近日，杭州云猿生数据有限公司（以下简称云猿生）与阿里云PolarDB 开源数据库社区展开产品集成认证。测试结果表明，杭州云猿生数据有限公司旗下kubeblocks（V0.7.0）与阿里云以下产品：开源云原生数据库PolarDB 分布式版( V2.0 )，完全满足产品兼容认证要求，兼容性良好，系统运行稳定。

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。

外键是关系型数据库中非常便利的一种功能，它通过一个或多个列为两张表建立连接，从而允许跨表交叉引用相关数据。外键通过约束来保持数据的一致性，通过级联来同步数据在多表间的更新和删除。在关系数据库系统中，大多数表都遵循外键的概念。

本文介绍PolarDB-X数据库实现了基于标签的访问控制功能，可以在行、列级别对数据访问进行控制，精细化的限制用户对数据的访问和操作，保证了读写数据的安全。下文根据实际应用场景，介绍PolarDB-X的LBAC功能设计以及使用方法。

随着PolarDB分布式版的不断演进，功能不断完善，新的特性不断增多，整体架构扩大的同时带来了测试链路长，出现问题前难发现，出现问题后难排查等等问题。原有的测试框架已经难以支撑实际场景的复杂模拟测试。因此，我们实现了一个基于业务场景面向优化器索引选择的混沌查询实验室，本文之后简称为CEST（complex environment simulation test）。

9月运营月报来啦！社区从运营看点、生态、活动、精彩内容推荐等几方面总结、回顾了9月发生的重要事件。以下是社区运营报告，也欢迎更多的开发者加入，与我们一起共建PolarDB开源社区。

传统数据库不支持图像类型, 图像相似计算函数, 图像相似计算操作服, 相似排序操作符. 所以遇到类似的需求, 需要自行编写应用来解决. PG|PolarDB 通过imgsmlr插件, 可以将图像转换为向量特征值, 使用相似距离计算函数得到相似值, 使用索引加速相似度排序, 快速获得相似图片, 实现以图搜图. 也可以通过pgvector插件来存储图片向量特征值, 结合大模型服务(抠图、图像向量转换), 可以实现从图像转换、基于图像的相似向量检索全流程能力.

青否数字人SaaS系统5.0正式发布，王炸更新！提供口播视频批量制作+7*24小时直播全套解决方案。 同时直播间支持真人开麦/输入文字选择音色接管，实时驱动直播间数字人回复

在上一个实验《沉浸式学习PostgreSQL|PolarDB 19: 体验最流行的开源企业ERP软件 odoo》 中, 学习了如何部署odoo和polardb|pg. 由于ODOO是非常复杂的ERP软件, 对于关系数据库的挑战也非常大, 所以通过odoo业务可以更快速提升同学的数据库优化能力, 发现业务对数据库的使用问题(如索引、事务对锁的运用逻辑问题), 数据库的代码缺陷, 参数或环境配置问题, 系统瓶颈等.

本文主要教大家怎么用好数据库, 而不是怎么运维管理数据库、怎么开发数据库内核.

本次分享将先从架构、特性、开源等三个维度解读PolarDB-PG的整体架构。在大家对架构有一定深入理解后，将继续从备份恢复、存储层、计算层扩容、只读节点提升、高可用等五个维度，对PolarDB-PG的日常运维进行深入浅出的介绍，为“唯手熟尔”的运维打好理论基础。

本文主要教大家怎么用好数据库, 而不是怎么运维管理数据库、怎么开发数据库内核.

开学季玩转阿里云PolarDB开源数据库训练营开营啦！本次训练营理论结合手把手的教学，帮你轻松入门阿里云云原生开源数据库PolarDB PostgreSQL版与PolarDB分布式，一起探索PolarDB开源数据库的奥秘。

本文所涉及的实验体验的就是怎么建设AI的外脑?向量数据库的核心价值:AI外脑

MySQL、PostgreSQL，乃至各种各样的数据库，孰强孰弱，难以辨别。究其原因，只因”不识庐山真面目，只缘身在此山中“。只需跳出”数据库“三字，一切自然看的分明。9月22日，解读如何换个维度，发现真相。

新生产力工具AI会催生下一级人类文明跃迁吗? 数据库进化出了哪些与AI相结合的能力? AI加持后的数据库应用场景有哪些变化?

请否数字人源码独立部署

《PolarDB-X 动手实践》系列第九期，体验如何用PolarDB-X Replica将PolarDB-X作为不同上游数据库的备库。

实现一个简单的消消乐游戏可以是一个有趣的编程项目。下面是一个使用Python和Pygame库来创建消消乐游戏的基本步骤

PolarDB MySQL支持跨地域部署全球数据库，打通全国/全球企业用户的数据，数据保持同步且网络延迟不大于2秒。

Java对象是一种复杂的数据结构，它允许我们在内存中存储一系列属性和方法。这些属性和方法可以在程序运行期间被访问和修改，以实现特定的功能和操作。

《PolarDB-X 动手实践》系列第二期，本场景带您体验如何基于PolarDB-X进行应用开发。

《PolarDB for PostgreSQL动手实践》系列，带您体验基于PolarDB for PostgreSQL部署开源空间处理插件PostGIS，并执行空间查询。

