PolarDB 开源版 通过pgpointcloud 实现高效孪生数据存储和管理 - 支撑工厂、农业等现实世界数字化|数字孪生, 元宇宙相关业务的虚拟现实结合

本文涉及的产品
云原生数据库 PolarDB MySQL 版,通用型 2核4GB 50GB
云原生数据库 PolarDB PostgreSQL 版,标准版 2核4GB 50GB
简介: PolarDB 的云原生存算分离架构, 具备低廉的数据存储、高效扩展弹性、高速多机并行计算能力、高速数据搜索和处理; PolarDB与计算算法结合, 将实现双剑合璧, 推动业务数据的价值产出, 将数据变成生产力. 本文将介绍PolarDB 开源版 通过 pgpointcloud 实现高效孪生数据存储和管理 - 支撑工厂、农业等现实世界数字化|数字孪生, 元宇宙相关业务的虚拟现实结合

背景

PolarDB 的云原生存算分离架构, 具备低廉的数据存储、高效扩展弹性、高速多机并行计算能力、高速数据搜索和处理; PolarDB与计算算法结合, 将实现双剑合璧, 推动业务数据的价值产出, 将数据变成生产力.

本文将介绍PolarDB 开源版 通过 pgpointcloud 实现高效孪生数据存储和管理 - 支撑工厂、农业等现实世界数字化|数字孪生, 元宇宙相关业务的虚拟现实结合

测试环境为macOS+docker, PolarDB部署请参考下文:

点云部署参考:

pgpointcloud 的特性

pgpointcloud的原理是将很多个点存储到一个值(点集)里面, 点集可以用来表达轨迹、扫描影像, 业务操作通常包含:

  • 判断轨迹是否相交(指包住两个轨迹的边界(bound box)是否相交), 实际上使用PostGIS的trajectories可能更适合.
  • 判断轨迹是否落到某个给定区域(指轨迹的边界(bound box)是否和指定几何对象是否相交)
  • 指定区域将内部的轨迹抠出(将落在指定几何对象内部的点从点集中抠出)
  • 合并轨迹
  • 压缩轨迹
  • 3D建模和数据存储
  • 3D影像的抠出

注意这里说的“轨迹”不带时间, 只是为了辅助理解所以称之为轨迹, 实际上pgpointcloud不适合轨迹业务. 轨迹建议使用postgis. 或者阿里云ganos.

pgpointcloud存储点集的优势:

  • 支持压缩, 节省成本
  • 片存储, 存取效率高
  • 支持内置点云操作算法, 同时可扩展算法, 无需提取数据到本地进行计算, 大幅度提升计算效率
  • 支持GIS, 方便和地理信息结合, 更好的满足虚拟现实|数字孪生业务需求
  • 支持索引, 过滤效率高

例子

1、点

SELECT PC_MakePoint(1, ARRAY[-127, 45, 124.0, 4.0]);  
  
010100000064CEFFFF94110000703000000400  

Insert some test values into the points table:

INSERT INTO points (pt)  
SELECT PC_MakePoint(1, ARRAY[x,y,z,intensity])  
FROM (  
  SELECT  
  -127+a/100.0 AS x,  
    45+a/100.0 AS y,  
         1.0*a AS z,  
          a/10 AS intensity  
  FROM generate_series(1,100) AS a  
) AS values;  
SELECT PC_AsText('010100000064CEFFFF94110000703000000400'::pcpoint);  
  
{"pcid":1,"pt":[-127,45,124,4]}  

2、点集

INSERT INTO patches (pa)  
SELECT PC_Patch(pt) FROM points GROUP BY id/10;  
SELECT PC_AsText(PC_MakePatch(1, ARRAY[-126.99,45.01,1,0, -126.98,45.02,2,0, -126.97,45.03,3,0]));  
  
{"pcid":1,"pts":[  
 [-126.99,45.01,1,0],[-126.98,45.02,2,0],[-126.97,45.03,3,0]  
]}  
SELECT PC_AsText(pa) FROM patches LIMIT 1;  
  
{"pcid":1,"pts":[  
 [-126.99,45.01,1,0],[-126.98,45.02,2,0],[-126.97,45.03,3,0],  
 [-126.96,45.04,4,0],[-126.95,45.05,5,0],[-126.94,45.06,6,0],  
 [-126.93,45.07,7,0],[-126.92,45.08,8,0],[-126.91,45.09,9,0]  
]}  

3、判断轨迹是否相交(指包住两个轨迹的边界(bound box)是否相交), 实际上使用PostGIS的trajectories可能更适合.

