AnalyticDB for MySQL est un service d'entrepôt de données entièrement géré, bâti sur une architecture de data lakehouse. Il traite en temps réel des pétaoctets de données structurées, semi-structurées et non structurées, met à jour les données en quelques millisecondes et répond aux requêtes en moins d'une seconde.
Le service offre une compatibilité élevée avec MySQL, ce qui permet de l'intégrer à vos clients existants, pilotes, outils de business intelligence (BI) et workflows de planification sans aucune modification.
Ce que vous pouvez faire avec AnalyticDB for MySQL
AnalyticDB for MySQL prend en charge quatre grandes charges de travail. Chaque charge de travail est autonome : utilisez-en une seule ou combinez-les au sein d'un même cluster.
Intégration de données multisources
Ingérez des données structurées, semi-structurées et non structurées provenant de plus d'une douzaine de types de sources, notamment des bases de données relationnelles, des bases NoSQL, du stockage cloud, des systèmes de journaux et des files d'attente de messages. Toutes les données sont centralisées dans un data lakehouse unique qui alimente vos analyses et pipelines par lots. Pour la liste complète des sources, consultez la rubrique Importation de données.
Analyses en temps réel
Synchronisez les données issues de bases de données opérationnelles et de sources de streaming — notamment PolarDB, ApsaraDB RDS, ApsaraMQ for Kafka et Simple Log Service — en temps réel. Les données sont interrogeables quelques millisecondes après leur écriture, avec une garantie de forte cohérence. 
Traitement ETL par lots
Extrayez les données des sources, transformez-les et nettoyez-les, puis chargez-les dans AnalyticDB for MySQL selon une planification définie. Les outils de planification tels que Data Management (DMS), DataWorks, Airflow, DolphinScheduler et Azkaban s'intègrent directement au cluster. 
Analyse de données basée sur Spark
Exécutez des analyses complexes et du machine learning directement sur les données du data lakehouse grâce au moteur de calcul Spark intégré. Utilisez Spark SQL pour les requêtes structurées, les packages Spark JAR pour les travaux par lots personnalisés, ou PySpark pour le prétraitement et les pipelines de ML. 
Fonctionnalités clés
Sources de données prises en charge
AnalyticDB for MySQL ingère des données provenant de bases de données relationnelles, de magasins NoSQL, de plateformes Big Data, de solutions de stockage d'objets, de systèmes de journaux, de files d'attente de messages et de fichiers locaux.
| Type | Source de données |
|---|---|
| Base de données relationnelle | ApsaraDB RDS for MySQL, ApsaraDB RDS for SQL Server, PolarDB for MySQL, PolarDB-X, base de données MySQL autogérée, base de données Oracle autogérée |
| Base de données non relationnelle | ApsaraDB for MongoDB, Lindorm, base de données HBase autogérée |
| Big Data | MaxCompute, Flink, Hive |
| Stockage | Object Storage Service (OSS), AWS S3, Azure Blob Storage, Google Cloud Storage, Tablestore, HDFS |
| Journal | Simple Log Service, Logstash |
| File d'attente de messages | Kafka |
| Fichier local | Fichier texte |
Pour obtenir les instructions de configuration, consultez la rubrique Importation de données.
Compatibilité avec l'écosystème
AnalyticDB for MySQL est compatible avec MySQL. Il fonctionne donc avec la plupart des clients, pilotes, outils de BI et outils d'ordonnancement qui prennent en charge MySQL, sans nécessiter de configuration supplémentaire.
| Catégorie | Outils |
|---|---|
| Client | DBeaver, DBVisualizer, Navicat, SQL WorkBench/J, Client en ligne de commande MySQL |
| Pilote | Java : Java Database Connectivity (JDBC) et Pool de connexions Druid · Python : MySQLdb · PHP : MySQLi et PDO · C# : MySql.Data · Go : go-sql-driver/mysql · Node.js : MySQL |
| Outil de BI | FineBI, FineReport, Power BI, Tableau, Quick BI, DataV, , , QlikView, Smartbi, Superset, Metabase, Redash |
| Outil d'ordonnancement | DMS : Ordonnancement des tâches · DataWorks : Tâches SQL XIHE et Tâches Spark · Airflow : Tâches SQL XIHE et Tâches Spark · DolphinScheduler : Tâches SQL XIHE et Tâches Spark · Azkaban : Tâches SQL XIHE et Tâches Spark |
Hautes performances
AnalyticDB for MySQL exécute des requêtes complexes en quelques secondes ou millisecondes, offrant ainsi des performances analytiques jusqu'à 10 fois supérieures à celles des bases de données relationnelles. Les données sont interrogeables quelques millisecondes seulement après leur écriture, avec une garantie de cohérence forte.
Mise à l'échelle élastique
AnalyticDB for MySQL repose sur une architecture découplant le stockage du calcul, ce qui permet une mise à l'échelle indépendante de ces deux ressources.
Calcul : Effectuez une mise à l'échelle manuelle dans les limites des spécifications prédéfinies, ou configurez la mise à l'échelle élastique automatique pour absorber les fluctuations de charge. Consultez la rubrique Mise à l'échelle d'un cluster.
Stockage : La capacité s'ajuste automatiquement en fonction du volume de données, avec une facturation à l'utilisation. Stockez vos données historiques dans OSS pour réduire les coûts.
