Datenservices

Datenservices (manchmal auch als Data-as-a-Service bezeichnet) beziehen sich generell auf kleine, unabhängige und lose gekoppelte Funktionen, die in Data Storage Volumes gesammelte und gespeicherte Informationen verbessern, organisieren, teilen oder berechnen. Datenservices optimieren herkömmliche Daten, indem sie ihre Resilienz, Verfügbarkeit und Gültigkeit verbessern und Daten Eigenschaften verleihen, die sie nativ noch nicht besitzen – wie etwa Metadaten. Datenservicearchitekturen können mehrere Arten von Daten- und Anwendungsservices umfassen, die zusammenarbeiten, um ein Ziel zu erreichen, wie beispielsweise in iDaaS-Architekturen (Intelligent Data-as-a-Service).

Datenservices sind eigenständige Einheiten von Softwarefunktionen, die Daten Eigenschaften verleihen, die sie noch nicht besitzen. Datenservices können Daten verfügbarer, resilienter, verständlicher und damit für Nutzende und Programme nützlicher machen.

Mit Datenservicefunktionen werden Eingaben in Ausgaben umgewandelt. Bei den Eingaben handelt es sich um verschiedene Sätze von Rohdaten, die noch nicht für einen bestimmten Zweck verarbeitet wurden. Sie werden in ihrem nativen Format konfiguriert und in physischen, virtuellen oder cloudbasierten Storage Volumes gespeichert. Die Ausgaben sind in der Regel:

• Organisatorisch: Sie entstehen durch Konsolidierung, Management, Stapelverarbeitung und Strukturierung von Daten, die normalerweise aus strukturierten (Datenbanken), halbstrukturierten (Data Warehouses) oder unstrukturierten Quellen (Data Lakes) stammen.
• Übertragbar: Sie entstehen durch Verschieben von Daten von ihrem Ursprungsort über ein Netzwerk zu einem Endpunkt wie einer Anwendung oder Plattform.
• Prozedural: Sie entstehen durch Verarbeitung von Daten, normalerweise als Teil von Datenmodellierungs-, Analyse- oder KI/ML-Software (Künstliche Intelligenz/Maschinelles Lernen).

Verwalten von gespeicherten Daten

Datenservices können helfen, Daten im Ruhezustand zu verwalten, also in Storage Volumes gespeicherte Daten. Datenservices extrahieren Rohdaten aus ihren Quellen – wie Kundendatensätze aus OLTP-Datenbanken (Online Transactional Processing), Informationen zu Sachschäden aus Data Warehouses oder Bilder und Videos aus Data Lakes – und wenden Governance-Prinzipien, Organisation und Wartung an, um die Daten für Anwendungen nutzbar und für Nutzende zugänglich zu machen. Datenservices sind ein wichtiger Bestandteil von Big Data-Strategien, da sie aus umfangreichen Sammlungen strukturierter, halbstrukturierter und unstrukturierter Daten, die an verschiedenen Orten gespeichert sind, sinnvolle Daten machen können.

Verschieben von Daten

Datenservices können für Daten in Bewegung genutzt werden, wenn sie von ihrem ursprünglichen Speicherplatz zu einer Anwendung oder Plattform verschoben werden, normalerweise in Echtzeit. Datenservices können Daten-Pipelines erstellen, um Daten kontinuierlich zwischen mehreren Endpunkten hin und her zu verschieben. So können Datenservices Organisationen dabei unterstützen, von der stapelorientierten Datenverarbeitung zur event-gesteuerten Datenverarbeitung überzugehen, indem sie Daten sofort beim Generieren verarbeiten. Datenservices stellen außerdem sicher, dass Daten niemals von ihrem Ursprungsort entfernt werden, sodass mehrere Endpunkte denselben Datenpunkt gleichzeitig verwenden können. Dies ist sehr nützlich beim Aufbau skalierbarer, event-gesteuerter Architekturen.

Nutzen von Daten

Datenservices können die Nutzung aktiver Daten in Data-Science-, Datenanalyse- und Datenmodellierungssoftware unterstützen. Mithilfe von Datenservices kann der Datenzugriff auf leistungsstarke, intelligente Datenverarbeitungsplattformen wie KI/ML- und Deep Learning-Tools verbessert werden. Je nach Datenservice können Daten in Aktion aus Sammlungen kleiner, unabhängiger und lose gekoppelter Services bestehen, die gewöhnlich in Containern paketiert und von einer Kubernetes-Plattform orchestriert werden.

Traditioneller Storage

Darunter versteht man die Erfassung und Speicherung digitaler Rohdaten – der Bits und Bytes hinter Anwendungen, Netzwerkprotokollen, Dokumenten, Medien, Adressbüchern, Benutzereinstellungen und mehr. Wird ein Dokument gespeichert und ein Speicherort ausgewählt, ist dies ein Vorgang des Data Storage. Nutzende sehen den Data Storage normalerweise auf der Ebene der Infrastruktur, selten sind Storage Volumes verbunden. Beispielsweise gibt es normalerweise keine native Methode zum Anzeigen aller Dateien, Blöcke oder Objekte, die auf einer Workstation, bei einem Cloud-Storage-Anbieter oder auf einer externen Festplatte gespeichert sind. Dies führt dazu, dass die Untersuchung von Data Storage ein sehr manueller und monolithischer Vorgang ist.

Datenservices

Hierbei handelt es sich um Software, die in traditionellen Data Storage Volumes gespeicherte Daten als Eingaben verwendet, um bestimmte Ausgaben zu erstellen – oder um Software, die herkömmliche Daten optimiert, indem ihre Resilienz, Verfügbarkeit und Gültigkeit verbessert wird. Nutzende interagieren normalerweise innerhalb einer Anwendung mit den Datenservices, wodurch der Prozess sehr flexibel und individuell anpassbar wird. Der von Red Hat® OpenShift® Data Foundation bereitgestellte Datenservice abstrahiert beispielsweise die Storage-Infrastruktur, sodass Daten an vielen verschiedenen Orten gespeichert werden können und trotzdem als ein persistentes Repository agieren.

Mit den Lösungen von Red Hat können Sie Datenservices und andere Aspekte der cloudnativen Anwendungsentwicklung unterstützen und Ihren Kunden so kontinuierlich neue Funktionen zur Verfügung stellen. 

Zu den Angeboten von Red Hat Cloud Services zählen Plattformen wie Red Hat OpenShift Data Science, das eine vollständig unterstützte Umgebung bietet, in der ML-Modelle (Machine Learning) im Handumdrehen in der Public Cloud entwickelt, trainiert und getestet werden können, bevor sie in der Produktivumgebung bereitgestellt werden.