类目筛选
PolarDB-X用15M内存跑1G的TPCH
在数据时代，过多耗内存的大查询都有可能压垮整个集群，所以其内存管理模块在整个系统中扮演着非常重要的角色。而PolarDB-X 作为一款分布式数据库，其面对的数据可能从TB到GB字节不等，同时又要支持TP和AP Workload，要是在计算过程中内存使用不当，不仅会造成TP和AP相互影响，严重拖慢响应时间，甚至会出现内存雪崩、OOM问题，导致数据库服务不可用。CPU和MEMORY相对于网络带宽比较昂贵，所以PolarDB-X 代价模型中，一般不会将涉及到大量数据又比较耗内存的计算下推到存储DN，DN层一般不会有比较耗内存的计算。这样还有一个好处，当查询性能低的时候，无状态的CN节点做弹性扩容代价相对于DN也低。鉴于此，所以本文主要对PolarDB-X计算层的内存管理进行分析，这有助于大家有PolarDB-X有更深入的理解。
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...
【最佳实践】iLogtail使用Grok语法解析日志
目标读者数字化系统开发运维（DevOps）工程师、稳定性工程师（SRE）、可观测平台运维人员等。背景介绍日志的形式往往多种多样，如果只是简单的读入日志数据，将很难进行搜索、分析及可视化。将原始的日志数据解析为结构化的数据，将大幅提升数据的可用性，方便用户进行快捷的“字段-值”的查询和分析。最基础的解...
运营分析利器——SLS窗口漏斗分析
漏斗分析当下已被广泛应用于产品运营分析过程中，成为用户增长、客户流失、留存转化等的重要分析方法。 常见的漏斗分析过程如下图所示，当产品或者运营活动发布后， 通过收集运营数据、并建立漏斗模型，然后根据漏斗模型进行统计和分析，定位问题，从而进行对应的优化迭代，并持续跟踪，最终实现用户增长、产品优化等目标...
【最佳实践】主机场景下如何使用ilogtail采集超大规模文件
目标读者数字化系统开发运维（DevOps）工程师、稳定性工程师（SRE）、可观测平台运维人员等。使用场景客户的某些场景下，业务拆分的比较细，每个业务会定时输出一个日志文件（比如每小时输出一个文件），那么在一台机器上，可能会产生大量的日志文件。由于某些原因，用户不想在业务服务器上安装采集端，因此采用比...
使用CDN来加速OSS上存储的文件资源分发
本文为真实设备电商行业的实践，在网站有大量产品图片上传的场景下，用OSS配合CDN加速，提高了用户的访问速度、站点稳定性，并且提供了节省成本的思路。
基于 OPLG 从 0 到 1 构建统一可观测平台实践
“可观测”是近几年比较火的一个议题，而 OPLG 就是包含了 OpenTelemetry、Prometheus、Loki 和 Grafana 在内的开源可观测技术合集，它们之间将碰撞出什么样的火花？请阅读本文介绍的基于 OPLG 从 0 到 1 构建统一可观测平台实践。
