Kreml lämnar bakdörr konto i tusentals oskyddade företag databaser
“Admin@kremlin.ru” konto fläckig på tusentals ryska ihop, internet-exponerade MongoDB databaser.
Dagens program vill ha det alla, och de databaser som driver dem är tvungna att följa: Automatisk distribution och skalbarhet både lokalt och i molnet, multi-cloud, hybrid cloud, plus motståndskraft, geo-distribution, och SQL.
Vi har sett att listan över databaser med alla dessa är ganska kort. Men i dag, en annan databas som gör att listan: FaunaDB. FaunaDB var som skapats av tidigare anställd Twitter Nr 15 Evan Weaver att ta itu med de frågor som han har upplevt i första hand på Twitter. FaunaDB har varit en NoSQL lösning, men inte längre.
FaunaDB precis bytt läger över natten, blir mer intressant för en bredare, varierande målgrupp, genom att lägga till stöd för GraphQL för webbapplikationer, såväl som CQL för nyckel-värde access och SQL för relationsdatabaser arbetsbelastning. ZDNet hade en Q&a med Weaver för att ta reda på hur och varför det kom till, och vad det innebär för FaunaDB och användarna av databasen i stort.
Den nya FaunaDB: FQL, SQL, GraphQL
Det första vi undrade var vilken typ av SQL-stöd kommer att ges. Är det SQL-liknande, eller plain gamla ANSI SQL? Weaver säger att målet är en variant av ANSI SQL som andra relationella databaser:
“Som dessa databaser kommer det sannolikt att vara ett par egna nyckelord, och ett par platser där den specifikation som är oklart eller som vi behöver för att avvika något. I likhet med andra i vår rymd, vi kommer att börja med grunderna och hålla förlängning och utvidgning av över tiden för att möta kundernas användningsfall. Vi tror SQL är viktigt för företaget, men applikationer håller på att utvecklas, och så är utvecklare och färdigheter.”
Genom att lägga till SQL-stöd, FaunaDB har förvandlats från NoSQL till SQL över natten.
×
sql-1.png
Hur mycket varians det finns i variant, och om det fungerar för dem, kommer användarna att se för sig själva. I alla fall, detta öppnar dörren till en betydligt bredare publik, ovillig eller oförmögen att lära sig detaljerna i FaunaDB egna query language, FQL, för att använda det. Men det är inte allt-det nya FaunaDB kommer med GraphQL och CQL också, var och en tjänar olika syften.
GraphQL är ett sätt att effektivisera tillgång till REST Api: er, och har massor av dragkraft. Men det är inte något vi är vana att se databaser som stöder direkt. Weaver konstaterade att det var en ansträngning för att se till att GraphQL är inbyggda direkt och sammanställer på ett öppet sätt för att FQL och erbjuder samma garantier:
“Med Djur inställning till Api: er, som du kan manipulera någon underliggande data via API, och alltid bevara en stark konsekvens, rad-åtkomstkontroll, QoS, temporalitet, och som, även om den inte är en del av API fråga språket i sig. Detta är grundläggande för vårt API filosofi och mycket viktig skillnad.
Vi kan göra detta eftersom dessa Api: er som kör mot en gemensam Calvin powered kärna. Andra databaser med flera gränssnitt typiskt bult på helt ny fråga utförare och ofta nya lagring motorer, och multi-API endast till namnet, vilket leder till en mängd problem integration inget bättre än att köra flera olika databaser sida vid sida.”
Weaver noteras att GraphQL samhället är på bleeding edge av applikationsutveckling och förväntar sig att allt ska vara globala och serverlösa; nu, sade han, det har omedelbar tillgång till en infödd serverlösa GraphQL molnet via FaunaDB.
Multi-modell?
Om GraphQL är en blinkning till framtiden, och SQL är en blinkning till det förflutna, vad är poängen med att lägga till stöd för CQL? CQL är det frågespråk som används av Apache Cassandra och dess kommersiella versionen, DataStax Företag (DSE), bland affischen barn NoSQL. Detta var inte något vi hade förväntat oss att se som nya inslag i en konkurrerande databas lösning, särskilt meddelade samtidigt som SQL.
Men sedan igen, FaunaDB är inte den första att göra detta. Förutom ScyllaDB, en drop-in ersättning för DSE, Azure CosmosDB stöder också CQL. Skälet är naturligtvis den samma: Onboarding Cassandra/DSE-användare. Weaver sa CQL är en bra nyckel/värde-gränssnitt, men i första hand är av intresse för kunder redan kör Cassandra:
“De är trötta på sina operativa mardrömmar och brist på data är korrekta. Du kan inte köra kritiska arbetsbelastning på Cassandra, om du har fastnat i det läget, du är på jakt efter en riktig ersättare. Du kan flytta dina program, och koppla dem till FaunaDB Moln eller Företag med lägre ansträngning än att anta FaunaDB s eget gränssnitt FQL direkt.”
