Bancos de dados na AWS: use a ferramenta certa para o seu tipo de dado

© 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved.S U M M I T
Bancos de dados na AWS: use a
ferramenta certa para o seu tipo de dado
Thiago Paulino
Enterprise Solutions Architect
Amazon Web Services
A D B 2 0 3
Juliano Galhiego Vieira
Solutions Architect
Diebold Nixdorf

Construído para
fins específicos
A ferramenta certa para
o trabalho certo
https://www.allthingsdistributed.com/2018/06/purpose-built-databases-in-aws.html

Agenda
1. Categorias de dados comuns e como chegamos até aqui
2. Discutir a finalidade e os casos de uso para cada modelo
de dados
4. Case Diebold Nixdorf

Categorias de dados e casos de uso comuns
Relacional Chave-valor Documento Em memória Grafo
Integridade
referencial,
transações ACID,
schema-on-write
Baixa latência,
buscas de chave
com alto
throughput e
rápida ingestão
de dados
Indexação e
armazenamento
de documentos
com suporte
para consulta em
qualquer
atributo
Latência de
microssegundos,
consultas
baseadas em
chaves e
estruturas de
dados
especializadas
Criação e
percurso em
relações de dados
de forma fácil e
rápida
Lift and shift,
EMR, CRM,
finanças
Real-time bidding,
carrinho de
compras, social
Gerenciamento
de conteúdo,
personalização,
dispositivos
móveis
Leaderboards,
análise em tempo
real,
armazenamento
em cache
Detecção de
fraudes, redes
sociais,
ferramentas de
recomendação
Busca
Indexação e
busca de logs e
dados
semiestruturados
Catálogo de
produtos, ajuda,
e FAQs,
texto completo
Séries
temporais
Registro
Coletar,
armazenar e
processar dados
sequenciados por
tempo
Aplicações IoT,
rastreamento de
eventos
Histórico completo,
imutável e
verificável de todas
as alterações em
dados de aplicação
Sistemas
de registro,
cadeia de
suprimentos,
cuidados à
saúde,
cadastros,
financeiro

AWS: Bancos de dados criados para fins específicos
Relacional Chave-valor Documento Em memória Grafo Busca
Amazon
DynamoDB
Amazon
Neptune
Amazon RDS
Amazon
Aurora
CommercialCommunity
Amazon
ElastiCache
Amazon
Elasticsearch
Service
Amazon
DocumentDB
Séries
temporais
Registro
Amazon
Timestream
Amazon
Quantum
Ledger
DatabaseMemcachedRedis

1970 1980 1990 2000
Oracle DB2
SQL Server
MySQL
PostgreSQL
DynamoDB
Redis
MongoDB
Elasticsearch
Neptune
CassandraAccess
Aurora
2010
Timestream
Amazon
QLDB
Amazon
DocumentDB

Mais de 400.000 clientes usando serviços de bancos de
dados e analytics da AWS

Duas áreas fundamentais de enfoque
Realize o “Lift and shift”
de aplicações existentes
para a nuvem
Crie rapidamente novas
aplicações na nuvem

AWS Database Migration Service (AWS DMS)
M i g r a ç ã o d e
b a n c o s d e
d a d o s
p a r a a A W S
Migração de ambientes tradicionais para a AWS
Migração entre bancos de dados
Conversão automatizada de esquema
Replicação de dados para
migração com zero downtime
Mais de 100.000
bancos de dados migrados

Modernas aplicações criam novos requisitos
Usuários: Mais de 1 milhão
Volume de dados: TB — PB — EB
Localidade: Global
Desempenho: Milissegundos — microssegundos
Taxa de requisições: Milhões
Acesso: Web, mobile, IoT, dispositivos
Escala: Up-down, Out-In
Economia: Pague pelo que você usa
Acesso do desenvolvedor: Nenhuma montagem
necessária
Mídias sociaisServiços de
Transporte
Streaming
de mídia
Relacionamento

O Airbnb usa diferentes bancos de dados
de acordo com o propósito
Histórico de pesquisa do usuário: Amazon
DynamoDB
• Volume de dados massivo
• Necessita de pesquisas rápidas para busca personalizada
Estado da sessão: Amazon ElastiCache
• Armazenamento em memória para renderização do site
em menos de um milisegundo
Dados relacionais: Amazon RDS
• Integridade referencial
• Banco de dados essencialmente transacional

