ATLAS
Atlas Stream Processing. Vereinheitlichen Sie Daten bei der Übertragung und Speicherung.
_Spot_BS_Lavender.svg?auto=format%252Ccompress)
Atlas Stream Processing in 3 Minuten erklärt
Erfahren Sie, wie Atlas Stream Processing das Dokumentmodell, flexible Schemata und das umfangreiche Aggregationsframework kombiniert, um mit Leistung und Komfort beim Entwickeln von Anwendungen zu punkten, für die zum Zwecke der Skalierung komplexe Ereignisdaten verarbeitet werden müssen.
Stream-Verarbeitung wie nie zuvor
Bei der Arbeit mit Streaming-Daten ist das Schema-Management von entscheidender Bedeutung für die Datenkorrektheit und Entwicklerproduktivität. Das Dokumentmodell und das Aggregationsframework von MongoDB bieten Entwicklern leistungsstarke Funktionen und Produktivitätssteigerungen, die Sie bei keiner anderen Stream-Verarbeitung finden.
Verarbeiten und verwalten Sie alle Ihre Daten auf einer Plattform
Zum ersten Mal können Entwickler eine Plattform – über API, Abfragesprache und Datenmodell hinweg – nutzen, um kontinuierlich Streaming-Daten zusammen mit den in ihrer Datenbank gespeicherten kritischen Anwendungsdaten zu verarbeiten.
vollständig verwaltet in Atlas
Atlas Stream Processing basiert auf unserer robusten und integrierten Entwicklerdatenplattform. Mit nur wenigen API-Aufrufen und Codezeilen kann ein Entwickler einen Stream-Prozessor, eine Datenbank und eine API-Serviceschicht errichten – mit vollständiger Verwaltung durch Atlas.Atlas Stream Processing
Funktionen
Integriert in Atlas
Ein vollständig verwalteter Atlas-Dienst mit flexibler Dokumentmodellierung.
Auf der Query API aufgebaut
Verwenden Sie die Query API und das Aggregationsframework – eine vertraute und leistungsstarke Schnittstelle – zur Handhabung der Stream-Verarbeitung.
Global verfügbar
Verfügbar in 11 AWS-Regionen in den USA, Europa und APAC, weitere Anbieter und Regionen folgen in Kürze.
Zustandsbehaftete Verarbeitung
Erstellen Sie zeitbasierte Fenster und andere Vorgänge für die komplexe Verarbeitung mehrerer Ereignisse.
Unterstützt Kafka und MongoDB
Stellen Sie einfach eine Verbindung zu Ihren wichtigsten Streaming-Quellen/-Senken in Kafka und Atlas her und führen Sie Daten kontinuierlich zusammen.
Kontinuierliche Validierung
Integrierte Unterstützung für die Validierung, um die Datenkorrektheit und intuitive Fehlerbehandlung sicherzustellen. Verwenden Sie Atlas-Sammlungen als Dead Letter Queue (DLQ).
Checkpointing
Im Falle eines Fehlers starten Checkpoints die Stream-Prozessoren automatisch neu und vermeiden unnötige Datenneuverarbeitung.
Interaktiv entwickeln
Die Verarbeitung von Streaming-Daten kann undurchsichtig sein. Verwenden Sie .process(), um während der Erstellung iterativ zu untersuchen.
