SM35 Batch-Input: Mappenübersicht
Vorbereitung der Migration auf die Datenbank SAP HANA
Das klassische System-Monitoring überwacht bestenfalls jede Softwarekomponente einzeln. Angesichts der Vielzahl von Komponenten, die an einer Lösung beteiligt sein können, kann es jedoch vorkommen, dass zwar jede Komponente für sich korrekt arbeitet, der Geschäftsprozess dem Endanwender dennoch nicht performant, korrekt und sicher zur Verfügung steht. Dies kann z. B. an einer fehlerhaften Kommunikation zwischen Komponenten liegen. Ein Solution Monitoring muss daher geschäftsprozessspezifische Überwachungsteile haben, die komponentenübergreifend den Geschäftsprozess überwachen.
Als Skalierbarkeit eines Programms bezeichnet man die Abhängigkeit der Laufzeit eines Programms von der Datenmenge. Viele Operationen sind linear von der Datenmenge abhängig (t = O(n)), d. h., die Laufzeit steigt linear mit der Datenmenge an. Beispiele dafür sind Datenbankselektionen in großen Tabellen ohne oder mit ungeeigneter Indexunterstützung und Schleifen über interne Tabellen im Programm. Lineare Skalierbarkeit ist für die Bearbeitung mittlerer Datenmengen akzeptabel. Wenn sie bei Programmen, die große Datenmengen bearbeiten sollen, nicht vermieden werden kann, muss über Parallelisierung nachgedacht werden. Besser als eine lineare Skalierbarkeit sind für die Performance natürlich konstante Laufzeiten (t = O(1)) oder eine logarithmische Abhängigkeit (t = O(log n)). Logarithmische Abhängigkeiten treten z. B. bei Datenbankselektionen in großen Tabellen mit optimaler Indexunterstützung oder bei Leseoperationen in internen Tabellen mit binärer Suche auf. Da die Logarithmusfunktion nur sehr langsam ansteigt, ist in der Praxis zwischen konstanten und logarithmisch ansteigenden Laufzeiten nicht zu unterscheiden. Inakzeptabel für die Bearbeitung mittlerer und großer Datenmengen sind quadratische Abhängigkeiten (t = O(n × n)) und alles, was darüber hinausgeht. Allerdings können Probleme mit quadratischer Abhängigkeit durch intelligente Programmierung in der Regel auf Abhängigkeiten der Art t = O(n × log n) zurückgeführt werden. Ein Beispiel ist das Vergleichen zweier Tabellen, die beide mit der Ordnung n wachsen. Ein Vergleich der unsortierten Tabellen würde zu einer quadratischen Abhängigkeit führen, ein Vergleich mit sortierten Tabellen zur Abhängigkeit t = O(n × log n). Da die Logarithmusfunktion nur sehr langsam ansteigt, ist in der Praxis zwischen einem Ansteigen t = O(n × log n) und einem linearen Ansteigen nicht zu unterscheiden.
Installation, Pflege und Wartung weiterer Software, die kein SAP-System darstellen, aber ebenfalls wichtige Funktionen mitbringen wie bspw SAP Router, SAP Cloud Connector, TREX, SAP ETD und vieles mehr
Big-Data-Lösungen verwalten Daten im Petabyte-Bereich. Big-Data-Architekturen unterscheiden zwischen heißen und kalten Daten. Die kalten Daten werden auch als Datensee (Data Lake) bezeichnet. Auf diesen Daten werden in Hintergrundprozessen Analysen und Prozesse wie maschinenbasiertes Lernen ausgeführt, und auf diese wird nur bei Bedarf zugegriffen (historische Daten oder Details). Komplementär dazu werden als heiße Daten die Daten bezeichnet, auf denen Benutzer interaktiv Analysen ausführen. SAP HANA bietet sich als Speicher für heiße Daten an. Komplementäre Speicher für kalte Daten können u. a. sein: SAP IQ bzw. der SAP HANA Extended Storage als festplattenorientierte, spaltenorientierte Datenbank für analytische Anwendungen, mit denen Daten bis in den Petabyte-Bereich verwaltet werden können, SAP Vora als Abfrage-Engine für Big-Data-Speichersysteme (wie HDFS/S3) mit enger Integration in SAP HANA.
Etliche Aufgaben im Bereich der SAP Basis können mit "Shortcut for SAP Systems" wesentlich erleichtert werden.
Wenn Sie mehr zum Thema SAP Basis wissen möchten, besuchen Sie die Webseite "www.sap-corner.de".
Client-Server-Architektur und -Konfiguration.