Desafio
Deseja habilitar qualquer pessoa a
aprender idiomas gratuitamente
Solução
Bancos de dados específicos da AWS:
• DynamoDB: 31 bilhões de itens
rastreando os exercícios de idioma
completados
• Aurora: Banco de Dados
essencialmente transacional para
dados do usuário
• ElastiCache: Acesso instantâneo a
palavras e frases comuns
Resultado
Mais pessoas aprendendo idiomas no
Duolingo do que no sistema inteiro de
educação dos EUA
300 milhões de usuários
7 bilhões de exercícios por mês

Modelo relacional
Modelo de dados
• Os dados são armazenados em
linhas e tabelas
• Dados são normalizados
• Esquema estrito
• Relacionamentos estabelecidos
via chaves aplicados pelo sistema
• Precisão e consistência dos dados
• Consultas complexas
Paciente
* ID do Paciente
Nome
Sobrenome
Gênero
Data de nascimento
* ID do Doutor
Visita
* ID da Visita
* ID do Paciente
* ID do Hospital
Data
* ID do Tratamento
Tratamento Médico
* ID do Tratamento
Procedimento
Como foi realizado
Resultado Adverso
Contraindicação
Doutor
* ID do Doutor
Nome
Sobrenome
Especialidade médica
* Afiliação do Hospital
Hospital
* ID do Hospital
Nome
Endereço
Avaliação
Patient
* Patient ID
First Name
Last Name
Gender
DOB
* Doctor ID
Visit
* Visit ID
* Patient ID
* Hospital ID
Date
* Treatment ID
Medical Treatment
* Treatment ID
Procedure
How Performed
Adverse Outcome
Contraindication
Doctor
* Doctor ID
First Name
Last Name
Medical Specialty
* Hospital Affiliation
Hospital
* Hospital ID
Name
Address
Rating

Modelo relacional Patient
* Patient ID
First Name
Last Name
Gender
DOB
* Doctor ID
Visit
* Visit ID
* Patient ID
* Hospital ID
Date
* Treatment ID
Medical Treatment
* Treatment ID
Procedure
How Performed
Adverse Outcome
Contraindication
Doctor
* Doctor ID
First Name
Last Name
Medical Specialty
* Hospital Affiliation
Hospital
* Hospital ID
Name
Address
Rating
Modelo de consulta: SQL
SELECT
d.first_name, d.last_name, count(*)
FROM
visit as v,
hospital as h,
doctor as d
WHERE
v.hospital_id = h.hospital_id
AND h.hospital_id = d.hospital
AND v.t_date > date_trunc('week’,
CURRENT_TIMESTAMP - interval '1 week')
GROUP BY
d.first_name, d.last_name;

Casos de uso
A Amazon.com é a maior varejista
online do mundo. A equipe do
Amazon Transaction Risk
Management Services (TRMS)
migrou mais de 100 bancos de
dados Oracle locais para o Amazon
Aurora.
Aplicações corporativas Aplicações de software como
serviço (SaaS)
Jogos Web e Mobile
“Temos o prazer de anunciar a
disponibilidade do Remedy ITSM
na nuvem da AWS. Nossos
clientes agora podem se
beneficiar do melhor serviço em
nuvem da categoria, tempo de
instalação três vezes mais rápido
e menor custo de propriedade ao
oferecer suporte à migração para
o Aurora PostgreSQL.”
“Na ONU, operamos vários sites
com alcance global que exigem
confiabilidade de missão crítica
e performance consistente.
Somos capazes de alcançar um
desempenho excelente, mesmo
com o menor mecanismo de
banco de dados do Amazon
Aurora.”

Amazon Aurora
Banco de dados relacional compatível com MySQL e PostgreSQL criado para a
nuvem
Desempenho e disponibilidade de bancos de dados comerciais a 1/10 do custo
Desempenho
e escalabilidade
Disponibilidade
e durabilidade
Altamente seguro Totalmente
gerenciado
5x o throughput do MySQL
padrão e 3x o do PostgreSQL
padrão; scale-out com até
15 réplicas de leitura
Armazenamento tolerante a
falhas e com auto-recuperação;
6 cópias de dados
em 3 Zonas de Disponibilidade;
backup contínuo para o
Amazon S3
Isolamento de rede,
criptografia em repouso
e trânsito
Gerenciado pelo Amazon RDS:
Sem provisionamento de
hardware, patch de software,
setup, configuração ou backups