„Bei Acoustic liegt unser Hauptaugenmerk darauf, Marken mit Behavioral Insights zu versorgen, die es ihnen ermöglichen, ansprechende, personalisierte Kundenerfahrungen zu schaffen. Mit Atlas Stream Processing können unsere Entwickler die Funktionen, die sie bereits aus der Arbeit mit Daten in Atlas kennen, dazu nutzen, neue Daten kontinuierlich zu verarbeiten und so sicherzustellen, dass unsere Kunden Zugang zu Kundeneinblicken in Echtzeit haben.“
„Atlas Stream Processing ermöglicht es uns, Daten zu verarbeiten, zu validieren und zu transformieren, bevor wir sie an unsere Messaging-Architektur in AWS senden, wodurch ereignisgesteuerte Updates auf unserer gesamten Plattform ermöglicht werden. Die Zuverlässigkeit und Leistung von Atlas Stream Processing haben unsere Produktivität gesteigert, die Entwicklererfahrung verbessert und die Infrastrukturkosten gesenkt.“
Ereignisgesteuerte Anwendungen
Wir ebnen den Weg zu einem reaktionsfähigen und reaktiven Echtzeitgeschäft.Whitepaper herunterladenNative Stream-Verarbeitung in MongoDB Atlas
Abfragen von Apache Kafka Datenstreams
Erweiterte Analysen mit Window Functions
Schema-Validierung komplexer Ereignisse
Abfragen von Apache Kafka Datenstreams
Erweiterte Analysen mit Window Functions
Schema-Validierung komplexer Ereignisse
Atlas optimal nutzen
Datenbank
Nutzen Sie unseren Multi-Cloud-Datenbank-Service, der für Ausfallsicherheit, Skalierung und ein Höchstmaß an Datenschutz und Sicherheit entworfen wurde.
Auslöser
Führen Sie Code bei Datenbankänderungen, Benutzerereignissen oder in voreingestellten Intervallen automatisch aus.
Kafka Connector
Native Integration von MongoDB Daten in das Kafka-Ökosystem.
Was sind Streaming-Daten?
Was ist Stream-Verarbeitung?
Wie unterscheidet sich Event-Streaming von der Stream-Verarbeitung?
Streaming-Daten befinden sich innerhalb von Ereignis-Streaming-Plattformen (wie Apache Kafka) und diese Systeme sind im Wesentlichen ein unveränderlich verteiltes Protokoll. Ereignisdaten werden mithilfe von API von Ereignis-Streaming-Plattformen veröffentlicht und genutzt.
Entwickler benötigen für fortschrittlichere Verarbeitungsvorgänge einen Streaming-Prozessor, z. B. für zustandsorientierte Aggregationen, Window Operations, Mutationen und die Erstellung materialisierter Ansichten. Diese ähneln den Vorgängen, die bei Abfragen in einer Datenbank ausgeführt werden, mit der Ausnahme, dass die Stream-Verarbeitung einen endlosen Datenstrom kontinuierlich abfragt. Dieser Bereich des Streamings ist noch im Entstehen; Technologien wie Apache Flink und Spark Streaming nehmen jedoch rasch Fahrt auf.
Mit Atlas Stream Processing bietet MongoDB Entwicklern eine bessere Möglichkeit, Streams mithilfe des Aggregationsframeworks in ihren Anwendungen zu verarbeiten.
Warum hat MongoDB Atlas Stream Processing entwickelt?
Wie finde ich den Einstieg in Atlas Stream Processing?
Wie unterscheidet sich die Stream-Verarbeitung von der Batch-Verarbeitung?
Die Stream-Verarbeitung erfolgt kontinuierlich. Im Zusammenhang mit der Entwicklung ereignisgesteuerter Anwendungen ermöglicht die Stream-Verarbeitung reaktive und überzeugende Abläufe wie Echtzeit-Benachrichtigungen sowie die Personalisierung, Routenplanung oder vorausschauende Wartung.
Die Batch-Verarbeitung ist nicht auf kontinuierlich produzierte Daten anwendbar. Bei der Batch-Verarbeitung werden stattdessen Daten über einen bestimmten Zeitraum erhoben und dann nach Bedarf verarbeitet. Ein Beispiel für die Batch-Verarbeitung ist ein Einzelhandelsunternehmen, das jeden Tag zum Geschäftsschluss Verkäufe zu Berichtszwecken und/oder zur Aktualisierung der Lagerbestände erfasst.
Sind mit Atlas Stream Processing Kosten verbunden?
Was ist der Unterschied zwischen einer Stream-Verarbeitungspipeline und einer Aggregationspipeline?
Sind Sie bereit loszulegen?
_Spot_BS_Mist_EndCap.svg?auto=format%252Ccompress)