木洛_社区达人页

表格存储 Tablestore 十年发展总结

这篇文章接下来会先整体介绍下表格存储 Tablestore，之后会分享下在技术层面产品这几年的功能演进、技术架构演进以及稳定性优化相关的工作，以及在业务层面我们定义的核心应用场景和一些典型案例。

云上应用系统数据存储架构演进

前言回顾过去二十年的技术发展，整个应用形态和技术架构发生了很大的升级换代，而任何技术的发展都与几个重要的变量相关。一，应用形态的变迁，产生更多的场景和需求。整个应用形态从企业应用、互联网服务再到移动应用，历经了几个不同阶段的发展。从最早企业内应用系统，到通过移动互联网技术覆盖到每个人生活的方方面面，这个过程中产生了大量的场景和需求。而新的场景和需求，是推动产品和技术发展的主要因素。二，更复杂的场景

基础设施的完善，推动应用形态不断变迁

我们把过去四十年分为五个重要的技术发展阶段，从时间轴上我们把它切分为：1980 - 2000，2000 - 2005，2005 - 2010，2010 - 2020 以及 2020 - 2025。物联网属于第五个阶段，从过去看未来，所以我们先回顾下整个技术发展史，先来看下前四个阶段分别经历了怎样的技术发展？在技术应用上的主要场景是什么？主流的应用形态是什么？诞生了什么样的新技术和新产品？在 198

数据中台之结构化大数据存储设计

对数据系统核心组件进行拆解，介绍每个组件下对应的开源组件以及云上产品。

现代IM系统中的消息系统架构 - 模型篇

前言 在架构篇中我们介绍了现代IM消息系统的架构，介绍了Timeline的抽象模型以及基于Timeline模型构建的一个支持『消息漫游』、『多端同步』和『消息检索』多种高级功能的消息系统的典型架构。

现代IM系统中的消息系统架构 - 架构篇

前言 IM全称是『Instant Messaging』，中文名是即时通讯。在这个高度信息化的移动互联网时代，生活中IM类产品已经成为必备品，比较有名的如钉钉、微信、QQ等以IM为核心功能的产品。当然目前微信已经成长为一个生态型产品，但其核心功能还是IM。

表格存储TableStore全新升级，打造统一的在线数据存储平台！

表格存储TableStore是阿里云自研的面向海量结构化和半结构化数据存储的Serverless NoSQL多模型数据库，被广泛用于社交、物联网、人工智能、元数据和大数据等业务场景。表格存储TableStore采用与Google Bigtable类似的宽表模型，天然的分布式架构，能支撑高吞吐的数据写入以及PB级数据存储。

表格存储TableStore2.0重磅发布，提供更强大数据管理能力

表格存储TableStore通过同时提供具象和抽象的数据模型，来满足不同核心数据场景的要求，更贴近业务抽象；提供多元化索引（全局二级索引和多元索引）来满足不同类型场景条件查询需求；提供全新的实时数据通道，来扩充实时计算的能力以及可自定义的实时数据处理。

Netflix Media Database - 架构设计和实现

前言 前面一文主要讲了NMDB的起源、业务场景以及Media Document数据模型，而本节主要讲述NMDB的系统架构、核心模块以及底层技术。在深入了解其架构之前，我们先要明确NMDB的定位和功能设计目标，先看下Netflix内部视频处理的整个流程： 算法处理：Netflix内部有一个Archer平台，在其上运行各种算法来提取视频数据中的元数据，例如提取视频帧中文字信息，提取的元数据为一个Media Document。

Netflix Media Database - 起源和数据模型

前言 Netflix（美国最大的PGC视频内容商）在18年下半年陆续发了几篇文章来讲述他们内部的NMDB系统的设计和实现，NMDB的全称是Netflix Media Database，用于解决Netflix内部视频结构化数据的统一存储和分析问题。

TableStore时序数据存储 - 架构篇

TableStore数据模型 - WideColumn和Timeline

前言 TableStore是阿里云自研的一款分布式NoSQL数据库，提到NoSQL数据库，现在对很多应用研发来说都已经不再陌生。当前很多应用系统底层不会再仅仅依赖于关系型数据库，而是会根据不同的业务场景，来选型使用不同类型的数据库，例如缓存型KeyValue数据会存储在Redis，文档型数据会存储在MongoDB，图数据会存储在Neo4J等。