Ascendente do Aurora: como projetamos um banco
de dados relacional nativo da nuvem
Blog: https://www.allthingsdistributed.com/

Amazon Relational Database Service (Amazon RDS)
Serviço de banco de dados relacional gerenciado com seis opções de mecanismos de
banco de dados populares
Fácil administrar Disponível e durável Altamente escalável Rápido e seguro
Sem a necessidade de
provisionamento de
infraestrutura, instalação e
manutenção de software de
banco de dados
Replicação automática de dados
Multi-AZ; backup automatizado,
snapshots e failover
Escale computação e
armazenamento de banco
de dados com alguns
cliques sem downtime em
sua aplicação
Armazenamento SSD e I/O
provisionado garantido;
criptografia de dados em
repouso e em trânsito

Dados chave-valor
• Pares chave-valor simples
• Particionado por chaves
• Resiliente a falhas
• Alto throughput, leituras
e escritas de baixa
latência
• Desempenho consistente
em escala
Tabela 1
...
...
Partições
...
Dados altamente particionáveis

Gamers
Chave primária
Atributos
Gamer Tag Type
Hammer57
Rank
Level Points Tier
87 4050 Elite
Status
Health Progress
90 30
Weapon
Class Damage Range
Taser 87% 50
FluffyDuffy
Rank
Level Points Tier
5 1072 Trainee
Status
Health Progress
37 8
// Status de Hammer57
GET {
TableName:”Gamers“,
Key: {
“GamerTag”:”Hammer57“,
“Type“:”Status”} }
// Retornar todos Hammer57
Gamers
GamerTag = :a
:a Hammer57
Dados chave-valor

Casos de uso para dados chave-valor
Mídias sociais
O Capital One usa o DynamoDB para
reduzir a latência de seus aplicativos
móveis, movendo suas transações de
mainframe para uma arquitetura
serverless, em escala desacoplada
A Lyft aproveita a escalabilidade do
DynamoDB para diversos
armazenamentos de dados, incluindo
um sistema de rastreamento de
viagens que armazena coordenadas
GPS para todas as viagens
A Snap migrou seu maior
workload de armazenamento,
Snapchat Stories, para o
DynamoDB e melhorou o
desempenho, enquanto
reduziu custos
Mobile IoT

Amazon DynamoDB
Serviço de banco de dados chave-valor rápido e flexível para qualquer escala
Desempenho em escala Serverless Segurança
abrangente
Banco de dados
global para usuários
e aplicações globais
Tempos de resposta consistentes
de um dígito de milissegundo
em qualquer escala; aplicações
construídas com throughput
virtualmente ilimitado
Sem provisionamento de
servidores, patches de
software ou upgrades;
dimensiona ou diminui
automaticamente; faz backup
contínuo de seus dados
Criptografa todos os dados
por default e integra-se
completamente com o AWS
identify and Access
Management para segurança
robusta
Construa aplicações
globais com acesso rápido
para dados locais,
facilmente replicando
tabelas em várias regiões
da AWS

Bancos de dados de documentos
• Os dados são armazenados em
documentos semelhantes a
JSON
• Documentos mapeiam
naturalmente como os seres
humanos modelam dados
• Esquema e indexação flexível
• Linguagem de consulta
expressiva criada para
documentos (consultas ad hoc
e agregações)
Os documentos JSON são
objetos de primeira classe
do banco de dados
{
id: 1,
name: "sue",
age: 26,
email: "sue@example.com",
promotions: ["new user", "5%", "dog lover"],
memberDate: 2018-2-22,
shoppingCart: [
{product:"abc", quantity:2, cost:19.99},
{product:"edf", quantity:3, cost: 2.99}
]
}

Evolução dos bancos de dados de documentos
JSON tornou-se o
formato de
intercâmbio de
dados na prática
Atrito ao
converter JSON
para o modelo
relacional
Mapeamentos
Objeto-Relacionais
(ORMs) foram
criados para auxiliar
com este atrito
Bancos de dados
de documentos
solucionaram o
problema
(Cliente)
(Aplicação) (Database)
JSON
!=
RelacionalJSON

