基于云数据库ClickHouse 搭建游戏行业用户行为分析系统实践
游戏行业用户流量的引入及长期留存和活跃是衡量游戏商业转化能力的必要条件和重要衡量指标。新游戏投放市场后通常会持续性进行运营推广和迭代优化，需要完善的运营体系来支撑运营。本文重点阐述如何使用云数据库 ClickHouse 作为核心数仓同步离线和实时数据来构建用户分析系统，以及如何通过用户分析系统来分析用户行为常用场景实践案例，指导游戏行业客户构建和使用行为分析系统，达到提高游戏用户留存率和活跃度的目标。
实时计算 Flash – 兼容 Flink 的新一代向量化流计算引擎
本文介绍了阿里云开源大数据团队在实时计算领域的最新成果——向量化流计算引擎Flash。文章主要内容包括：Apache Flink 成为业界流计算标准、Flash 核心技术解读、性能测试数据以及在阿里巴巴集团的落地效果。Flash 是一款完全兼容 Apache Flink 的新一代流计算引擎，通过向量化技术和 C++ 实现，大幅提升了性能和成本效益。
Flink 四大基石之 Checkpoint 使用详解
Flink 的 Checkpoint 机制通过定期插入 Barrier 将数据流切分并进行快照，确保故障时能从最近的 Checkpoint 恢复，保障数据一致性。Checkpoint 分为精确一次和至少一次两种语义，前者确保每个数据仅处理一次，后者允许重复处理但不会丢失数据。此外，Flink 提供多种重启策略，如固定延迟、失败率和无重启策略，以应对不同场景。SavePoint 是手动触发的 Checkpoint，用于作业升级和迁移。Checkpoint 执行流程包括 Barrier 注入、算子状态快照、Barrier 对齐和完成 Checkpoint。
StarRocks+Paimon 落地阿里日志采集：万亿级实时数据秒级查询
本文介绍了阿里集团A+流量分析平台的日志查询优化方案，针对万亿级日志数据的写入与查询挑战，提出基于Flink、Paimon和StarRocks的技术架构。通过Paimon存储日志数据，结合StarRocks高效计算能力，实现秒级查询性能。具体包括分桶表设计、数据缓存优化及文件大小控制等措施，解决高并发、大数据量下的查询效率问题。最终，日志查询耗时从分钟级降至秒级，显著提升业务响应速度，并为未来更低存储成本、更高性能及更多业务场景覆盖奠定基础。
热烈祝贺 Flink 2.0 存算分离入选 VLDB 2025
Apache Flink 2.0架构实现重大突破，论文《Disaggregated State Management in Apache Flink® 2.0》被VLDB 2025收录。该研究提出解耦式状态管理架构，通过异步执行框架与全新存储引擎ForSt，实现状态与计算分离，显著提升扩展性、容错能力与资源效率，推动Flink向云原生演进，开启流计算新时代。
一文读懂数据中台和数据仓库的区别
本文深入解析了“数据中台”与“数据仓库”的区别，从定义、功能、架构设计、数据处理、应用场景等多个维度进行对比，帮助企业更清晰地理解二者的核心差异与适用场景。数据仓库重在存储与分析历史数据，服务于高层决策；数据中台则强调数据的实时处理与服务化输出，直接赋能一线业务。文章还结合企业规模、业务需求与技术能力，给出了选型建议，助力企业在数字化转型中做出更科学的选择。
Fluss on 鲲鹏 openEuler 大数据实战
本文介绍了基于华为鲲鹏ARM架构服务器与openEuler操作系统，构建包含HDFS、ZooKeeper、Flink、Fluss及Paimon的实时大数据环境的完整实战过程。涵盖了软硬件配置、组件部署、集群规划、环境变量设置、安全认证及启停脚本编写等内容，适用于企业级实时数据平台搭建与运维场景。
