阿里云AnalyticDB for PostgreSQL 入选VLDB 2025:统一架构破局HTAP,Beam+Laser引擎赋能Data+AI融合新范式

本文涉及的产品
Redis 开源版,标准版 2GB
推荐场景:
搭建游戏排行榜
RDS MySQL Serverless 基础系列,0.5-2RCU 50GB
云数据库 Tair(兼容Redis),内存型 2GB
简介: 在数据驱动与人工智能深度融合的时代,企业对数据仓库的需求早已超越“查得快”这一基础能力。面对传统数仓挑战,阿里云瑶池数据库AnalyticDB for PostgreSQL(简称ADB-PG)创新性地构建了统一架构下的Shared-Nothing与Shared-Storage双模融合体系,并自主研发Beam混合存储引擎与Laser向量化执行引擎,全面解决HTAP场景下性能、弹性、成本与实时性的矛盾。近日,相关研究成果发表于在英国伦敦召开的数据库领域顶级会议 VLDB 2025,标志着中国自研云数仓技术再次登上国际舞台。


点击下载论文原文:【 《AnalyticDB-PG: A Cloud-native High-performance Data Warehouse in Alibaba Cloud》


背景

在数据驱动与人工智能深度融合的时代,企业对数据仓库的需求早已超越“查得快”这一基础能力。实时写入、弹性扩展、混合负载处理、AI原生支持……这些不再是“加分项”,而是支撑智能决策、精准营销、实时风控等关键业务场景的“刚需”。

然而,传统数据仓库面临结构性困境:共享存储架构虽弹性灵活但性能受限;共享内存架构虽高性能却难以伸缩;实时分析依赖T+1 ETL导致数据滞后;多系统并存造成运维复杂、成本高昂。

面对挑战,阿里云瑶池数据库团队提出下一代云原生高性能数据仓库——AnalyticDB for PostgreSQL(简称ADB-PG)。其创新性地构建了统一架构下的Shared-Nothing与Shared-Storage双模融合体系,并自主研发Beam混合存储引擎与Laser向量化执行引擎,全面解决HTAP场景下性能、弹性、成本与实时性的矛盾。

近日,相关研究成果发表于在英国伦敦召开的数据库领域顶级会议 VLDB 2025,标志着中国自研云数仓技术再次登上国际舞台。

从“割裂”到“统一”:一次架构革命的诞生

九年前,阿里云启动ADB-PG项目时,目标明确:打造一个面向公有云和政企客户的分布式MPP数据仓库。最初采用Shared-Nothing架构,部署于物理机本地磁盘,在电商大促、金融风控等高并发场景中表现出色。

但随着客户规模扩大,尤其是大型金融机构、跨国企业开始上云,新的问题浮现:

  • 数据量动辄百TB甚至PB级,扩容成本极高;
  • 多租户环境下资源利用率低下,闲置严重;
  • 一些客户需要私有化部署保障合规,部分客户又希望享受云端弹性。

为此,团队尝试开发一套基于对象存储的Shared-Storage版本。然而,对象存储不支持随机写、追加写,导致主键约束、二级索引、高频更新等功能无法实现,严重影响事务一致性与用户体验。

更棘手的是:维护两套独立代码库带来了巨大的工程负担。功能同步难、Bug修复慢、版本迭代周期长。

于是,一个大胆的想法诞生了:能否用同一套核心架构,同时支撑Shared-Nothing和Shared-Storage两种模式?

这就是ADB-PG“统一架构”的起点。


统一架构:一套系统,两种世界

ADB-PG首次实现了单代码基线(single codebase)支持双部署模式,真正做到了“因地制宜”。

模式

适用场景

技术优势

Shared-Nothing (SNM)

高性能、私有化部署、合规敏感、中小规模数据量

高缓存命中率、低延迟扫描、强隔离

Shared-Storage (SSM)

高性价比、公有云、大数据量、动态负载

极致弹性、按需付费、跨实例资源共享

系统控制面基于Kubernetes与安全容器,实现多租户隔离、自动扩缩容、Serverless化调度。每个租户拥有独立网络空间与存储路径,确保安全性与SLA保障。

更重要的是,这种统一不是妥协,而是协同优化的结果——底层三大核心子系统为此而生。


Beam引擎:让写入如流水,查询如闪电

在真实业务中,企业往往面临双重压力:

  • 实时性要求高:订单秒级入仓、用户行为即时可查;
  • 分析复杂度高:报表聚合、趋势预测、关联挖掘。

传统的行存适合写入但分析慢,列存适合分析但写入代价大。ADB-PG的答案是:都不要舍弃,而是融合。由此,Beam混合存储引擎应运而生。

分层设计,动静分离

  • 增量数据 → 行存(NSM):以追加写方式高效处理流式写入、Upsert、Delete,满足OLTP类操作;
  • 历史数据 → PAX混合格式:兼顾列式压缩与局部性,支持Z-order clustering提升过滤效率;
  • 异步合并机制:后台自动将热数据归档为冷数据,避免手动Compaction带来的性能抖动。