Casos de uso para dados de documentos
Perfis de Usuário
{
id: 181276,
username: "sue1942",
name: {first: "Susan",
last: "Benoit"}
}
{
id: 181276,
last: "Benoit"},
ExploidingSnails: {
hi_score: 3185400,
global_rank: 5139,
bonus_levels: true
},
promotions: ["new user","5%","snail lover"]
}
{
id: 181276,
last: "Benoit"},
ExploidingSnails: {
hi_score: 3185400,
global_rank: 5139,
bonus_levels: true
}
}

Casos de uso para dados de documentos
Mobile
Varejo e
marketing
Perfis de UsuárioCatálogo
Gerenciamento
de conteúdo
Personalização

Amazon DocumentDB
Serviço de banco de dados compatível com MongoDB rápido, escalável e totalmente gerenciado
Rápido Escalável Totalmente
gerenciado
Compatível com
MongoDB
Milhões de requisições por
segundo com latência de
milissegundos; duas vezes o
throughput do MongoDB
Separação entre computação e
armazenamento permite que
ambas as camadas escalem de
forma independente; escale
para 15 leituras
réplicas de leitura em minutos
Gerenciado pela AWS:
sem provisionamento de
hardware; aplicação
automática de patches,
configuração rápida,
backups seguros e
automáticos
Compatível com MongoDB 3.6;
use os mesmos SDKs,
ferramentas e aplicações com o
Amazon DocumentDB

Em memória
• Sem persistência, na memória
• Performance de
microssegundos
• Comandos simples para
manipular em estruturas de
dados de memória
• Strings, hashes, listas,
conjuntos e conjuntos
ordenados
Banco de
dados
Memória
(buffer pool)
Disco
Processador de
consultas APIs Get/Put
Memória
Milissegundos para microssegundos (10x mais rápido)
Mecanismo de
armazenamento

Em memória
set a "hello" // Definir chave “a” com um valor de string e sem expiração OK
get a // Obter valor para a chave “a”
"hello"
get b // Get value for key "b" results in miss
(nil)
set b "Good-bye" EX 5 // Definir a chave “b” com um valor de string e uma expiração
de 5 segundos
"Good-bye"
get b // Obter valor para a chave "b" "Good-bye"
// espera >= 5 segundos
get b(nil) // chave expirou, nada retornado

Casos de uso para dados em memória
Caching
Reduzindo nossas consultas de
banco de dados em até 95%
com caching simples
O McDonald's usa vários serviços da
AWS, incluindo Amazon EC2, Elastic
Load Balancing, Amazon EBS, e
ElastiCache, para oferecer suporte ao
seu sistema POS global, incluindo
200.000 registros e 300.000
dispositivos POS
O Airbnb usa o ElastiCache
para caching em todo o site
Lances em tempo real Tempo real

Amazon ElastiCache
Armazenamento e cache de dados compatível com Redis e Memcached
Compatível com Redis
e Memcached
Extrema
performance
Seguro e
confiável
Facilmente
escalável
Totalmente compatível
com o Redis open source e
com o Memcached
Armazenamento e cache de
dados em memória para
tempos de resposta de
microssegundos
Isolamento de rede,
criptografia em repouso/em
trânsito, HIPAA, PIC,
FedRAMP, Multi-AZ e
failover automático
Escala escritas e leituras
com sharding e réplicas

Busca: Pesquisa de texto completo

Busca
A borboleta
azul
brilhante
paira na
brisa.
É melhor
esquecer o
grande céu e
se retirar de
cada vento.
Por baixo do
céu azul, em
luz solar
brilhante, é
necessário
buscar ao
redor.
Documento 1
Documento 2
Documento 3
uma
e
por
cada
para
de
em
é
isso
não
em
um
a
na
ao
para
sob
ID Term Document
1 melhor 2
2 azul 1, 3
3 brilhante 1,3
4 brisa 1
5 borboleta 1
6 esquecer 2
7 grande 2
8 paira 1
9 necessário 3
10 retirar 2
11 buscar 3
12 céu 2, 3
13 vento 2
Índice invertidoLista de Stopwords
é preciso pesquisar por aí