Så, med FaunaDB erbjuder nu en mängd fråga språk utöver sitt eget, vad skulle Weaver förväntar sig användarna att i första hand använda framöver? Kunder kommer att använda det API som bäst passar deras ansökningar, säger Weaver, men han förväntar sig breda antagande för GraphQL. FaunaDB är också tippad som en multi-modell av databasen, och det var något som vi tyckte var lite förvirrande.
Multi-modellen stöd är något som fler och fler databaser erbjuder, och FaunaDB fordringar mult-modell också stöd,
×
01-nosql-and-multi-model-database-24-638.jpg
Till exempel, FaunaDB säger att det stöder diagram och timliga, men exakt vad som menas med detta var inte tydlig för oss. GraphQL stöd innebär inte diagram. För data temporalitet, kan det vara mycket användbart, och det är inte något som många databaser erbjuder. Men vi vet inte riktigt tänka på det som en modell per se. Weaver säger att de tänker multi-API som skiljer sig från multi-modell:
“FaunaDB är både multi-modell och multi-API. FQL förenar relationella, dokument, nyckel/värde -, temporal och diagram tillgång till data. Du kan välja modeller din ansökan behöver, och nu, den bästa standard-Api: er för varje modell.
FaunaDB låter användare definiera och installera sina egna scheman via GraphQL i databasen. Du behöver inte veta något om FQL att använda GraphQL. Det är inte bara en språngbräda till FQL, som är mer som power user mode. Om du gillar vad du har med GraphQL du kan stoppa det. Vi stöder en delmängd av grafen domän redan, speciellt diagram lagring och traversering. De funktioner som saknas för grafen är genomförandet av en vanlig graf query language, och grafen analytics, som är på vår färdplan.
Temporalitet handlar om förändring datafångst för högt värde data. Använd fall för temporalitet fokus på revision loggning, aktivitet flöden, mobile sync, och liknande. Det är inte time-serien, som handlar om att aggregera lågt värde av data över tid. Det är en OLAP-användning så att vi inte stöder för närvarande.”
Kaos tolerans, Calvin, Käppar, och Jepsen
Om du såg en hänvisning till FaunaDB “Calvin powered kärna” tidigare, kanske du undrar vad det är, och varför du bör tänka på. Eftersom vi är på väg att slå in på en bit av en under huven tur, kan vi lika väl lägga till Nyckel, Jepsen, och kaos tolerans till mixen. Turen kommer att vara kort, och när det är över, kan du ha en idé om hur dessa saker översätta till databasen användningsfall.
Kom ihåg att kort lista över databaser FaunaDB har bara gjort? Vissa andra poster i listan är Azure CosmosDB, Googles Spanner, och ett antal Nyckel-kloner. Käppar databasen är baserad på Grus protokollet, medan FaunaDB är baserat på ett annat protokoll som heter Calvin. Syftet med både Grus och Calvin är att leverera extern konsekvens, låg latens globala replikering, och hög tillgänglighet.
I motsats till Käppar, det är bara ett genomförande för Calvin: FaunaDB. Så, egenskaper Calvin är central för vad som skiljer FaunaDB från andra alternativ, såsom CockroachDB, till exempel. Skillnaden, enligt Weaver (som också citerar Daniel Abadi, uppfinnaren av Calvin), är i kaos tolerant typ av Calvin:
“Vi valde Calvin eftersom det är optimalt för molnet. Calvin levererar extern konsekvens, låg latens globala replikering, och att hög tillgänglighet och kaos tolerans utan att vara beroende av väggur, specialiserad hårdvara eller egna nätverk.
Vi definierar kaos tolerans tolerans för avvikelser vanligt i moln och det offentliga internet: klockan snett, packet loss, nätverk partitioner, vm migreringar, diskar, etc. Googles Spanner levererar riktigheten garantier motsvarande Calvin, men den använder synkroniserad atomur och kräver end-to-end kontroll av nätverk, hårdvara och mjukvara för att noggrant bunden behandling latens.
Men till skillnad från Calvin, Käppar använder två-fas begå vilket lägger till ytterligare fördröjning för de skriver. Andra leverantörer som har försökt att replikera Nyckel har inte lyckats leverera något i närheten av samma nivå av prestanda och riktighet utan Googles egna operativa miljön eller Calvin.
