配置的总实例付费,却不管您的实际使用情况如何。

在消费定价模式下,单位价格保持一致,Teradata负责幕后的扩展。消费定价模式实施以来,Teradata客户做了计算,并认为,对于业务关键型工作负载来说,Vantage的成本要低得多。这与他们尝试采用超预算的替代方案时的痛苦经历,形成了鲜明对比。

总结:为您的分析平台定价时考虑传输问题

您需要考虑计算机平台的所有三个功能组件:计算、存储和传输。工作负载基于一段时间内可以执行的工作量,数据如果没有从存储传输到计算,则无法执行工作。Teradata在优化传输方面的核心能力实现了线性可扩展性和最大吞吐量,从而随着使用量的增长,将成本降至最低。
Portrait of Pat Alvarado

(Author):
Pat Alvarado

Pat Alvarado is Sr. Solution Architect with Teradata and senior member of the Institute of Electrical and Electronics Engineers (IEEE). Pat’s background originally started in hardware engineering and software engineering applying open source software for distributed UNIX servers and diskless workstations. Pat joined Teradata in 1989 providing technical education to hardware and software engineers, and building out the new software engineering environment for the migration of Teradata Database development from a proprietary operating system to UNIX and Linux in a massively parallel processing (MPP) architecture.

Pat presently provides thought leadership in Teradata and open source big data technologies in multiple deployment architectures such as public cloud, private cloud, on-premise, and hybrid.
Pat is also a member of the UCLA Extension Data Science Advisory Board and teaches on-line UCLA Extension courses on big data analytics and information management.
  View all posts by Pat Alvarado

使用Teradata Vantage将您复杂的数据和分析变成答案。

联系我们