Busca
_search?q=house
"hits": {
"total": 85,
"max_score": 6.6137657,
"hits": [{
"_index": "movies",
"_type": "movie",
"_id": "tt0077975",
"_score": 6.6137657,
"_source": { "directors": [ "John Landis" ],
"release_date": "1978-07-27T00:00:00Z",
"rating": 7.5,
"genres": [ "Comedy", "Romance" ],
"image_url": "http://ia.jpg
"plot": "At a 1962 College, Dean Vernon Wormer…",
"title": "Animal House",
"rank": 527,
"running_time_secs": 6540,
"actors": [ "John Belushi","Karen Allen","Tom Hulce" ],
"year": 1978, "id": "tt0077975" }
},

Casos de uso de Busca
Análises de log
A Adobe usa o Amazon
Elasticsearch Service para
analisar e visualizar de forma
econômica uma grande
quantidade de dados de log para
sua plataforma de
desenvolvedor, que no pico
recebe mais de 200 mil
chamadas de API por segundo.
Busca de texto completo Análise de Clickstream
A Corporação Hearst criou uma
plataforma de análise de
clickstream usando o Amazon
Elasticsearch Service, o Amazon
Kinesis Data Streams e o
Amazon Kinesis Data Firehose
para transmitir e processar 30
terabytes de dados por dia a
partir de mais de 300 websites
da Hearst em todo o mundo.
A MirrorWeb usa o Amazon
Elasticsearch Service para tornar
os arquivos da Web do governo e
do Parlamento do Reino Unido
pesquisáveis. Com o Amazon
Elasticsearch Service, a MirrorWeb
indexou 1,4 bilhões de
documentos por apenas US $337
e indexou 146 milhões de
documentos por hora — 14x mais
rápido do que a tecnologia usada
anteriormente.

Amazon Elasticsearch Service
Serviço de Elasticsearch totalmente gerenciado, confiável e escalável
Fácil de usar Escalável Altamente
disponível
Seguro
Implante um cluster
Elasticsearch pronto para
produção em minutos
Redimensione seu cluster
com alguns cliques
ou uma única chamada API
Replique em
Zonas de disponibilidade,
com monitoramento e
auto-recuperação
automatizada
Implante em sua VPC
e restrinja o acesso
usando security groups e
políticas do IAM

Dados de grafos
• Relacionamentos são objetos de
primeira classe
• Os dados são modelados e
consultas como um grafo
• Vértices conectados por Arestas
• Criação e navegação de relações
entre dados de maneira fácil e
rápida
Comprou Comprou
Segue
Comprou
Conhece
Produto
Esporte
Segue

Grafo

Grafo
Redes sociais
Ciências da Vida Operações de rede e TIDetecção de Fraude
Recommendações Grafos de conhecimento

Grafo
Detecção de Fraude,
Mídias sociais,
Ferramenta de
Recomendação

Caso de uso de Grafos
// Recomendação de produto para um
usuário
COMPROU COMPROU
COMPROU
COMPROU
CONHECE
COMPROU

Amazon Neptune
Banco de dados de grafos totalmente gerenciado
Rápido Confiável Fácil Aberto
Consulte bilhões de
relacionamentos com latência
de milissegundos
Seis réplicas de seus dados
em três Availability Zone
com backup and restore
completo
Crie consultas poderosas
facilmente com Gremlin e
SPARQL
Suporta Apache TinkerPop e
modelos de grafos W3C RDF

Aplicação de demonstração de varejo
Aplicação de
demonstração:
1.Disponível hoje
2.No GitHub:
/aws-samples/aws-
bookstore-demo-app
3. Implantação de um
clique no AWS
CloudFormation
Busca
Indexação e
pesquisa de logs
e dados
semiestruturados
Pesquisa de
Produto
Neptune Amazon Elasticsearch
Service
Chave-valor
Alto
throughput,
escritas e leituras
de baixa latência,
escala infinita
Carrinho de
compras, perfil de
usuário
Grafo
Crie e navegue
de maneira fácil
e rápida em
relacionamentos
entre dados
Recomendação de
Produto
Em memória
Consulte por
chave com
latência de
milissegundos
Leaderboard de
produtos
DynamoDB ElastiCache

Dados de séries temporais
O que são dados de séries
temporais?
O que há de especial em
um banco de dados de
séries temporais?
Uma sequência de pontos de dados
gravada durante um intervalo de tempo
O tempo é o único eixo
primário do modelo de
dados
t

Caso de uso de séries temporais
Eventos de Aplicação
Leituras de sensores IoT
Dados de DevOps
Humidade
% Vapor de água
91,094.086,093,0

