NoSQL-Datenbanken
NoSQL-Datenbanken sind nicht relationale Datenbanken, die Daten als Dokumente, Schlüssel-Wert-Paare, Wide Columns oder Graphen statt in festen Tabellen speichern. Sie verzichten auf einige relationale Funktionen zugunsten flexibler Schemata, horizontaler Skalierung und schneller Zugriffsmuster.
Was sind NoSQL-Datenbanken?
NoSQL ist ein Sammelbegriff für vier recht unterschiedliche Datenbankmodelle, die jeweils um ein bestimmtes Zugriffsmuster herum gebaut sind.
Dokument: JSON-ähnliche Datensätze, etwa MongoDB, Couchbase und Google Firestore.
Key-Value: Ein Schlüssel verweist auf einen Wert, etwa Redis und Amazon DynamoDB.
Wide Column: Zeilen mit flexiblen Spalten über einen Cluster verteilt, etwa Apache Cassandra, HBase und Google Bigtable.
Graph: Knoten und Beziehungen, etwa Neo4j und Amazon Neptune.
Der Name steht für „not only SQL“; mehrere dieser Systeme bieten inzwischen SQL-ähnliche Abfragesprachen, und MongoDB unterstützt seit Version 4.0 ACID-Transaktionen über mehrere Dokumente. Gemeinsam ist ihnen, dass Daten danach modelliert werden, wie die Anwendung sie liest, statt in viele verknüpfte Tabellen normalisiert zu werden.
Wie funktionieren NoSQL-Datenbanken?
Die meisten NoSQL-Systeme skalieren horizontal, indem sie Daten anhand eines Schlüssels auf mehrere Maschinen verteilen; das Schlüsseldesign bestimmt daher die Performance.
Daten werden anhand eines Partitionsschlüssels, etwa customer_id, in Partitionen aufgeteilt.
Jede Partition wird für die Verfügbarkeit auf mehrere Knoten repliziert.
Lese- und Schreibvorgänge, die eine einzige Partition betreffen, sind schnell; Abfragen über alle Partitionen sind langsam oder unmöglich.
Die Konsistenz ist einstellbar: Viele Systeme nutzen standardmäßig Eventual Consistency, bei der Replikate nach kurzer Verzögerung übereinstimmen.
Das CAP-Theorem beschreibt den Zielkonflikt: Während einer Netzwerkpartition muss ein verteiltes System zwischen Konsistenz und Verfügbarkeit wählen. Ein schlecht gewählter Schlüssel erzeugt eine Hot Partition, bei der ein Schlüssel den Großteil des Traffics abbekommt und die Tabelle drosselt.
Wie sehen NoSQL-Datenbanken in der Praxis aus?
Viele Produkte kombinieren Modelle: NoSQL für schlüsselbasierte Lesezugriffe mit hohem Volumen und eine relationale Datenbank für alles, was mit Geld zu tun hat. Nehmen Sie ein Mobile-Gaming-Studio mit 30 Mitarbeitenden, das Spielerprofile, Inventare und Sitzungsereignisse speichert. Angenommen, das Profil jedes Spielers wird bei jedem App-Start gelesen, und das Schema ändert sich mit jedem Spiel-Update.
Das Team speichert Profile und Inventare in DynamoDB mit player_id als Schlüssel, nutzt Redis mit Sorted Sets für Bestenlisten und streamt Sitzungsereignisse zur Analyse nach BigQuery. In diesem Beispiel erfordert ein neues Inventarfeld keine Migration, Profilzugriffe bleiben bei jeder Spielerzahl schnell, und die Analysen laufen im Warehouse statt gegen die Produktionsumgebung.
Der relationale Teil bleibt dort, wo er hingehört: Zahlungen und Erstattungen liegen in PostgreSQL, wo Transaktionen und Constraints am wichtigsten sind.
Wann sollten Sie keine NoSQL-Datenbank verwenden?
Verzichten Sie auf NoSQL, wenn Ihre Daten stark relational sind und auf unvorhersehbare Weise abgefragt werden; das ist der klassische Fall für SQL.
Finanz-, Lager- und Bestellsysteme, die Transaktionen über mehrere Zeilen und strikte Constraints benötigen.
