Microsoft SQL Server 2017 Enterprise

Neues in SQL Server 2017

SQL Server 2017 stellt einen wichtigen Schritt dar, um SQL Server zu einer Plattform zu machen, auf der Sie verschiedene Wahlmöglichkeiten haben: Wählen Sie zwischen verschiedenen Entwicklungssprachen und Datentypen, zwischen lokaler Ausführung oder Ausführung in der Cloud sowie zwischen verschiedenen Betriebssystemen, indem die Leistungsfähigkeit von SQL Server für Linux, Linux-basierte Docker-Container und Windows bereitgestellt wird. Im Folgenden werden die Neuerungen für bestimmte Funktionsbereiche zusammengefasst und Links mit zusätzlichen Details zur Verfügung gestellt.

SQL Server 2017-Datenbankmodul

SQL Server-2017 umfasst viele neue Datenbankmodulfunktionen, Verbesserungen und Leistungsverbesserungen. Das Datenbankmodul ist der Kerndienst zum Speichern, Verarbeiten und Sichern von Daten. Das Datenbankmodul ermöglicht einen gesteuerten Zugriff und eine schnelle Transaktionsverarbeitung, um auch den Anforderungen der anspruchsvollsten Datenverarbeitungsanwendungen in Ihrem Unternehmen gerecht zu werden.

Verwenden Sie das Datenbankmodul, um relationale Datenbanken für OLTP- (Online Transactional Processing, Onlinetransaktionsverarbeitung) oder OLAP-Daten (Online Analytical Processing, Analytische Onlineverarbeitung) zu erstellen. Dazu gehört das Erstellen von Tabellen zur Datenspeicherung und von Datenbankobjekten, wie z. B. Indizes, Sichten und gespeicherten Prozeduren, zum Anzeigen, Verwalten und Sichern von Daten. Verwenden Sie das SQL Server Management Studio, um die Datenbankobjekte zu verwalten, und SQL Server Profiler, um Serverereignisse aufzuzeichnen. 

Machine Learning in SQL Server 2017

Die SQL Server R Services wurden umbenannt in SQL Server-Machine Learning-Dienste, entsprechend der Unterstützung für Python, zusätzlich zur R-Programmiersprache. Sie können Machine Learning-Dienste (datenbankintern) zum Ausführen von R- oder Python-Skripts in SQL Servern verwenden, oder Sie installieren den Microsoft Machine Learning-Server (eigenständig) zum Bereitstellen und Nutzen von R- und Python-Modellen, die keinen SQL Server erfordern.

Entwickler von SQL Servern haben jetzt Zugriff auf die umfangreichen ML- und AI-Bibliotheken für Python, die in der Open-Source-Umgebung zusammen mit den neuesten Innovationen von Microsoft zur Verfügung stehen:

• revoscalepy: Diese Python-Entsprechung zu RevoScaleR enthält parallele Algorithmen für lineare und logistische Regressionen, Entscheidungsstrukturen, verstärkte Strukturen und zufällige Gesamtstrukturen sowie einen umfangreichen Satz an APIs für die Übertragung und Verschiebung von Daten, Remoterechenkontexten und Datenquellen.
• microsoftml: Dieses moderne Paket von ML-Algorithmen und -Transformationen mit Python-Bindungen enthält tiefgreifende neuronale Netzwerke, schnelle Entscheidungsstrukturen und Entscheidungsgesamtstrukturen sowie optimierte Algorithmen für lineare und logistische Regressionen. Darüber hinaus erhalten Sie vorgegebene, auf ResNet-Modellen basierende Modelle, die Sie zur Imageextraktion oder Standpunktanalyse verwenden können.
• Python in Computerkontexten von SQL Servern: Datenanalysten und Entwickler können Python-Code remote aus ihrer Entwicklungsumgebung ausführen, um Daten- und Entwicklungsmodelle auszuprobieren, ohne dabei Daten zu verschieben.
• Native Bewertung: Die PREDICT-Funktion in Transact-SQL kann in jeder Instanz von SQL Server 2017 zum Durchführen von Bewertungen verwendet werden, auch wenn R nicht installiert ist. Sie müssen nur das Modell mit einem der unterstützten RevoScaleR- und revoscalepy-Algorithmen trainieren und es in einem neuen, kompakten Binärformat speichern.
• Paketverwaltung: T-SQL unterstützt jetzt die CREATE EXTERNAL LIBRARY-Anweisung, um Datenbankadministratoren bessere Verwaltungsfunktionen für R-Pakete zu bieten. Verwenden Sie Rollen, um den Zugriff auf private oder freigegebene Pakete zu steuern, speichern Sie R-Pakete in der Datenbank, und geben Sie diese für Benutzer frei.

Fortschrittliche In-Database-Analytics

Entwickeln Sie intelligente Anwendungen mit SQL Server Machine Learning Services mit R und Python. Wechseln Sie von reaktiven zu prädiktiven und präskriptiven Analytics, indem Sie Advanced Analytics direkt in der Datenbank ausführen. Mithilfe von Multithreading und Massively Parallel Processing gelangen Sie schneller zu Insights als mit Open Source-R und -Python alleine.

Hochverfügbarkeit und Notfallwiederherstellung

Always On in SQL Server 2017 gewährleistet Hochverfügbarkeit und Notfallwiederherstellung unter Linux und Windows. Dadurch profitieren Sie von weniger Ausfallzeiten, schnellem Failover, einfacher Einrichtung und Lastenausgleich auf lesbaren sekundären Replikaten. Integrieren Sie außerdem zur hybriden Hochverfügbarkeit ein asynchrones Replikat in Azure Virtual Machines.