Sécurité et conformité
AnalyticDB for MySQL couvre l'ensemble du périmètre de sécurité requis par les charges de travail d'entreprise : gestion des permissions, accès réseau, chiffrement, audit et sauvegarde.
| Catégorie | Fonctionnalité | Description |
|---|---|---|
| Gestion des permissions | Resource Access Management (RAM) | Accordez aux utilisateurs RAM un accès ciblé pour créer, gérer et supprimer des clusters. |
| Gestion des permissions | Gestion des permissions de base de données | Assignez des permissions au niveau global, de la base de données, de la table ou de la colonne. |
| Sécurité des données | Listes blanches d'adresses IP | Bloque toutes les connexions entrantes par défaut ; autorisez uniquement les adresses IP nécessitant un accès. |
| Sécurité des données | Chiffrement SSL | Chiffre les connexions au niveau de la couche transport à l'aide de certificats émis par des autorités de certification (CA). |
| Sécurité des données | Chiffrement de disque | Chiffre les données au niveau du stockage par blocs afin qu'elles restent illisibles même en cas de fuite. |
| Audit | Audit SQL | Enregistre en temps réel toutes les opérations DML et DDL pour détecter les anomalies et diagnostiquer les problèmes de performance. |
| Sauvegarde et restauration | Sauvegarde périodique | Sauvegarde automatiquement les données du cluster selon un planning configurable. |
| Sauvegarde et restauration | Restauration des données | Restaure les données depuis des jeux de sauvegarde vers un nouveau cluster. |
| Surveillance et alertes | Surveillance des clusters | Consultez l'utilisation du CPU, la mémoire de calcul utilisée, l'espace disque occupé et le temps de réponse via la console ou l'API. |
| Surveillance et alertes | Surveillance Spark | Consultez les métriques des tâches Spark via la console CloudMonitor ou l'API. |
| Surveillance et alertes | Alertes | Configurez des règles d'alerte afin que les contacts appropriés soient notifiés lorsqu'un seuil est dépassé. |
Pour la liste complète des fonctionnalités, consultez la rubrique Fonctionnalités et capacités.
Tarification
Les frais comprennent les frais de ressources réservées, les frais de ressources élastiques, les frais de stockage des données, les frais de stockage du cache et les frais de stockage des sauvegardes.
-
Pour la liste des éléments facturables, consultez la rubrique Éléments facturables des éditions Enterprise et Basic.
Pour consulter les tarifs, reportez-vous à la rubrique Tarification des éditions Enterprise et Basic.
Éditions
AnalyticDB for MySQL est proposé en deux éditions offrant les mêmes fonctionnalités, mais reposant sur des architectures de stockage différentes.
| Édition | Architecture | Nœuds | Idéal pour |
|---|---|---|---|
| Enterprise Edition | Multi-réplica | Nœuds réservés par multiples de 3 | Environnements de production |
| Basic Edition | Single-replica | Un nœud réservé | Apprentissage et tests |
Pour commencer, créez un cluster Enterprise Edition ou Basic Edition.
Premiers pas
Vous découvrez AnalyticDB for MySQL ? Commencez par créer un cluster, puis suivez les guides adaptés à votre rôle ci-dessous.
Administrateurs de bases de données
Gérer les comptes et les permissions — Créez des utilisateurs de base de données et contrôlez les accès de chaque compte.
Configurer les listes d'autorisation d'adresses IP — Restreignez les clients autorisés à se connecter au cluster.
Surveiller les performances et la charge du cluster — Suivez l'utilisation du CPU, de la mémoire, du disque et le temps de réponse des requêtes.
Configurer l'audit SQL — Journalisez les opérations DML et DDL pour assurer la conformité et détecter les anomalies.
Configurer le cycle et la fréquence des sauvegardes — Planifiez des sauvegardes automatiques pour prévenir toute perte de données.
Ingénieurs en développement de données
Créer des bases de données et des tables — Définissez le schéma de votre entrepôt de données.
Importer des données depuis des entrepôts ou des lacs de données — Migrez ou synchronisez les données vers le cluster. Consultez également la rubrique sur l'ingestion depuis les lacs de données.
Se connecter via le code d'application — Utilisez les pilotes JDBC, Python, Go ou autres pour exécuter des requêtes depuis vos services.
Concevoir des schémas de table pour optimiser les performances des requêtes — Optimisez le partitionnement et l'indexation selon votre charge de travail.
Exécuter des applications Spark SQL ou Spark (applications Spark) — Nettoyez, transformez et traitez les données à grande échelle.
Analystes de données
Se connecter avec un client — Utilisez DBeaver, Navicat ou tout autre client compatible MySQL.
Créer des tableaux de bord avec des outils BI — Connectez Tableau, Power BI, Quick BI ou un autre outil BI pris en charge.
Interroger les données avec des instructions SELECT — Exécutez des requêtes analytiques sur des jeux de données de l'ordre du pétaoctet.
Utiliser les fonctions intégrées — Appliquez des fonctions d'agrégation, de manipulation de chaînes, mathématiques et autres dans vos requêtes.
Effectuer une recherche en texte intégral — Réalisez des correspondances floues et des recherches de similarité sur des données textuelles.
Optimiser les performances des requêtes — Diagnostiquez les requêtes lentes et appliquez les recommandations d'optimisation.
Ingénieurs en algorithmes
Prétraiter les données avec PySpark — Nettoyez, transformez, joignez et fusionnez de grands jeux de données pour les pipelines de machine learning.
Exécuter des prédictions de machine learning avec SQL — Appelez des modèles de ML et exposez les prédictions directement dans les requêtes SQL.