Reporting- und BI-Workloads mit Ad-hoc-Joins und Aggregationen; nutzen Sie stattdessen ein Data Warehouse.
Teams, die ihre Zugriffsmuster noch nicht kennen, da sich das Schlüsseldesign später nur schwer ändern lässt.
Kleine Apps, bei denen eine einzige PostgreSQL-Instanz, die auch JSONB unterstützt, alles abdeckt.
Duplizierte Daten sind in Dokument- und Key-Value-Modellen normal, wodurch die Arbeit für Konsistenz in den Anwendungscode wandert. Wird der Name eines Kunden in jedes Bestelldokument kopiert, bedeutet eine Namensänderung, jede Kopie zu aktualisieren oder hinzunehmen, dass alte Bestellungen den alten Namen zeigen.
Worin unterscheiden sich NoSQL-Datenbanken von SQL-Datenbanken?
Relationale Datenbanken erzwingen ein Schema und unterstützen Joins; NoSQL-Datenbanken lockern beides, um Schreibvorgänge zu skalieren und flexible Daten aufzunehmen. Relationale Systeme werden mit SQL abgefragt, womit Sie neue Fragen stellen können, ohne die Speicherung neu zu entwerfen.
Relationale Systeme setzen typischerweise ACID an erste Stelle und skalieren vertikal; die meisten NoSQL-Systeme wurden dafür entwickelt, horizontal über viele Knoten zu skalieren.
Beide sind in der Regel OLTP-Speicher für Anwendungen; Analysen gehören in ein Warehouse oder einen Data Lake. Eine neuere Kategorie, die Vektordatenbank, wird manchmal zu NoSQL gezählt; sie speichert Embeddings für die Ähnlichkeitssuche in KI-Anwendungen. Viele Teams betreiben beide Modelle nebeneinander, was oft als Polyglot Persistence bezeichnet wird.
NoSQL vs. relationale Datenbanken
NoSQL-Datenbanken | Relationale (SQL-)Datenbanken | |
|---|---|---|
Datenmodell | Dokument, Key-Value, Wide Column, Graph | Tabellen mit Zeilen und Spalten |
Schema | Flexibel, pro Datensatz | Fest, von der Datenbank erzwungen |
Skalierung | Überwiegend horizontal, über den Partitionsschlüssel | Überwiegend vertikal, plus Lesereplikate |
Joins | Eingeschränkt oder keine; Daten werden dupliziert | Nativ, über SQL |
Am besten geeignet für | Hohes Volumen, bekannte Zugriffsmuster | Transaktionen und Ad-hoc-Abfragen |
Wie nutzt VIZIO AI NoSQL-Datenbanken?
VIZIO AI wählt die Datenbank passend zum Zugriffsmuster, und unsere Fallstudien enthalten NoSQL dort, wo Echtzeit-Synchronisierung oder semantische Suche wichtig waren. Für ein Möbel- und Beleuchtungsunternehmen aus Minnesota baute das DX Studio ein 4K-Echtzeit-Vertriebsdashboard, bei dem AWS Lambda Shopify- und interne Daten verarbeitete und Google Firebase die Authentifizierung und Echtzeit-Datenbankaktualisierungen übernahm; die Transparenz operativer Daten stieg um 85 %, die operative Effizienz verbesserte sich um 21 %.
Für eine südostasiatische Beratungsfirma nutzte eine Financial-Intelligence-Plattform eine Vektordatenbank hinter ihrem KI-Chatbot und ihrer semantischen Suche und reduzierte den Zeitaufwand für Finanzrecherchen um 65 %. Wo Sie anfangen sollten: Notieren Sie Ihre fünf wichtigsten Abfragen und deren erwartetes Volumen, bevor Sie sich zwischen SQL und NoSQL entscheiden.
NoSQL-Datenbanken in Fallstudien von VIZIO AI
- 4K Screen-Compatible Real-Time Sales ›Echtzeit-Datenbankaktualisierungen mit Firebase und die Verarbeitung von Shopify-Daten mit AWS Lambda hielten ein 4K-Dashboard live und steigerten die Transparenz operativer Daten um 85 %.
- AI-Driven Financial Insights Platform for SMEs ›Eine Vektordatenbank trieb semantische Suche und einen KI-Chatbot an und reduzierte den Zeitaufwand für Finanzrecherchen um 65 %.