-- Patch should intersect itself  
SELECT PC_Intersects(  
         '01010000000000000001000000C8CEFFFFF8110000102700000A00'::pcpatch,  
         '01010000000000000001000000C8CEFFFFF8110000102700000A00'::pcpatch);  
  
t  

4、判断轨迹是否落到某个给定区域(指轨迹的边界(bound box)是否和指定几何对象是否相交)

SELECT PC_Intersects('SRID=4326;POINT(-126.451 45.552)'::geometry, pa)  
FROM patches WHERE id = 7;  
  
t  

5、指定区域将内部的轨迹抠出(将落在指定几何对象内部的点从点集中抠出)

SELECT PC_AsText(PC_Explode(PC_Intersection(  
      pa,  
      'SRID=4326;POLYGON((-126.451 45.552, -126.42 47.55, -126.40 45.552, -126.451 45.552))'::geometry  
)))  
FROM patches WHERE id = 7;  
  
             pc_astext  
--------------------------------------  
 {"pcid":1,"pt":[-126.44,45.56,56,5]}  
 {"pcid":1,"pt":[-126.43,45.57,57,5]}  
 {"pcid":1,"pt":[-126.42,45.58,58,5]}  
 {"pcid":1,"pt":[-126.41,45.59,59,5]}  

6、合并轨迹

聚合函数

-- Compare npoints(sum(patches)) to sum(npoints(patches))  
SELECT PC_NumPoints(PC_Union(pa)) FROM patches;  
SELECT Sum(PC_NumPoints(pa)) FROM patches;  
  
100  

可变函数

create or replace function pcunion (VARIADIC pc pcpatch[]) returns pcpatch as $$  
  select PC_Union(pa) from unnest(pc) as pa;  
$$ language sql strict;  
  
select pcunion(pc1,pc2,...);  

7、压缩点集

PC_Compress(p pcpatch,global_compression_scheme text,compression_config text) returns pcpatch  

Allowed global compression schemes are:

  • auto: determined by pcid
  • laz: no compression config supported
  • dimensional: configuration is a comma-separated list of per-dimension compressions from this list

    • auto: determined automatically from values stats
    • zlib: deflate compression
    • sigbits: significant bits removal
    • rle: run-length encoding

8、3D影像的抠出

1 PC_FilterGreaterThan  
PC_FilterGreaterThan(p pcpatch, dimname text, float8 value) returns pcpatch:  
  
Returns a patch with only points whose values are greater than the supplied value for the requested dimension.  
  
SELECT PC_AsText(PC_FilterGreaterThan(pa, 'y', 45.57))  
FROM patches WHERE id = 7;  
  
 {"pcid":1,"pts":[[-126.42,45.58,58,5],[-126.41,45.59,59,5]]}  
  
2 PC_FilterLessThan  
PC_FilterLessThan(p pcpatch, dimname text, float8 value) returns pcpatch:  
Returns a patch with only points whose values are less than the supplied value for the requested dimension.  
  
3 PC_FilterBetween  
PC_FilterBetween(p pcpatch, dimname text, float8 value1, float8 value2) returns pcpatch:  
Returns a patch with only points whose values are between (excluding) the supplied values for the requested dimension.  
  
4 PC_FilterEquals  
PC_FilterEquals(p pcpatch, dimname text, float8 value) returns pcpatch:  
Returns a patch with only points whose values are the same as the supplied values for the requested dimension.  

