类目筛选
链路追踪（Tracing）其实很简单——链路成本进阶指南
广义上的链路成本，既包含使用链路追踪产生的数据生成、采集、计算、存储、查询等额外资源开销，也包含链路系统接入、变更、维护、协作等人力运维成本。为了便于理解，本小节将聚焦在狭义上的链路追踪机器资源成本，人力成本将在下一小节（效率）进行介绍。
SQL Query Plan在Presto中的缓存设计与实现
阿里云日志服务（SLS）提供一站式数据采集、加工、查询分析、告警、可视化与投递等功能，其中查询分析以简单统一的接口提供大规模数据的查询、计算和分析能力，深受用户喜爱。 目前，分析系统每天接收5+亿次SQL查询请求，在底层，分析系统基于Presto内核，其中Coordinator节点上负载尤其严重，其...
实践教程之如何在PolarDB-X中优化慢SQL
PolarDB-X 为了方便用户体验，提供了免费的实验环境，您可以在实验环境里体验 PolarDB-X 的安装部署和各种内核特性。除了免费的实验，PolarDB-X 也提供免费的视频课程，手把手教你玩转 PolarDB-X 分布式数据库。本期实验将指导您使用对 PolarDB-X 进行慢SQL优化。...
技术分享系列-如何实现一个 Paxos
Paxos 作为一个经典的分布式一致性算法（Consensus Algorithm），在各种教材中也被当做范例来讲解。但由于其抽象性，很少有人基于朴素 Paxos 开发一致性库，本文介绍的实现代码参考了 RAFT 中的概念以及 phxpaxos 的实现和架构设计，实现 multi-paxos 算法，主要针对线程安全和模块抽象进行强化，网络、成员管理、日志、快照、存储以接口形式接入，算法设计为事件驱动，仅包含头文件，便于移植和扩展。
日志服务 Scan 功能工作机制与最佳实践
大数据快速增长的需要泛日志（Log/Trace/Metric）是大数据的重要组成，伴随着每一年业务峰值的新脉冲，日志数据量在快速增长。同时，业务数字化运营、软件可观测性等浪潮又在对日志的存储、计算提出更高的要求。从时效性角度看日志计算引擎：数仓覆盖 T + 1 日志处理，准实时系统（搜索引擎、OLA...
长路漫漫, 从Blink-tree 到Bw-tree （上）
在前面的文章 路在脚下, 从BTree 到Polar Index中提到, 我们已经将InnoDB 里面Btree 替换成Blink Tree, 高并发压力下, 在标准的TPCC 场景中最高能够有239%的性能提升, 然后我们对InnoDB 的file space模块也进行了优化, 在分配新pag...
ADBPG优化基础（二）SQL优化
承接上一篇，这次跟大家分享一些与SQL优化相关的经验，希望能够帮助大家了解如果更有效率的使用ADBPG数据库。ADBPG数据库使用基于成本（cost-based）的优化器，像其他的数据库一样，在生成计划时会考虑联接表行数、索引、相关字段基数等因素，除此之外，优化器还会考虑数据所在的segment节点...
ADBPG优化基础（一）ORCA优化器
AnalyticDB PostgreSQL(ADBPG)就是一堆并行的PostgreSQL？当然不是！ADBPG作为一个基于PostgreSQL的Massively Parallel Processing(MPP)全并行架构的分析型数据库，针对数据分析场景在很多方面得到了加强。如双优化器(GPORC...