Bancos de dados existentes de
séries temporais
Bancos de dados relacionais
Difícil de manter
alta disponibilidade
Difícil de escalar Gerenciamento
limitado do ciclo
de vida dos dados
Processamento
Ineficiente de
dados de séries
temporais
Não natural
para dados de
séries temporais
Esquema rígido e
inflexível para
movimento rápido
dados de séries
temporais
Desenvolver com dados de séries temporais é
desafiador

Amazon Timestream
Banco de dados de séries temporais rápido, escalável e totalmente
gerenciado
1,000x mais rápido e 1/10
do custo de bancos de
dados relacionais
Colete dados em uma
taxa de milhões de
inserções por segundo
(10 milhões/segundo)
Trilhões de eventos
diários
O mecanismo de
processamento de consultas
adaptável mantém uma
performance estável e
previsível
Análise de séries
temporais
Funções integradas para
interpolação, suavização e
aproximação
Serverless
Setup, configuração,
provisionamento de servidor e
patching de software
automáticos

Casos comuns de uso de clientes
Ledgers com controle centralizado
Cuidados à Saúde
Verificação e rastreamento
do inventário de
equipamentos hospitalares
Fabricantes
Acompanhar a
distribuição de um
produto recuperado
RH e folha de
pagamento
Acompanhamento de
alterações no perfil de
um indivíduo
Governo
Rastreamento do
histórico de títulos do
veículo

Desafios na construção de ledgers
Adiciona
complexidade
desnecessária
BlockchainRDBMS — tabelas de auditoria
Difícil de
manter
Lenta e difícil
de usar
Difíceis de construir
Funcionalidade de auditoria
personalizada usando gatilhos ou
procedimentos armazenados
Impossível verificar
Não há como verificar as
alterações feitas nos dados por
administradores de sistemas

ID Manufacturer Model Year VIN Owner
ID Version Start End Manufacturer Model Year VIN Owner
Como funciona
1 Tesla Model S 2012 123456789 Diego Ramirez
INSERT INTO cars <<
{ 'Manufacturer': 'Tesla',
'Model': 'Model S',
'Year': '2012',
'VIN': '123456789',
'Owner': ‘Diego Ramirez' }
>>
FROM cars WHERE VIN = '123456789' UPDATE owner = 'Jorge Souza'FROM cars WHERE VIN = '123456789' UPDATE owner = 'Martha Rivera'
J
1 1 07/16/2012 NULL Tesla Model S 2012 123456789 Diego Ramirez
current.cars
C
history.cars
H ID Version Start End Manufacturer Model Year VIN Owner
1 1 07/16/2012 08/03/2013 Tesla Model S 2012 123456789 Diego Ramirez
1 2 08/03/2013 NULL Tesla Model S 2012 123456789 Jorge Souza
1 1 07/16/2012 08/03/2013 Tesla Model S 2012 123456789 Diego Ramirez
1 2 08/03/2013 09/02/2016 Tesla Model S 2012 123456789 Jorge Souza
1 3 09/02/2016 NULL Tesla Model S 2012 123456789 Martha Rivera
1 Tesla Model S 2012 123456789 Jorge Souza
1 Tesla Model S 2012 123456789 Martha Rivera
INSERT cars
ID:1
Manufacturer: Tesla
Model: Model S
Year: 2012
VIN: 123456789
Owner: Diego Ramirez
Metadata: {
Date:07/16/2012
}
H (x) UPDATE cars
ID:1
Owner: Jorge Souza
Metadata: {
Date:08/03/2013
}
H (x) UPDATE cars
ID:1
Owner: Martha Rivera
Metadata: {
Date: 09/02/2016
}
H (x)

Banco de dados do Amazon Quantum Ledger Database
(Amazon QLDB) (preview)
Banco de dados de livros contábeis totalmente gerenciado
Acompanhe e verifique o histórico de todas as alterações feitas nos dados de sua
aplicação
Imútável
Mantém um registro seqüencial
de todas as alterações em seus
dados, que não podem ser
excluído ou modificado; você
pode consultar e analisar o
histórico completo
Criptograficamente
verificável
Usa criptografia para
gerar um arquivo de
saída seguro do histórico
de seus dados
Fácil de usar
Fácil de usar, permitindo
que você use recursos
familiares de banco de
dados, como APIs SQL, para
consultar os dados
Altamente escalável
Executa 2–3x mais
transações que registros em
estruturas comuns de
blockchain