9、返回包住点集的几何"bound box"或"bound box的对角线"

通常用于在几何图像上创建geo索引:

SELECT ST_AsText(PC_EnvelopeGeometry(pa)) FROM patches LIMIT 1;  
POLYGON((-126.99 45.01,-126.99 45.09,-126.91 45.09,-126.91 45.01,-126.99 45.01))  
  
CREATE INDEX ON patches USING GIST(PC_EnvelopeGeometry(patch));  
SELECT ST_AsText(PC_BoundingDiagonalGeometry(pa)) FROM patches;  
                  st_astext  
------------------------------------------------  
LINESTRING Z (-126.99 45.01 1,-126.91 45.09 9)  
LINESTRING Z (-126 46 100,-126 46 100)  
LINESTRING Z (-126.2 45.8 80,-126.11 45.89 89)  
LINESTRING Z (-126.4 45.6 60,-126.31 45.69 69)  
LINESTRING Z (-126.3 45.7 70,-126.21 45.79 79)  
LINESTRING Z (-126.8 45.2 20,-126.71 45.29 29)  
LINESTRING Z (-126.5 45.5 50,-126.41 45.59 59)  
LINESTRING Z (-126.6 45.4 40,-126.51 45.49 49)  
LINESTRING Z (-126.9 45.1 10,-126.81 45.19 19)  
LINESTRING Z (-126.7 45.3 30,-126.61 45.39 39)  
LINESTRING Z (-126.1 45.9 90,-126.01 45.99 99)  
  
CREATE INDEX ON patches USING GIST(PC_BoundingDiagonalGeometry(patch) gist_geometry_ops_nd);  

pgpointcloud 函数接口解读

1、点

PC_MakePoint(pcid integer, vals float8[]) returns pcpoint:

  • 构建点, pcid为schema, 相同schema可以表达为某一类点

PC_AsText(p pcpoint) returns text:

  • 将二进制点转换成text表达

PC_PCId(p pcpoint) returns integer (from 1.1.0):

  • 获取点的schema id

PC_Get(pt pcpoint) returns float8[]:

  • 获取点的所有维度值

PC_Get(pt pcpoint, dimname text) returns numeric:

  • 获取指定维度值: x,y,z,Intensity

PC_MemSize(pt pcpoint) returns int4:

  • 点占据内存大小

2、点集

PC_Patch(pts pcpoint[]) returns pcpatch:

  • 将多个点聚合为点集

PC_MakePatch(pcid integer, vals float8[]) returns pcpatch:

  • 构造点集

PC_NumPoints(p pcpatch) returns integer:

  • 返回点集中有多少点

PC_PCId(p pcpatch) returns integer:

  • 返回点集的schema id

PC_AsText(p pcpatch) returns text:

  • 将点集二进制格式转换为文本格式

PC_Summary(p pcpatch) returns text (from 1.1.0):

  • 返回点集的统计信息: 点个数, srid, 各个维度的avg,min,max统计等

PC_Uncompress(p pcpatch) returns pcpatch:

  • 解压点集

PC_Union(p pcpatch[]) returns pcpatch:

  • 将多个点集聚合为一个点集

PC_Intersects(p1 pcpatch, p2 pcpatch) returns boolean:

  • 判断两个点集的bound box是否相交

PC_Explode(p pcpatch) returns SetOf[pcpoint]:

  • 将点集展开为点(返回多条记录)

PC_PatchAvg(p pcpatch, dimname text) returns numeric:

  • 返回点集指定维度的平均值

PC_PatchMax(p pcpatch, dimname text) returns numeric:

  • 返回点集指定维度的最大值

PC_PatchMin(p pcpatch, dimname text) returns numeric:

  • 返回点集指定维度的最小值

PC_PatchMin(p pcpatch) returns pcpoint:

  • 返回点集所有维度的最小值

PC_PatchAvg(p pcpatch) returns pcpoint:

  • 返回点集所有维度的平均值

PC_PatchMax(p pcpatch) returns pcpoint:

  • 返回点集所有维度的最大值

PC_FilterGreaterThan(p pcpatch, dimname text, float8 value) returns pcpatch:

  • 过滤在某个‘指定维度’上大于‘指定’的点, 构成一个新的点集返回

PC_FilterLessThan(p pcpatch, dimname text, float8 value) returns pcpatch:

