优化分析工作负载的数据库：聚合和处理大型数据集。MPP数据库通常是列式的，所以MPP数据库通常将每一列存储为一个对象，而不是将表中的每一行存储为一个对象（事务数据库的功能）。该系统结构使复杂的分析查询更快、更有效。
这些分析数据库将其数据集分布在许多机器或节点上，以处理大量数据（因此得名）。这些节点包含自己的存储和计算功能，使每个节点都可以查询。
在过去的十年里，分析MPP数据库的激增和成本下降为数据驱动组织比以往更大的数据集运行和分析提供了巨大的机会。这些数据库是对不断增长的分析师工具包的极好补充，但也给系统结构带来了额外的复杂性。
数据仓库真正适合什么？
典型的分析工作量
MPP数据库非常擅长分析最常见的工作负载，通常以查询子集为特征，并在广泛的线路范围内进行总结。这是因为它们的列系统结构允许它们只访问查询所需的字段（与事务数据库相反，事务数据库必须连续访问所有字段）。
列式系统系统结构MPP数据库提供了其他有用于分析工作负载的功能。这些功能因数据库而异，但通常包括压缩类似数据值、有效索引大表和处理宽非标准化表的功能。
数据集中化
分析型通常用于组织MPP数据库作为数据仓库或集中存储仓库，包括组织内生成的所有数据，如交易销售数据，Web跟踪数据、营销数据、客户服务数据、库存/物流数据、人力资源/招聘数据和系统日志数据。由于分析MPP数据库可以处理大量的数据，因此组织可以轻松地依靠这些数据库存储数据，并支持分析这些业务功能的负载。
线性可伸缩性
通过向系统添加更多的服务器进行分析MPP数据库可以轻松地线性地扩展其计算和存储功能。与垂直扩展计算和存储功能相反，后者涉及升级到更大、更强大的单个服务器，通常在规模上遇到障碍。分析型MPP数据库可以快速、轻松、高效地横向扩展，使按需数据库供应商能够根据查询的大小自动执行该过程，以扩大或缩小系统。
数据仓库解决方案
自我管理的MPP数据库
按需MPP数据库
MPP分析架构
大规模并行处理一个词是指安装在这些数据库中的表分布在中的每个节点上的事实，以及在查询过程中同时工作以处理停留在其上的数据的事实。
分布式架构
分析性MPP数据库旨在在许多单独的服务器或节点上并行运行查询。这意味着，通过在集群中添加更多的节点，可以将相同的工作负载分配给更多的服务器，并更快地完成。
尽管分析型MPP数据库有时可以在某些方面扩展，但它们最大的优点是通过向系统添加更多的节点来相对容易地扩展数据库系统。
大规模并行处理（MPP）
虽然不同的系统使用不同的方法来耦合数据存储和计算查询，并使用不同的策略将数据从一个节点移动到另一个节点，但所有这些都是MPP系统非常快，因为领导者可以制定查询计划，然后分配数据的实际工作量。查询许多员工。
托管和地方实施
分析型MPP数据库已经存在了几十年，但在过去的十年里，它们的成本和管理的复杂性大大降低。直到最近，唯一的选择是托管这些数据库。但最近，它们已经迁移到云中。
一些分析数据仓库只能通过托管系统结构使用。Amazon Redshift，Snowflake和Google BigQuery仅通过云提供Teradata这样的其他产品则可以在内部部署，打包为设备（捆绑软件和硬件）或通过云中的托管模型进行部署。
HPE Vertica是分析MPP在数据库类别中唯一提供软件的数据库，您可以使用该软件在商品硬件上构建自己的分析数据库。这种类型的解决方案为特殊用例提供了更大的灵活性和定制性。
MPP分析数据库的约束
复杂
与分布式MPP与数据库相关的主要约束是，与事务数据库相比，它们需要不同类型的规划和设置。设置初始设置Extract-Transform-Load（ETL）将数据从源头移动到数据仓库可能是一个相当大的项目（尽管许多供应商现在提供服务来简化这个过程）。
可扩展性
在处理多个数据源时，特别是当这些数据源中的数据量无法完全控制时，规划集中所需的资源也具有挑战性。许多云托管mpp所有的数据库技术都提供了自动扩展功能，但并非所有这些功能都可以。
批量加载/延迟
通常，由于分析MPP建立数据库的方式，你想要的数据越接近实时，数据工程任务就越具挑战性。这是因为这些技术通常优化批量加载。分布式读取优化数据存储是整个集群的劳动密集型任务。一些分布式MPP数据库提供混合存储或其他服务来解决这个问题。许多组织维护其事务数据库的副本只是为了实时访问数据集。
优化分析MPP数据库
根据你使用的是按需MPP数据库解决方案还是托管MPP对于分析，数据库解决方案和使用情况MPP调整数据库性能的注意事项会大不相同。
与成本相似的事务数据库相比，重要的是要注意，MPP在考虑优化和调整之前，数据库解决方案通常可以处理更多的数据。
也就是说，当你达到需要调整性能的阶段时，与自托管解决方案相比，托管MPP解决方案将为您处理更多的细节，这将需要您做更多的工作。