# 云原生数据仓库AnalyticDB MySQL版 #
0
关注
5423内容
Flink Materialized Table：构建流批一体 ETL
本文整理自阿里云智能集团 Apache Flink Committer 刘大龙老师在2024FFA流批一体论坛的分享，涵盖三部分内容：数据工程师用户故事、Materialized Table 构建流批一体 ETL 及 Demo。文章通过案例分析传统 Lambda 架构的挑战，介绍了 Materialized Table 如何简化流批处理，提供统一 API 和声明式 ETL，实现高效的数据处理和维护。最后展示了基于 Flink 和 Paimon 的实际演示，帮助用户更好地理解和应用这一技术。
湖仓分析｜浙江霖梓基于 Doris + Paimon 打造实时/离线一体化湖仓架构
浙江霖梓早期基于 Apache Doris 进行整体架构与表结构的重构，并基于湖仓一体和查询加速展开深度探索与实践，打造了 Doris + Paimon 的实时/离线一体化湖仓架构，实现查询提速 30 倍、资源成本节省 67% 等显著成效。
Flink+Paimon+Hologres，面向未来的一体化实时湖仓平台架构设计
本文介绍了阿里云实时数仓Hologres负责人姜伟华在Flink Forward Asia 2024上的分享，涵盖实时数仓的发展历程、从实时数仓到实时湖仓的演进，以及总结。文章通过三代实时数仓架构的演变，详细解析了Lambda架构、Kafka实时数仓分层+OLAP、Hologres实时数仓分层复用等方案，并探讨了未来从实时数仓到实时湖仓的演进方向。最后，结合实际案例和Demo展示了Hologres + Flink + Paimon在实时湖仓中的应用，帮助用户根据业务需求选择合适的方案。
TiDB，金融级开源NewSQL
本文介绍了国内自研且开源的NewSQL数据库TiDB，它具备分布式强一致性事务、水平扩展、高可用等特性，几乎满足了对数据库的所有需求，堪称数据库中的“六边形战士”。文章回顾了数据库技术的发展历程，从人工管理阶段到文件系统阶段，再到现代的数据库系统阶段。最后，文章总结了TiDB的前景和挑战，指出虽然部署成本较高，但在特定行业和业务领域中具有巨大潜力。
PolarDB 开源基础教程系列 7.5 应用实践之 TPCH性能优化
PolarDB在复杂查询、大数据量计算与分析场景的测试和优化实践.
PolarDB 开源基础教程系列 1 架构解读
PolarDB 是阿里云研发的云原生分布式数据库，基于 PostgreSQL 开源版本，旨在解决传统数据库在大规模数据和高并发场景下的性能和扩展性问题。其主要特点包括：
1. **存储计算分离架构**：通过将计算与存储分离，实现极致弹性、共享一份数据以降低成本、透明读写分离。
2. **HTAP 架构**：支持混合事务处理和分析处理（HTAP），能够在同一系统中高效执行 OLTP 和 OLAP 查询。
3. **优化的日志复制机制**：采用只复制元数据的方式减少网络传输量，优化页面回放和 DDL 锁回放过程。
4. **并行查询与索引创建**：引入 MPP 分布式执行引擎。
微财基于 Flink 构造实时变量池
本文整理自微财资深数据开发工程师穆建魁老师在 Flink Forward Asia 2024 行业解决方案（一）专场中的分享。主要涵盖三部分内容：1) 基于 Flink 构建实时变量池，解决传统方案中数据库耦合度高、QPS 上限低等问题；2) 选择 Flink 进行流式计算的架构选型（Kappa 架构）及开发效率提升策略，通过数据分层优化开发流程；3) 实时变量池架构与多流关联优化实践，确保高效处理和存储实时变量，并应用于公司多个业务领域。
湖仓实时化升级 ：Uniflow 构建流批一体实时湖仓
本文整理自阿里云产品经理李昊哲在Flink Forward Asia 2024流批一体专场的分享，涵盖实时湖仓发展趋势、基于Flink搭建流批一体实时湖仓及Materialized Table优化三方面。首先探讨了实时湖仓的发展趋势和背景，特别是阿里云在该领域的领导地位。接着介绍了Uniflow解决方案，通过Flink CDC、Paimon存储等技术实现低成本、高性能的流批一体处理。最后，重点讲解了Materialized Table如何简化用户操作，提升数据查询和补数体验，助力企业高效应对不同业务需求。
阿里云瑶池助力华鼎冷链科技：零ETL畅享高性能数据生态
为解决自建TiDB带来的运维难题和高昂成本，华鼎采用阿里云PolarDB MySQL与AnalyticDB MySQL，通过Zero-ETL实现数据无感集成，大幅降低成本、提升性能和效率，并实现了异地灾备、秒级查询和BI分析等功能，助力业务快速发展。
深入剖析 OALP 与 OLTP：概念、区别、技术、场景
本文深入剖析了OLTP（在线事务处理）与OLAP（在线分析处理）的概念、区别、技术及应用场景。OLTP专注于实时业务操作，确保数据一致性和高效性，适用于金融、电商等行业；OLAP则侧重于历史数据分析，支持复杂查询和多维分析，助力企业决策。两者在数据特点、系统设计、用户类型及数据库设计上存在显著差异。合理结合OLTP和OLAP，可提升企业的运营效率和决策水平。
免费试用