Seminar SAP HANA – Cloud Data Lake, Native Storage Extension und Daten-Tiering

Nicht jede Information benötigt dauerhaft teuren In-Memory-Speicher. Die Schulung entwickelt eine nachvollziehbare Hot-, Warm- und Cold-Data-Strategie und setzt geeignete Speicherklassen mit SAP HANA Cloud Data Lake, Native Storage Extension und kontrolliertem Daten-Lifecycle um.

Inhaltsverzeichnis

• Zielsetzung
• Zielgruppe
• Voraussetzungen
• Seminarinhalte
• Praxisübungen
• Methodik

Zielsetzung

• Datenbestände nach Zugriffshäufigkeit, Latenz, Kosten und Aufbewahrung klassifizieren
• Native Storage Extension und Data-Lake-Komponenten fachgerecht einordnen
• Tiering-, Partitionierungs- und Verschieberegeln entwerfen und testen
• Leistung, Kosten, Datenqualität und Wiederherstellbarkeit gemeinsam bewerten

Zielgruppe

Datenbankadministratoren, Data Architects, SAP-HANA-Cloud-Administratoren, Analytics-Teams, Plattformbetrieb und Verantwortliche für Datenlebenszyklen.

Voraussetzungen

Grundkenntnisse in SAP HANA, SQL, Tabellenpartitionierung und Datenbankbetrieb. Für Laborübungen wird Zugriff auf eine geeignete HANA-Cloud- oder HANA-Landschaft benötigt.

Seminarinhalte

1. Schritt 1: Datenklassen und Serviceziele definieren

   Tabellen und Partitionen werden nach Aktualität, Zugriffsmuster, Latenz, Volumen, Compliance und Wiederanlaufanforderungen klassifiziert. Die Klassifikation wird messbar formuliert.

2. Schritt 2: Tiering-Optionen vergleichen

   In-Memory-Speicher, NSE als warmer Speicher, Cloud Data Lake und externe Ablage werden hinsichtlich Funktionsumfang, Transparenz, Kosten, Performance und Betriebsaufwand bewertet.

3. Schritt 3: NSE-Konzept planen

   Page-loadable Tabellen oder Partitionen, Buffer-Cache, Speicherquoten und Kandidatenauswahl werden vorbereitet. Risiken durch ungeeignete Zugriffsprofile werden erkannt.

4. Schritt 4: Warm-Daten konfigurieren und messen

   Geeignete Objekte werden der warmen Speicherklasse zugeordnet. Speicherverbrauch, Ladeverhalten, Abfragezeit und Cachewirkung werden vor und nach der Änderung verglichen.

5. Schritt 5: Data-Lake-Nutzung entwerfen

   Tabellenstrukturen, Ladewege, Datenzugriff und Trennung zwischen operativer Datenbank und großvolumiger Ablage werden geplant. Datenformate und Qualitätskontrollen werden berücksichtigt.

6. Schritt 6: Daten-Lifecycle automatisieren

   Zeit-, Status- oder volumenbasierte Regeln für Verschiebung, Archivierung und Löschung werden formuliert. Wiederholbarkeit und Fehlerbehandlung werden in einem Ablaufplan festgehalten.

7. Schritt 7: Abfragen über Speicherklassen optimieren

   Filter, Projektion, Partition Pruning, Aggregationen und Datenlokalität werden geprüft. Unnötige Vollscans und kostenintensive Datenbewegungen werden vermieden.

8. Schritt 8: Betrieb und Governance absichern

   Kapazitätsalarme, Zugriffskontrollen, Backup-Zuordnung, Wiederherstellung, Aufbewahrung und regelmäßige Reklassifizierung werden in eine Betriebscheckliste überführt.

Praxisübungen

• Klassifikation eines Beispielbestands in Hot-, Warm- und Cold-Daten
• NSE-Kandidatenanalyse mit Vorher-/Nachher-Messung
• Entwurf einer Data-Lake-Ladestrecke und Qualitätskontrolle
• Erstellung einer Tiering-Richtlinie mit Lifecycle- und Recovery-Prüfpunkten

Methodik

Kurze Konzeptblöcke werden mit Messübungen an unterschiedlich großen Tabellen verbunden. Entscheidungen müssen jeweils durch Zugriffsmuster, Ressourcenverbrauch und Wiederherstellungsanforderung begründet werden.