Benefícios de bancos de dados criados para fins
específicos
Melhor
desempenho
Melhor
escala
Mais
funcionalidade
Mais
fácil de
depurar
Independência
entre equipes

AWS: Bancos de dados criados para fins específicos
Relacional Chave-valor Documento Em
memória
Grafo Busca
Amazon
DynamoDB
Amazon
Neptune
Amazon RDS
Aurora CommercialCommunity
Amazon
ElastiCache
Amazon
Elasticsearch
Service
Amazon
DocumentDB
Séries
temporais
Registro
Amazon
Timestream
Amazon
QLDB
MemcachedRedis

A Diebold Nixdorf
A Diebold Nixdorf possui uma
história de mais de 150 anos de
inovação, transformação e
qualidade de serviços.
Líder mundial em comércio
conectado e automação bancária.
Mais de 20 anos de experiência no
setor de segurança da informação
com a solução Online Fraud
Detection - OFD.

Como atuávamos e as necessidades de mudanças
Estrutura on-premise
Combate à fraude descentralizado
Visão limitada do contexto de ataques
Bases de dados sem cruzamentos
Baixo poder de omnicanalidade
Equipe
DN
Equipe
DN
Equipe
DN
Cliente A Cliente B Cliente C

Como atuávamos e as necessidades de mudanças
Estrutura on-premise
Combate à fraude descentralizado
Visão limitada do contexto de ataques
Bases de dados sem compartilhamento
Baixo poder de omnicanalidade
Equipe
DN
Cliente A Cliente B Cliente C
Estrutura cloud
Combate à fraude centralizado
Visão geral do contexto de ataques
Bases de dados centralizada
Alto poder de omnicanalidade

Amazon

MongoDB
Por quê?
Necessidade de armazenar dados não estruturados (schemaless)
Capacidade de executar consultas e updates complexos
Lições aprendidas
Índices de collections grandes consomem muita memória RAM
Sharded cluster

DynamoDB
Por quê?
Necessidade de reduzir carga no MongoDB (índices consumindo muita memória RAM)
Consulta dos registros para análise de fraudes com alta velocidade
Backup e escalabilidade
Lições aprendidas
Baixo custo com índices
Quando usar automatic scaling ou on-demand
TTL

Amazon Redshift
Por quê?
Suporta grande quantidade de dados
SQL
Formato colunar (agilidade na exibição do Dashboard usado pelos clientes)
Conexão com ferramentas de BI (Tableau)
Lições aprendidas
Sort Key
Compactação de colunas
Vacuum - https://github.com/awslabs/amazon-redshift-utils
Retornar somente colunas necessárias nas consultas
Workload management

Amazon Athena
Por quê?
Consulta de base completa e histórica
Time de Data Science
Custo de acordo com o uso
Lições aprendidas
Consumir arquivos em formato colunar (Parquet)
Expurgar dados antigos do Amazon Redshift e consumir pelo Athena

Amazon RDS - Aurora
Por quê?
Aplicação com dados de alto nível de relacionamento
Manutenção e administração
Escalável
Lições aprendidas
Sem segredos, base relacional sem a parte de gerenciamento/manutenção

Resultados e aprendizados
Resultados
Melhor desempenho e velocidade no combate à fraudes
Resposta da API de risco de transação em milisegundos
Facilidade na visualização das nossas informações
Escalabilidade do negócio
+50 milhões de requisições por dia
Maior disponibilidade dos nossos serviços
Aprendizado
Não existe banco de dados que supra todas necessidades, combine-os!

© 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved.S U M M I TS U M M I T © 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved.
“Por favor, responda a pesquisa ao final
da sessão no app. Ao finalizar a
pesquisa, passe no Help Desk e retire
seu brinde!”

Bancos de dados na AWS: use a ferramenta certa para o seu tipo de dado

Recomendados

Recomendados

Mais conteúdo relacionado

Mais procurados

Mais procurados (20)

Semelhante a Bancos de dados na AWS: use a ferramenta certa para o seu tipo de dado

Semelhante a Bancos de dados na AWS: use a ferramenta certa para o seu tipo de dado (20)

Mais de Amazon Web Services

Mais de Amazon Web Services (20)

Bancos de dados na AWS: use a ferramenta certa para o seu tipo de dado