  • 过滤在某个‘指定维度’上小于‘指定值’的点, 构成一个新的点集返回

PC_FilterBetween(p pcpatch, dimname text, float8 value1, float8 value2) returns pcpatch:

  • 过滤在某个‘指定维度’上落在某‘指定值’范围内的点, 构成一个新的点集返回

PC_FilterEquals(p pcpatch, dimname text, float8 value) returns pcpatch:

  • 过滤在某个‘指定维度’上等于‘指定值’的点, 构成一个新的点集返回

PC_Compress(p pcpatch,global_compression_scheme text,compression_config text) returns pcpatch:

  • 压缩点集

PC_PointN(p pcpatch, n int4) returns pcpoint:

  • 返回点集内的第N个点

PC_IsSorted(p pcpatch, dimnames text[], strict boolean default true) returns boolean:

  • 判断点集在某些维度上是否有序

PC_Sort(p pcpatch, dimnames text[]) returns pcpatch:

  • 对点集按指定维度排序. 有点像电子管电视机的扫描顺序的概念

PC_Range(p pcpatch, start int4, n int4) returns pcpatch:

  • 返回点集中指定区间的点

PC_SetPCId(p pcpatch, pcid int4, def float8 default 0.0) returns pcpatch:

  • 设置点集的schema id

PC_Transform(p pcpatch, pcid int4, def float8 default 0.0) returns pcpatch:

  • 转换点集schema id

PC_MemSize(p pcpatch) returns int4:

  • 返回点集内存占用

3、GIS互动

PC_Intersects(p pcpatch, g geometry) returns boolean:
PC_Intersects(g geometry, p pcpatch) returns boolean:

  • 判断点集的bound box是否与几何对象交叉

PC_Intersection(pcpatch, geometry) returns pcpatch:

  • 提取点集内落在几何对象内的点构成新点集并返回

Geometry(pcpoint) returns geometry:
pcpoint::geometry returns geometry:

  • 将点转换为几何对象

PC_EnvelopeGeometry(pcpatch) returns geometry:

  • 提取点集的bound box, 返回由bound box四个点组成的polygon

PC_BoundingDiagonalGeometry(pcpatch) returns geometry:

  • 提取点集的bound box, 返回由bound box左下和右上点组成的对角线段

详细参考:

