Neues in SQL Server 2017

SQL Server 2017 stellt einen wichtigen Schritt dar, um SQL Server zu einer Plattform herzustellen, auf der Sie divergente Wahlmöglichkeiten haben: Wählen Sie nebst verschiedenartigen Entwicklungssprachen und Datentypen, nebst lokaler Variante oder Version in der Cloud wie auch inmitten differenzierten Betriebssystemen, indem die Leistungsfähigkeit von SQL Server für Linux, Linux-basierte Docker-Container und Windows bereitgestellt wird. Im Folgenden werden die Neuheiten für festgelegte Funktionsbereiche zusammengefasst und Links mit sonstigen Finessen zur Bereitschaft gestellt.

SQL Server 2017-Datenbankmodul

SQL Server-2017 umfasst viele neumodische Datenbankmodulfunktionen, Verbesserungen und Leistungsverbesserungen. Das Datenbankmodul ist der Kerndienst zum Speichern, Verarbeiten und Sichern von Fakten. Das Datenbankmodul erlaubt einen gelenkten Zugriff und eine fixe Transaktionsverarbeitung, um ebenso den Erfordernisse der anspruchsvollsten Datenverarbeitungsanwendungen in Ihrem Firmierungen gerecht zu werden.

Verwenden Sie das Datenbankmodul, um relationale Datenbanksysteme für OLTP- (Online Transactional Processing, Onlinetransaktionsverarbeitung) oder OLAP-Daten (Online Analytical Processing, Analytische Onlineverarbeitung) zu anlegen. Zu diesem Zweck gehört das Erstellen von Tabellen zur Speicherung von Informationen und von Datenbankobjekten, wie z. B. Indizes, Sichten und gespeicherten Prozeduren, zum Anzeigen, Verwalten und Sichern von Wissen. 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 Dienstleistungen wurden umbenannt in SQL Server-Machine Learning-Dienste, analog der Unterstützung für Python, nicht zuletzt zur R-Programmiersprache. Sie können Machine Learning-Dienste (datenbankintern) zum Ausführen von R- oder Python-Skripts in SQL Servern verwenden, oder Sie einrichten den Microsoft Machine Learning-Server (eigenständig) zum Bereitstellen und Surplus von R- und Python-Modellen, die keinen SQL Server erfordern.

Entwickler von SQL Servern haben derzeit Zugriff auf die umfangreichen ML- und AI-Bibliotheken für Python, die in der Open-Source-Umgebung gemeinschaftlich mit den neuesten Neuerungen von Microsoft vorbereitet sein:

• revoscalepy: Diese Python-Entsprechung zu RevoScaleR beinhaltet zeitgleiche Algorithmen für lineare und logistische Regressionen, Entscheidungsstrukturen, verstärkte Strukturen und zufällige Gesamtstrukturen ebenso einen umfangreichen Satz an APIs für die Übertragung und Verschiebung von Fakten, Remoterechenkontexten und Datenbanksysteme.
• microsoftml: Dieses innovative Päckchen von ML-Algorithmen und -Transformationen mit Python-Bindungen beinhaltet tiefgreifende neuronale Netzwerke, fixe Entscheidungsstrukturen und Entscheidungsgesamtstrukturen ebenso optimierte Algorithmen für lineare und logistische Regressionen. Zusätzlich erhalten Sie vorgegebene, auf ResNet-Modellen basierende Pakete, die Sie zur Imageextraktion oder Standpunktanalyse verwenden können.
• Python in Computerkontexten von SQL Servern: Datenanalysten und Entwickler können Python-Code remote aus ihrer Entwicklungsumgebung absolvieren, um Daten- und Entwicklungsmodelle auszuprobieren, ohne binnen alldem Fakten zu verschieben.
• Native Bewertung: Die PREDICT-Funktion in Transact-SQL kann in jeglicher Instanz von SQL Server 2017 zum Durchführen von Bewertungen genutzt werden, gleichfalls wenn R nicht eingerichtet ist. Sie müssen ausschließlich das Modell mit einem der unterstützten RevoScaleR- und revoscalepy-Algorithmen trainieren und es in einem neuartigen, kompakten Binärformat festhalten.
• Paketverwaltung: T-SQL hilft dieser Tage die CREATE EXTERNAL LIBRARY-Anweisung, um Datenbankadministratoren bessere Verwaltungsfunktionen für R-Pakete zu bieten. Verwenden Sie Rollen, um den Zugriff auf private oder freigegebene Modelle zu lenken, festhalten Sie R-Pakete in der Datenbank, und geben Sie ebendiese für Anwender frei.

Fortschrittliche In-Database-Analytics

Entwickeln Sie gescheite Applikationen mit SQL Server Machine Learning Dienstleistungen mit R und Python. Wechseln Sie von reaktiven zu prädiktiven und präskriptiven Analytics, indem Sie Advanced Analytics unmittelbar in der Datenbank durchführen. Mithilfe von Multithreading und Massively Parallel Processing gelangen Sie schneller zu Insights als mit Open Source-R und -Python selbst.

Hochverfügbarkeit und Notfallwiederherstellung

Always On in SQL Server 2017 garantiert Hochverfügbarkeit und Notfallwiederherstellung unter Linux und Windows. Hiermit lukrieren Sie von weniger Ausfallzeiten, schnellem Failover, umstandsloser Installation und Lastenausgleich auf lesbaren sekundären Replikaten. Integrieren Sie selbst zur hybriden Hochverfügbarkeit ein asynchrones Replikat in Azure Virtual Machines.