ATLAS (PREVIEW)
Atlas Stream Processing. Vereinheitlichen Sie Daten „in motion“ und „at rest“.
_Spot_BS_Lavender.svg?auto=format%252Ccompress)
Atlas Stream Processing in 3 Minuten erklärt
Erfahren Sie, wie Atlas Stream Processing das Dokumentmodell, flexible Schemata und das umfangreiche Aggregationsframework kombiniert, um mit Leistung und Komfort beim Entwickeln von Anwendungen zu punkten, für die zum Zwecke der Skalierung komplexe Ereignisdaten verarbeitet werden müssen.
Stream-Verarbeitung wie nie zuvor
Bei der Arbeit mit Streaming-Daten ist das Schema-Management von entscheidender Bedeutung für die Datenkorrektheit und Entwicklerproduktivität. Das Dokumentmodell und das Aggregationsframework von MongoDB bieten Entwicklern leistungsstarke Funktionen und Produktivitätssteigerungen, die Sie bei keiner anderen Stream-Verarbeitung finden.
Vereinheitlichung von Daten in Bewegung und Daten im Ruhezustand
Zum ersten Mal können Entwickler eine Plattform – über API, Abfragesprache und Datenmodell hinweg – nutzen, um kontinuierlich Streaming-Daten zusammen mit den in ihrer Datenbank gespeicherten kritischen Anwendungsdaten zu verarbeiten.
vollständig verwaltet in Atlas
Atlas Stream Processing basiert auf unserer robusten und integrierten Entwicklerdatenplattform. Mit nur wenigen API-Aufrufen und Codezeilen kann ein Entwickler einen Stream-Prozessor, eine Datenbank und eine API-Serviceschicht errichten – mit vollständiger Verwaltung durch Atlas.Atlas Stream Processing
Funktionen
Kontinuierliche Verarbeitung
Erstellen Sie aggregation pipeline , um Streaming-Daten kontinuierlich abzufragen, zu analysieren und darauf React , ohne die mit der Stapelverarbeitung verbundenen Verzögerungen.
Kontinuierliche Validierung
Führen Sie eine kontinuierliche Schema durch, um vor der Verarbeitung zu überprüfen, ob Ereignisse ordnungsgemäß gebildet werden, Nachrichtenbeschädigungen zu erkennen und verspätete Daten zu erkennen, die ein Verarbeitungsfenster verpasst haben.
Kontinuierliche Zusammenführung
Materialisieren Sie kontinuierlich Ansichten in Atlas- collection oder Streaming-Systemen wie Apache Kafka, um aktuelle analytische Ansichten der Daten zu erhalten, die Entscheidungsfindung und Maßnahmen unterstützen.
„Bei Acoustic liegt unser Hauptaugenmerk darauf, Marken mit Behavioral Insights zu versorgen, die es ihnen ermöglichen, ansprechende, personalisierte Kundenerfahrungen zu schaffen. Mit Atlas Stream Processing können unsere Ingenieure die Funktionen, die sie bereits aus der Arbeit mit Daten in Atlas kennen, dazu nutzen, neue Daten kontinuierlich zu verarbeiten und so sicherzustellen, dass unsere Kunden Zugang zu Kundeneinblicken in Echtzeit haben.“
Ereignisgesteuerte Anwendungen
Wir ebnen den Weg zu einem reaktionsfähigen und reaktiven EchtzeitgeschäftWhitepaper herunterladenErleben Sie die Einfachheit und Leistungsfähigkeit von Atlas Stream Processing
Abfragen von Apache Kafka Datenstreams
Erweiterte Analysen mit Window Functions
Schema-Validierung komplexer Ereignisse
Abfragen von Apache Kafka Datenstreams
Erweiterte Analysen mit Window Functions
Schema-Validierung komplexer Ereignisse
Atlas optimal nutzen
Datenbank
Nutzen Sie unseren Multi-Cloud-Datenbank-Service, der für Ausfallsicherheit, Skalierung und ein Höchstmaß an Datenschutz und Sicherheit entworfen wurde.
Auslöser
Führen Sie Code bei Datenbankänderungen, Benutzerereignissen oder in voreingestellten Intervallen automatisch aus.
Kafka Connector
Native Integration von MongoDB Daten in das Kafka-Ökosystem.
Was sind Streaming-Daten?
Was ist Stream-Verarbeitung?
Wie unterscheidet sich Event-Streaming von der Stream-Verarbeitung?
Streaming-Daten befinden sich innerhalb von Ereignis-Streaming-Plattformen (wie Apache Kafka) und diese Systeme sind im Wesentlichen ein unveränderlich verteiltes Protokoll. Ereignisdaten werden mithilfe von API von Ereignis-Streaming-Plattformen veröffentlicht und genutzt.
Entwickler benötigen für fortschrittlichere Verarbeitungsvorgänge einen Streaming-Prozessor, z. B. für zustandsorientierte Aggregationen, Window Operations, Mutationen und die Erstellung materialisierter Ansichten. Diese ähneln den Vorgängen, die bei Abfragen in einer Datenbank ausgeführt werden, mit der Ausnahme, dass die Stream-Verarbeitung einen endlosen Datenstrom kontinuierlich abfragt. Dieser Bereich des Streamings ist noch im Entstehen; Technologien wie Apache Flink und Spark Streaming nehmen jedoch rasch Fahrt auf.
Mit Atlas Stream Processing bietet MongoDB Entwicklern eine bessere Möglichkeit, Streams mithilfe des Aggregationsframeworks in ihren Anwendungen zu verarbeiten.
Warum hat MongoDB Atlas Stream Processing entwickelt?
Wie finde ich den Einstieg in den Public Preview von Atlas Stream Processing?
Wie unterscheidet sich die Stream-Verarbeitung von der Batch-Verarbeitung?
Die Stream-Verarbeitung erfolgt kontinuierlich. Im Zusammenhang mit der Entwicklung ereignisgesteuerter Anwendungen ermöglicht die Stream-Verarbeitung reaktive und überzeugende Abläufe wie Echtzeit-Benachrichtigungen sowie die Personalisierung, Routenplanung oder vorausschauende Wartung.
Die Batch-Verarbeitung ist nicht auf kontinuierlich produzierte Daten anwendbar. Bei der Batch-Verarbeitung werden stattdessen Daten über einen bestimmten Zeitraum erhoben und dann nach Bedarf verarbeitet. Ein Beispiel für die Batch-Verarbeitung ist ein Einzelhandelsunternehmen, das jeden Tag zum Geschäftsschluss Verkäufe zu Berichtszwecken und/oder zur Aktualisierung der Lagerbestände erfasst.
Sind mit Atlas Stream Processing während dem Public Preview Kosten verbunden?
Profitieren Sie noch heute von Atlas
_Spot_BS_Mist_EndCap.svg?auto=format%252Ccompress)