https://pgpointcloud.github.io/pointcloud/functions/index.html

相关实践学习
使用PolarDB和ECS搭建门户网站
本场景主要介绍基于PolarDB和ECS实现搭建门户网站。
阿里云数据库产品家族及特性
阿里云智能数据库产品团队一直致力于不断健全产品体系,提升产品性能,打磨产品功能,从而帮助客户实现更加极致的弹性能力、具备更强的扩展能力、并利用云设施进一步降低企业成本。以云原生+分布式为核心技术抓手,打造以自研的在线事务型(OLTP)数据库Polar DB和在线分析型(OLAP)数据库Analytic DB为代表的新一代企业级云原生数据库产品体系, 结合NoSQL数据库、数据库生态工具、云原生智能化数据库管控平台,为阿里巴巴经济体以及各个行业的企业客户和开发者提供从公共云到混合云再到私有云的完整解决方案,提供基于云基础设施进行数据从处理、到存储、再到计算与分析的一体化解决方案。本节课带你了解阿里云数据库产品家族及特性。
目录
相关文章
|
1月前
|
存储 SQL 安全
应用案例|开源 PolarDB-X 在互联网安全场景的应用实践
中盾集团采用PolarDB-X云原生分布式数据库开源版本,有效解决了大数据量处理、复杂查询以及历史数据维护等难题,实现了业务的高效扩展与优化。
|
11天前
|
存储 关系型数据库 分布式数据库
使用开源PolarDB和imgsmlr进行高效的图片存储和相似度搜索
使用开源PolarDB和imgsmlr进行高效的图片存储和相似度搜索
|
14天前
|
SQL JSON 关系型数据库
MySQL是一个广泛使用的开源关系型数据库管理系统,它有许多不同的版本
【10月更文挑战第3天】MySQL是一个广泛使用的开源关系型数据库管理系统,它有许多不同的版本
65 5
|
14天前
|
关系型数据库 分布式数据库 数据库
PolarDB 开源:推动数据库技术新变革
在数字化时代,数据成为核心资产,数据库的性能和可靠性至关重要。阿里云的PolarDB作为新一代云原生数据库,凭借卓越性能和创新技术脱颖而出。其开源不仅让开发者深入了解内部架构,还促进了数据库生态共建,提升了稳定性与可靠性。PolarDB采用云原生架构,支持快速弹性扩展和高并发访问,具备强大的事务处理能力及数据一致性保证,并且与多种应用无缝兼容。开源PolarDB为国内数据库产业注入新活力,打破国外垄断,推动国产数据库崛起,降低企业成本与风险。未来,PolarDB将在生态建设中持续壮大,助力企业数字化转型。
56 2
|
1月前
|
关系型数据库 分布式数据库 数据库
开源云原生数据库PolarDB PostgreSQL 15兼容版本正式发布
PolarDB进行了深度的内核优化,从而实现以更低的成本提供商业数据库的性能。
|
1月前
惊世骇俗!开源 PolarDB-X 部署安装大冒险,全程心跳与惊喜不断!
【9月更文挑战第8天】作为技术爱好者的我,近期成功完成了开源 PolarDB-X 的部署安装。尽管过程中遇到不少挑战,但通过精心准备环境、下载安装包、配置参数及启动服务等步骤,最终顺利实现部署。本文将详细介绍部署全过程及可能遇到的问题,为您的 PolarDB-X 探索之旅提供参考与启发,希望能让大家在技术海洋里畅游得更加顺利!
93 2
|
1月前
|
Cloud Native 关系型数据库 分布式数据库
PolarDB开源项目未来展望:技术趋势与社区发展方向
【9月更文挑战第5天】随着云计算技术的发展,阿里云推出的云原生分布式数据库PolarDB受到广泛关注。本文探讨PolarDB的未来展望,包括云原生与容器化集成、HTAP及实时分析能力提升、智能化运维与自动化管理等技术趋势;并通过加强全球开源社区合作、拓展行业解决方案及完善开发者生态等措施推动社区发展,目标成为全球领先的云原生数据库之一,为企业提供高效、可靠的服务。
74 5
|
1月前
|
关系型数据库 MySQL 分布式数据库
PolarDB开源社区动态:最新版本功能亮点与更新解读
【9月更文挑战第6天】随着云计算技术的发展,分布式数据库系统成为企业数据处理的核心。阿里云的云原生数据库PolarDB自开源以来备受关注,近日发布的最新版本在内核稳定性、性能、分布式CDC架构及基于时间点的恢复等方面均有显著提升,并新增了MySQL一键导入功能。本文将解读这些新特性并提供示例代码,帮助企业更好地利用PolarDB处理实时数据同步和离线分析任务,提升数据安全性。未来,PolarDB将继续创新,为企业提供更高效的数据处理服务。
125 3
|
2月前
|
Cloud Native 关系型数据库 分布式数据库
PolarDB开源项目未来展望:技术趋势与社区发展方向
随着云计算的飞速发展,作为核心组件的分布式数据库作用愈发关键。阿里云的PolarDB,一款云原生分布式数据库,自开源后备受瞩目。未来,PolarDB将深化云原生特性,强化容器化支持;发展HTAP能力,融合事务处理与实时分析;运用AI技术实现智能运维。同时,加强全球开源社区合作,拓展多行业应用场景,并构建全面的开发者生态系统,旨在成为领先的云原生数据库解决方案。
67 4
|
2月前
|
关系型数据库 MySQL 分布式数据库
PolarDB开源社区动态:最新版本功能亮点与更新解读
随着云计算的发展,阿里云的云原生分布式数据库PolarDB受到广泛关注。最新版本通过X-Paxos等先进算法优化了内核稳定性和性能,增强了分布式CDC架构以支持实时数据同步和离线分析,并引入了基于时间点的恢复功能(PITR)确保数据安全。此外,新增MySQL一键导入PolarDB-X功能简化迁移流程。这些改进将进一步提升PolarDB在企业级数据处理中的竞争力。
155 1

相关产品

  • 云原生数据库 PolarDB