Tablestore 提供兼容 HBase 的宽表引擎，它的核心能力包括哪些？

多模型：提供抽象模型 WideColumn 宽表模型，以及具象模型 Timeline 消息模型以及 Timestream 时序模型。具象模型更适合应用与应用系统，而具象模型是围绕具体场景的数据架构而设计和深度优化。 多元化索引：提供二级索引和多元索引，不同查询加速场景提供不同的索引实现，其中多元索引能提供全文检索、地理位置检索以及灵活的多条件组合查询，功能和性能都优于 Elasticsearch。 存储计算分离架构：提供计算和存储侧的灵活扩展能力，不仅体现在架构上，也体现在产品形态上。用户可以单独为存储付费或为计算付费，提供更灵活的资源组合，获得最低的成本。 Serverless 服务：纯 Serverless 服务，提供完全免运维的服务，全球部署、即开即用。零成本即可接入，最大可扩展至千万 TPS 服务能力以及 PB 级存储。 计算生态：能够与开源计算引擎对接，融合流批一体计算能力。同时自身提供 CDC 能力，让数据能够更灵活的进行流转。 CDC 技术：Tablestore 的 CDC 技术名为 Tunnel Service，支持全量和增量的实时数据订阅，并且能无缝对接 Flink 流计算引擎来实现表内数据的实时流计算。 SQL 支持：提供 SQL 支持，大大降低使用和应用开发门槛。

海量订单交易记录的存储，更大的数据管理功能。 时序数据：时序数据解决的是对包含4W（Who, When, Where, What）元素数据的抽象，数据量相对比较庞大，需要存储引擎支持对时间线的索引以及对时间线的时间范围查询。 时空数据：时空数据是基于时序数据加上了空间的维度，同时可能没有时序数据的连续性。总的来说，特征和时序数据比较类似。 消息数据：消息数据广泛存在于消息系统，例如即时通讯消息系统或者Feeds流消息系统内。消息的存储和传递更像是消息队列模型，但是要求消息队列能够提供海量级消息存储以及海量Topic，这是传统专业级消息队列产品所无法支撑的。 元数据：这类元数据属于非关系类元数据，例如历史订单数据、图片智能标签元数据点。特点是量级比较大，每个数据存在的属性比较多且是稀疏的，要求存储能够支持对各种维度属性的条件过滤，对查询可用性有比较高的要求。 大数据：这是Bigtable模型所对应的最主要数据场景，特点是数据量极其庞大，需要很好的支持批量计算。