实时索引,全局一致

Beam支持PostgreSQL全部主流二级索引(B-tree, Hash, GiST, GIN),并在写入时进行主键唯一性校验。通过可见性Bitmap + 行级锁 + Upsert并发控制,保障高并发下的事务正确性。

字典编码,降本增效

针对低基数字符串字段(如省份、商品分类),Beam采用全局字典编码,将字符串映射为整数ID,大幅降低存储开销,并在计算阶段使用整数运算加速Group By、Join等操作。

在某头部电商平台的实际测试中,启用字典编码后,SSB Q2查询耗时从38.87秒降至0.95秒,性能提升超40倍!


Laser引擎:榨干CPU每一滴算力

如果说Beam解决了“怎么存”,那Laser则回答了“怎么算”。

现代CPU拥有强大的SIMD指令集、多核并行能力,但传统数据库仍停留在“逐行解释执行”的时代。Laser引擎彻底改变这一局面。

向量化执行 + JIT编译

  • 所有算子以batch-at-a-time方式处理,充分利用AVX-512等SIMD指令;
  • 复杂表达式按需触发LLVM JIT编译,动态切换解释/编译模式,平衡启动延迟与运行效率;
  • 自适应选择最优执行路径:顺序访问用列式布局(DSM),随机访问用行式布局(NSM),最大化缓存命中率。

运行时优化,越跑越快

  • Bloom Filter下推:在Hash Join前过滤无效数据,减少shuffle流量;
  • 计划重写:运行时感知实际数据分布,动态调整Join顺序与基数估计;
  • 延迟解码:扫描时不立即展开字典,直到聚合阶段才解码,节省中间结果传输开销。

在TPC-DS Q24/Q64等复杂查询中,运行时过滤使耗时下降近50%,结合Join Reorder最高提速40%。


不止于分析:In-Database AI,开启Data+AI融合新篇章

今天的数据仓库,不能只做“数据搬运工”。越来越多客户提出:能不能直接在库里训练模型、生成向量、召回文档?

为此,ADB-PG率先引入In-Database AI/ML能力,构建一体化的多模融合平台:

功能

应用场景

内置向量搜索

图像相似匹配、语义检索

全文检索引擎

日志分析、内容推荐

模型微调与推理

基于业务数据fine-tune LLM,用于RAG问答

特征工程与训练

直接调用XGBoost、逻辑回归等算法

典型案例如某大型银行构建智能客服系统:

  1. 用户提问 → 文本向量化 → 向量搜索召回相关知识片段;
  2. 结合结构化客户画像 → 全文检索补充上下文;
  3. 调用微调后的BERT模型 → 输出个性化回复。

过去需打通5个系统,现在仅需一条SQL即可完成全流程。端到端延迟缩短60%,开发效率提升80%。


实测验证:性能、成本、弹性全面领先

1. 查询性能 vs 成本

在TPC-H 1TB测试中,SSM与SNM模式整体性能几何均值基本持平。尤其Q1、Q18等大表扫描场景,SSM因多节点并行反而略胜一筹。

而在百TB级以上场景,SSM的月度成本仅为SNM的40%-60%,得益于弹性计算与对象存储的低成本优势。

2. 写入与混合负载

在CH-BenCHmark混合负载测试中,16个事务线程 + 2个分析线程并发运行,彼此吞吐互不影响,资源分配公平。若物理隔离,总吞吐接近两者独立运行之和。

3. 弹性与容错

支持SSM/SNM模式下在线扩容云盘或EBS,故障时自动切换至备份节点,服务无中断。Serverless模式下可根据负载自动伸缩计算节点,业务零感知。


🆚 对比行业:为什么ADB-PG能脱颖而出?

能力维度

ADB-PG

实时写入支持

强(支持UPSERT/Delete)

二级索引能力

完整支持PG所有索引类型

存储架构灵活性

双模统一架构

向量化执行

更深度优化(JIT+自适应)

In-Database AI

支持模型训练、向量搜索、RAG

更重要的是,ADB-PG不仅是一个技术产品,更是为业务而生的设计哲学:

  • 金融客户要合规 → 提供SNM私有化方案;
  • 互联网客户要弹性 → 提供SSM Serverless体验;
  • AI团队要集成 → 提供In-Database AI一站式平台。

未来已来:迈向AI原生数据仓库

ADB-PG的愿景不止于“更快的查询”或“更低的成本”。我们正朝着三个方向持续演进:

  1. AI驱动的智能优化:利用机器学习预测查询模式,自动创建物化视图、索引;
  2. 自动弹性:基于负载预测提前扩缩容,消除冷启动延迟;
  3. 多模融合深化:整合图、时空、JSON等新型数据类型,打造真正的“全模态数据底座”。

正如我们在VLDB论文中所言:“未来的数据仓库,将是Data与AI无缝融合的智能中枢。”