阿里云数据库PolarDB for MySQL Serverless数据库能够使得数据库集群资源随客户业务负载动态弹降，通过引入严格强一致集群（SCC）和热备无感秒切等技术，可以实现全场景下的应用无损。

PolarDB PostgreSQL 引擎提供了弹性跨机并行查询（elastic Parallel Execution）的功能，支持多个计算节点分布式地执行 SQL 查询。本实验将体验该功能。

《PolarDB-X 动手实践》系列第十期，体验如何监控PolarDB-X集群。

本实验主要介绍如何对PolarDB-X进行手动收缩扩容，了解PolarDB-X 中各个节点的含义，以及如何对不同配置的PolarDB-x 进行压测。

《PolarDB for PostgreSQL动手实践》系列第一期，带您体验如何本地一键安装快速部署云原生开源数据库PolarDB for PostgreSQL。

本场景基于1台Linux云服务器实例和1台RDS MySQL实例，通过操作控制台和系统实现ECS内网访问RDS MySQL实例。

本篇文章目标学习如何快速在任意字段组合条件输入搜索到满足条件的数据.

本文的目的是帮助你了解如何设计轨迹表, 如何高性能的写入、查询、分析轨迹数据.

本文主要教大家怎么用好数据库, 而不是怎么运维管理数据库、怎么开发数据库内核.

本场景带您体验如何在PolarDB-X中进行Online DDL。

本场景带您体验PolarDB数据库维护常用功能。

本实验带您体验创建X-Engine和InnoDB两种不同的表存储引擎，通过Sysbench模拟数据注入的过程对比俩种表引擎的空间效率。

《PolarDB-X动手实践》系列第六期，本场景带您体验如何使用PolarDB-X提供的解决慢SQL的相关工具。

《PolarDB-X 动手实践》系列第九期，体验如何用 PolarDB-X Replica 将 PolarDB-X 作为不同上游数据库的备库。

本场景带您体验如何将PolarDB-X通过Canal与ClickHouse进行互通。

PolarDB-PG 提供了 Shared Server 内置连接池功能，实现了用户连接与后端进程的解绑。后端进程在运行时可以根据实时负载和进程污染情况进行动态转换。负载调度算法使用 Stall 机制弹性控制 Worker 数量，同时避免用户连接饿死。从根本上解决了高并发或者大量短连接带来的性能、稳定性问题。

《PolarDB-X 动手实践》系列第五期，本场景带您体验如何在PolarDB-X中进行Online DDL。

2023年8月运营月报来啦！社区从运营看点、生态、活动、精彩内容推荐等几方面总结、回顾了8月发生的重要事 件。以下是社区运营报告，也欢迎更多的开发者加入，与我们一起共建PolarDB开源社区。

PolarDB-X作为PolarDB分布式版，是阿里巴巴自主设计研发的高性能云原生分布式数据库产品，为用户提供高吞吐、大存储、低延时、易扩展和超高可用的云时代数据库服务。PolarDB-X在架构上可以简单分为CN节点和DN节点。计算节点CN负责SQL的解析和执行，存储节点DN负责数据的分布式事务和高可用存储。本文主要对存储引擎核心中高可用部分详细技术解读。

关系型数据库作为支撑企业级数据的在线存储方案，发挥了无可替代的作用。随着海量数据的增长，以及面对创新业务爆发性增长的场景，如何能够快速，业务无损的进行在线数据库扩容，对数据库的架构提出了巨大的挑战，除此以外，企业的精细化经营，也要求数据库能够一站式提供事务处理能力和数据分析能力，为了应对这些挑战，分布式数据库应运而生。

很多平台类应用或系统（如电商CRM平台、仓库订单平台等等），它们的服务模型是围绕用户维度（这里的用户维度可以是一个卖家或品牌，可以是一个仓库，等等）展开的。因此，这类型的平台业务，为了支持业务系统的水平扩展性，业务的数据库通常是按用户维度进行水平切分。

本文主要教大家怎么用好数据库, 而不是怎么运维管理数据库、怎么开发数据库内核.

物联网场景, 通常有大量的传感器(例如水质监控、气象监测、新能源汽车上的大量传感器)不断探测最新数据并上报到数据库. 监控系统, 通常也会有采集程序不断的读取被监控指标(例如CPU、网络数据包转发、磁盘的IOPS和BW占用情况、内存的使用率等等), 同时将监控数据上报到数据库. 应用日志、用户行为日志, 也就有同样的特征, 不断产生并上报到数据库. 以上数据具有时序特征, 对数据库的关键能力要求如下: 数据高速写入 高速按时间区间读取和分析, 目的是发现异常, 分析规律. 尽量节省存储空间

越来越多的企业和个人希望能够利用LLM和生成式人工智能来构建专注于其特定领域的具备AI能力的产品。目前，大语言模型在处理通用问题方面表现较好，但由于训练语料和大模型的生成限制，对于垂直专业领域，则会存在知识深度和时效性不足的问题。在信息时代，由于企业的知识库更新频率越来越高，并且企业所拥有的垂直领域知识库（例如文档、图像、音视频等）往往是未公开或不可公开的。因此，对于企业而言，如果想在大语言模型的基础上构建属于特定垂直领域的AI产品，就需要不断将自身的知识库输入到大语言模型中进行训练。