Überblick über die Datenfreigabe in Amazon Redshift

Mit Data Sharing können Sie Live-Daten sicher und einfach über Amazon Redshift Redshift-Cluster hinweg teilen.

Informationen zu den ersten Schritten mit der gemeinsamen Nutzung von Daten und zur Verwaltung von Datenfreigaben mithilfe von finden Sie unter. AWS Management ConsoleVerwalten von Aufgaben bei der Datenfreigabe

Anwendungsfälle für Datenfreigabe mit Amazon Redshift

Die Amazon-Redshift-Datenfreigabe ist besonders für folgende Anwendungsfälle nützlich:

• Unterstützung verschiedener Arten geschäftskritischer Workloads – Verwenden Sie einen zentralen Extract, Transform, Load (ETL)-Cluster, der Daten mit mehreren Business Intelligence (BI) oder Analyse-Clustern gemeinsam verwendet. Dieser Ansatz bietet Lese-Workload-Isolation und Rückbelastung für einzelne Workloads. Sie können Ihre individuelle Workload-Rechenleistung entsprechend den Workload-spezifischen Preis- und Leistungsanforderungen anpassen und skalieren.

• Gruppenübergreifende Zusammenarbeit – Ermöglicht nahtlose Zusammenarbeit zwischen Teams und Unternehmensgruppen für umfassendere Analysen, Datenwissenschaft und produktübergreifende Wirkungsanalysen.

• Bereitstellung von Daten als Service – Teilen Sie Daten als Service in Ihrer gesamten Organisation.

• Freigabe von Daten zwischen Umgebungen – Teilen Sie Daten in Entwicklungs-, Test- und Produktionsumgebungen. Sie können die Teamagilität verbessern, indem Sie Daten auf verschiedenen Granularitätsstufen teilen.

• Lizenzierung des Zugriffs auf Daten in Amazon Redshift — Listet Amazon Redshift Redshift-Datensätze im AWS Data Exchange Katalog auf, die Kunden innerhalb von Minuten finden, abonnieren und abfragen können.

Anwendungsfälle für die gemeinsame Nutzung von Daten und Schreibzugriff (Vorschau)

Die gemeinsame Nutzung von Daten für Schreibvorgänge hat mehrere wichtige Anwendungsfälle:

• Geschäftsquellendaten auf dem Hersteller aktualisieren — Sie können Daten als Service in Ihrer gesamten Organisation gemeinsam nutzen, aber dann können Verbraucher auch Aktionen an den Quelldaten durchführen. Sie können beispielsweise up-to-date Rückwerte mitteilen oder den Empfang von Daten bestätigen. Dies sind nur einige mögliche Geschäftsanwendungsfälle.

• Fügen Sie zusätzliche Datensätze zum Hersteller hinzu — Verbraucher können den ursprünglichen Quelldaten Datensätze hinzufügen. Diese können bei Bedarf als vom Verbraucher stammend gekennzeichnet werden.

Spezifische Informationen zur Ausführung von Schreibvorgängen auf einer Datenfreigabe finden Sie unter Teilen des Schreibzugriffs auf Daten (Vorschau).

Freigeben von Daten auf verschiedenen Ebenen in Amazon Redshift

Mit Amazon Redshift können Sie Daten auf verschiedenen Ebenen teilen. Diese Ebenen umfassen Datenbanken, Schemas, Tabellen, Ansichten (einschließlich regulärer, späterbindender und materialisierter Ansichten) sowie benutzerdefinierte SQL-Funktionen (UDFs). Sie können mehrere Datashares für eine bestimmte Datenbank erstellen. Ein Datashare kann Objekte aus mehreren Schemas in der Datenbank enthalten, für die eine Freigabe erfolgt.

Durch diese Flexibilität beim Teilen von Daten erhalten Sie eine differenzierte Zugriffskontrolle. Sie können dieses Steuerelement für verschiedene Benutzer und Unternehmen anpassen, die Zugriff auf Amazon-Redshift-Daten benötigen.

Verwalten der Datenkonsistenz in Amazon Redshift

Amazon Redshift bietet Transaktionskonsistenz auf allen Produzenten- und Verbraucherclustern und teilt up-to-date und konsistente Ansichten der Daten mit allen Verbrauchern.

Sie können Daten im Produzenten-Cluster kontinuierlich aktualisieren. Alle Abfragen in einem Konsumenten-Cluster innerhalb einer Transaktion lesen den gleichen Status der freigegebenen Daten. Amazon Redshift berücksichtigt nicht die Daten, die durch eine andere Transaktion im Produzenten-Cluster geändert wurden, die nach dem Beginn der Transaktion im Konsumenten-Cluster festgeschrieben wurden. Nachdem die Datenänderung im Produzenten-Cluster festgeschrieben wurde, können neue Transaktionen im Konsumenten-Cluster die aktualisierten Daten sofort abfragen.

Durch die starke Konsistenz werden die Risiken von Geschäftsberichten mit niedrigerer Detailtreue entfernt, die während der Freigabe von Daten möglicherweise ungültige Ergebnisse enthalten. Dieser Faktor ist besonders wichtig für Finanzanalysen oder wo die Ergebnisse verwendet werden könnten, um Datensätze vorzubereiten, die zum Trainieren von Modellen für Machine Learning verwendet werden.