而今天,它已经到来。

了解更多

  1. 点击下载论文原文:《AnalyticDB-PG: A Cloud-native High-performance Data Warehouse in Alibaba Cloud》
  2. 欢迎钉钉搜索群号: 11700737,或扫码加入钉群交流:

相关实践学习
阿里云云原生数据仓库AnalyticDB MySQL版 使用教程
云原生数据仓库AnalyticDB MySQL版是一种支持高并发低延时查询的新一代云原生数据仓库,高度兼容MySQL协议以及SQL:92、SQL:99、SQL:2003标准,可以对海量数据进行即时的多维分析透视和业务探索,快速构建企业云上数据仓库。 了解产品 https://www.aliyun.com/product/ApsaraDB/ads
相关文章
|
7天前
|
消息中间件 人工智能 运维
事件驱动重塑 AI 数据链路:阿里云 EventBridge 发布 AI ETL 新范式
“一个简单的数据集成任务,开始时总是轻松愉快的,但随着业务扩展,数据源越来越多,格式越来越乱,整个数据链路就会变得一团糟。”陈涛在演讲中指出了当前 AI 数据处理的普遍困境。扩展难、运维难、稳定性差,这三大挑战已成为制约 AI 应用创新和落地的关键瓶颈。针对这些痛点,在2025云栖大会期间,阿里云重磅发布了事件驱动 AI ETL 新范式,其核心产品 EventBridge 通过深度集成 AI 能力,为开发者提供了一套革命性的解决方案,旨在彻底改变 AI 时代的数据准备与处理方式。
|
7天前
|
人工智能 安全 中间件
阿里云 AI 中间件重磅发布,打通 AI 应用落地“最后一公里”
9 月 26 日,2025 云栖大会 AI 中间件:AI 时代的中间件技术演进与创新实践论坛上,阿里云智能集团资深技术专家林清山发表主题演讲《未来已来:下一代 AI 中间件重磅发布,解锁 AI 应用架构新范式》,重磅发布阿里云 AI 中间件,提供面向分布式多 Agent 架构的基座,包括:AgentScope-Java(兼容 Spring AI Alibaba 生态),AI MQ(基于Apache RocketMQ 的 AI 能力升级),AI 网关 Higress,AI 注册与配置中心 Nacos,以及覆盖模型与算力的 AI 可观测体系。
|
7天前
|
人工智能 数据处理 云栖大会
云栖现场|让评测与标注成为AI进化引擎!阿里发布全新评测平台,3大创新评测集亮相
云栖现场|让评测与标注成为AI进化引擎!阿里发布全新评测平台,3大创新评测集亮相
103 9
云栖现场|让评测与标注成为AI进化引擎!阿里发布全新评测平台,3大创新评测集亮相
|
8天前
|
人工智能 Cloud Native 安全
解读阿里云刚发布的《AI 原生应用架构白皮书》
阿里云在云栖大会重磅发布了《AI 原生应用架构白皮书》,该白皮书覆盖 AI 原生应用的 11 大关键要素,获得业界 15 位专家联名推荐,来自 40 多位一线工程师实践心得,全书合计超 20w 字,分为 11 章,全面、系统地解构 AI 原生应用架构,包含了 AI 原生应用的 11 大关键要素,模型、框架、提示词、RAG、记忆、工具、网关、运行时、可观测、评估和安全。本文整理自阿里云智能技术专家李艳林在云栖大会现场的解读。
|
11天前
|
存储 机器学习/深度学习 人工智能
云栖 2025|阿里云 Qwen3 系列领衔:AI 模型全栈突破与开发者落地指南
阿里云发布Qwen3全栈AI体系,七大模型升级、性能全球领先,开源生态稳居第一。从底层基建到开发工具链全面优化,助力企业高效落地AI应用,共建超级AI云生态。
420 11
|
8天前
|
设计模式 人工智能 API
AI智能体开发实战:17种核心架构模式详解与Python代码实现
本文系统解析17种智能体架构设计模式,涵盖多智能体协作、思维树、反思优化与工具调用等核心范式,结合LangChain与LangGraph实现代码工作流,并通过真实案例验证效果,助力构建高效AI系统。
92 7
|
9天前
|
机器学习/深度学习 人工智能 数据安全/隐私保护
阿里云 Qwen3 全栈 AI 模型:技术解析、开发者实操指南与 100 万企业落地案例
阿里云发布Qwen3全栈AI体系,推出Qwen3-Max、Qwen3-Next等七大模型,性能全球领先,开源生态超6亿次下载。支持百万级上下文、多模态理解,训练成本降90%,助力企业高效落地AI。覆盖制造、金融、创作等场景,提供无代码与代码级开发工具,共建超级AI云生态。
178 6