时间序列数据的存储和计算 - 开源时序数据库解析（四）

Prometheus 开源时序数据库解析的系列文章在之前已经完成了几篇，对比分析了Hbase系的OpenTSDB、Cassandra系的KairosDB、BlueFlood及Heroic，最后是tsdb ranking top 1的InfluxDB。

现代IM系统中消息推送和存储架构的实现

前言 IM全称是『Instant Messaging』，中文名是即时通讯。在这个高度信息化的移动互联网时代，生活中IM类产品已经成为必备品，比较有名的如钉钉、微信、QQ等以IM为核心功能的产品。当然目前微信已经成长为一个生态型产品，但其核心功能还是IM。

时间序列数据的存储和计算 - 开源时序数据库解析（三）

InfluxDB在DB-Engines的时序数据库类别里排名第一，实至名归，从它的功能丰富性、易用性以及底层实现来看，都有很多的亮点，值得大篇幅来分析。

时间序列数据的存储和计算 - 开源时序数据库解析（二）

KairosDB   KairosDB最初是从OpenTSDB 1.x版本fork出来的一个分支，目的是在OpenTSDB的代码基础上进行二次开发来满足新的功能需求。其改造之一就是支持可插拔式的存储引擎，例如支持H2可以方便本地开发和测试，而不是像OpenTSDB一样与HBase强耦合。

时间序列数据的存储和计算 - 开源时序数据库解析（一）

开源时序数据库   如图是17年6月在db-engines上时序数据库的排名，我会挑选开源的、分布式的时序数据库做详细的解析。前十的排名中，RRD是一个老牌的单机存储引擎，Graphite底层是Whisper，可以认为是一个优化的更强大的RRD数据库。

时间序列数据的存储和计算 - 概述

什么是时间序列数据   什么是时间序列（Time Series，以下简称时序）数据？从定义上来说，就是一串按时间维度索引的数据。用描述性的语言来解释什么是时序数据，简单的说，就是这类数据描述了某个被测量的主体在一个时间范围内的每个时间点上的测量值。

使用DataX同步MaxCompute数据到TableStore（原OTS）优化指南

概述 现在越来越多的技术架构下会组合使用MaxCompute和TableStore，用MaxCompute作大数据分析，计算的结果会导出到TableStore提供在线访问。MaxCompute提供海量数据计算的能力，而TableStore提供海量数据高并发低延迟读写的能力。

关于Java中bytes到String的转换

本片文章主要介绍在Java中byte array到String转换的细节，特别是在处理非utf-8字节流转换到String时容易踩到的一些坑。

表格存储新手指南：如何实现分页查询

本篇文章主要介绍如何在表格存储上实现分页查询

解密OpenTSDB的表存储优化

本篇文章会详细讲解OpenTSDB的表结构设计，在理解它的表结构设计的同时，分析其采取该设计的深层次原因以及优缺点。它的表结构设计完全贴合HBase的存储模型，而表格存储（TableStore、原OTS）与HBase有类似的存储模型，理解透OpenTSDB的表结构设计后，我们也能够对这类数据库的存储

表格存储最佳实践：一种用于存储时间序列数据的表结构设计

在时间序列存储的场景，例如监控数据或者日志数据，通常比较难解决的是写入的问题，传统的数据库难以承载如此大数据量、高并发的写入压力。 表格存储能够提供非常优秀的写入能力，在阿里内部得到到了正好的实践和证明。但是若要发挥其强度的写入能力，需要有一个良好的表结构设计。 本篇文章给出了一个存储时间序

表格存储新手指南：Java SDK异步接口的使用

本篇文章主要会介绍下表格存储的Java SDK提供的异步接口，如何使用以及应用场景。

表格存储：使用TableStoreWriter进行高并发、高吞吐的数据写入

表格存储（原OTS）的一大特性是能够支撑海量数据的高并发、高吞吐率的写入，特别适合日志数据或物联网场景（例如轨迹追踪或溯源）数据的写入和存储。这些场景的特性是，会在短时间内产生大量的数据需要消化并写入数据库，需要数据库能够提供高并发、高吞吐率的写入性能，需要满足每秒上万行甚至上百万行的写入吞吐率。针