Som företag omfamna bärbarhet och flera molnbaserade miljöer deras behov av uppgifter för att vara bärbar. Calvin ger oss som arkitektur: distribueras, starkt konsekvent och tillförlitlig, oavsett var du arbetar och hur du väljer att flytta dina data. I FaunaDB, du kan helt enkelt vända på noder i olika moln och de uppgifter som reproducerar sig själv. Det bara fungerar.”
“Vi förväntar oss att allt ska vara delvis misslyckas hela tiden. Och vi tillbringade en hel del tid att automatisera i mycket motståndskraftigt sätt den traditionella operativa slit för databasadministration, säger FaunaDB s Evan Weaver,
Foto av Daniele Levis Pelusi på Unsplash
×
daniele-levis-pelusi-276120-unsplash.jpg
Att detta “bara fungerar”, hävdar, FaunaDB har gjort Jepsen tester centrala i sin go-to-market-strategi. Jepsen är ett försök att förbättra säkerheten för distribuerade system, genom att upprätthålla en öppen källkod bibliotek för att testa, samt inlägg, föredrag och rapporter utforska särskilda system’ fel lägen.
Weaver säger att FaunaDB publik, särskilt tidigt ute på marknaden, är mycket bekant med Jepsen och allt behandla det som en viktig förutsättning för att anta nya distribuerade system. Som du kan förvänta dig för något som djupt tekniska, FaunaDB är att nå ut till CTOs, Enterprise Architects, och Teknik Leder gör databas beslut för sina distribuerade applikationer, eller äldre program att åter platformed för Molnet.
Moln, Kubernetes, och domen
Ovanstående kan vara en bit på komplexa sida för människor utanför CTO och teknik leda publiken. Men du behöver inte vara i folkmassan för att uppskatta mindre nyanserad ämnen och funktioner såsom managed cloud och stöd för Kubernetes, som de är mer kända för att översätta till något som alla uppskattar: en Effektiv verksamhet. Och FaunaDB har kunder som Nvidia och En Inkomst för att visa för.
Weaver sa FaunaDB byggdes för den offentliga moln, och stöd för Kubernetes kommer att vara där i en månad, men kunder som kör den på Kubernetes nu med anpassad integration “bara bra.” Avvägningar när man går med databaser som erbjuds av leverantörer moln är tydliga. Men varför välja FaunaDB över en Nyckel klon alternativ? I slutet, vi frågade Weaver point blank:
“FaunaDB erbjuder en högre nivå av affärsbeslut korrekthet, högre kapacitet, lägre latens särskilt på global skala, temporalitet/säkerhet/multi-hyresrätt, och är, trots namnet, är mer motståndskraftiga än CockroachDB. Stänga integritetsklyftan med SQL lämnar lite skäl till att välja CockroachDB, Yugabyte, eller ens Googles Spanner, eftersom våra serverlösa moln är billigare.”
En annan skillnad är att FaunaDB är inte öppen källkod. Weaver noteras att de som öppen källkod, men det har gått snabbare för att förnya och leverera en enterprise-class-system med proprietära licenser just nu. Så långt, att han gick på för att lägga till, de har inte sett många invändningar:
“FaunaDB Cloud är gratis att prova och det finns en gratis testversion att ladda ner för företaget som finns, så att ingen hindras från att få sina fötter blöt eller bygga ut en första användningen fall. Om du vill ha en databas som är motståndskraftiga mot kaos, håller dina data säkra, och är enkel att använda, du har att välja FaunaDB. Framtida inriktning kommer att omfatta ytterligare Api: er, analytics stöd, och flera andra spännande och nya möjligheter.”
Det verkar som att ett par bitar av pusslet kan inte vara 100 procent klar än, och vi har våra tvivel med avseende på multi-modell aspekt. Visserligen, men FaunaDB är redan intressant erbjuder bara blev mer intressant för fler personer med tillägg av SQL, GraphQL, och CQL
Big Data
AI och big data vs etik: Hur att se till att din artificiell intelligens projektet är på väg rätt sätt
Vill vara en data scientist? Fem sätt att få det jobb i data-vetenskap
Data vetenskap, etik, och den “massiva drägg’ problem
Säkerheten i data: Genomförande av data-driven trafiksäkerhet
Kalifornien vill Silicon Valley för att betala dig en data utdelning (CNET)
4 steg för att användaren buy-in för big data (TechRepublic)
Relaterade Ämnen:
Big Data Analytics
Innovation
CXO
Artificiell Intelligens
Affärssystem
Förvaring