- 综合排序
- 最热优先
- 最新优先
- 来自专栏大数据与微服务架构
千亿级海量数据库OceanBase
OceanBase是阿里集团研发的可扩展性关系型数据库，实现了数千亿条记录、数百TB数据上的跨行跨表事务。 OceanBase的目标是支持数百TB的数据量以及数十万TPS、数百万QPS的访问量。 一、OceanBase系统架构： 1、客户端：使用OceanBase的方式与MySQL完全相同，支持JDBC、C客户端访问，基于MySQL数据库开发的应用可以直接迁移至OceanBase。 5、MergeServer：接收并解析用户的SQL请求，经过词法分析、语法分析、查询优化等一系列操作后转发给相应的ChunkServer或者UpdateServer，如果请求的数据分布来多台ChunkServer 三、OceanBase扩展 OceanBase融合了分布式存储系统和关系型数据库这两种技术，UpdateServer相当于一个高性能内存数据库，底层采用关系型数据库技术实现，ChunkServer相当于一个分布式文件存储系统
2.6K10发布于 2020-04-11 - 来自专栏大数据工程师
5G时代，如何彻底搞定海量数据库的设计与实践
5G时代，业务数据越来越丰富，业务使用MySQL数据库作为后台存储，存储引擎使用InnoDB，会带来哪些挑战？ 如何针对公司业务特点及MySQL数据库特性，制定若干数据库使用规范供一线RD在设计业务时参考部分内容要求强制执行。 三、业务表设计 针对MyQL数据库特性结合公司业务特点制定了一系列数据库使用规范，可以有效的指导一线RD在项目开发过程中数据库表和索引的设计工作。 前面我们已经对比分析过业务主键和自增主键的优缺点，结论是业务主键更符合业务的查询需求，而互联网业务大多都符合读多写少的特性，所以所有线上业务都使用业务主键； 索引个数：由于过多的索引会造成索引文件过大，所以要求索引数不多于5个 分表策略：首先要明确数据库出现性能问题一般在数据量到达一定程度后！
60220发布于 2020-06-04 - 来自专栏Eliauk的小窝
项目如何适配国产海量数据库
postgresql即可 注意：postgresql的驱动类是：org.postgresql.Driver 要注意的是：postgresql的url中需要指定currentSchema=xxxx 这是一个默认访问的数据库
94310编辑于 2024-03-16 - 来自专栏Dissecting Unreal
UE5 CitySample的MassAI海量人群绘制
之前这篇有说过Mass的Visualization，在近处是真实可以交互的Actor，而在远处会统一合并成ISM，如下图所示。
2.2K60编辑于 2022-04-19 YashanDB数据库海量数据存储方案解析
在现代的数据库应用中，如何有效存储与管理海量数据，一直是技术发展与应用实践中的重大挑战。面对不断增长的数据量，传统数据库的存储方案往往难以满足高效性、扩展性和可靠性的需求。 因此，合理的海量数据存储方案显得尤为重要。本文将重点讨论YashanDB的各类存储方案与技术架构，帮助读者理解其背后的原理与优势。 适合高并发、海量数据分析等应用场景。共享集群部署共享集群通过共享存储，所有实例均可读写，提高了数据访问的效率。该模式通常用于对高可用、高性能以及可扩展性都有较高要求的场景。 YashanDB数据库将数据组织成不同的逻辑结构，以应对不同的业务需求。段页式存储管理YashanDB在段的管理能力上，可将数据库对象划分为多个段，段根据不同的存储需求可以被细分。 结论YashanDB提供了多样化的海量数据存储解决方案，结合先进的存储架构、逻辑管理、并发控制与高可用机制，能够高效支撑不同规模业务场景下对数据的存储与管理需求。
12200编辑于 2025-07-06- 来自专栏腾讯云数据库(TencentDB)
腾讯云数据库海量数据交互之道
TDSQL-A是在腾讯业务场景下诞生的在线分布型OLAP数据库系统，在处理海量数据分析业务的过程中持续对产品构架进行升级调整，是PG生态中分析型MPP产品的又一力作。 本文将由腾讯云数据库专家工程师伍鑫老师为大家详细介绍TDSQL-A的发展历程、技术架构和创新实践，以下为分享实录： TDSQL-A发展历程 TDSQL-A是一款基于PostgreSQL自主研发的分布式在线关系型数据库 是一个面向海量数据实时在线分析产品，采用无共享MPP构架。面向分析型场景的极致性能优化，我们自研了列式存储，同时也支持行列混合存储模式。 在多年的发展过程中TDSQL-A依托腾讯内部业务进行充分打磨，在内部业务及外部企业级用户场景下都有良好表现，并于2021年5月18日上线腾讯云。 做一个比较简单的计算，如果200个DN节点有100个并发查询，每个查询是5个数据重分布，计算将会有超过10万个连接数。
2.1K30编辑于 2022-02-15 - 来自专栏JavaQ
支撑海量数据的数据库架构如何设计？
分库分表 说白了就是大量分表来保证海量数据下的查询性能。 其实大多数公司的瓶颈都在数据库，其实如果把上面的解决方案，都实现了，基本上就没的什么问题了，举例： 如果订单一年有 1 亿条数据，可以把订单表一共拆分为 1024 张表，分散在5个库中， 这样 1 亿数据量的话，分散到每个表里也就才 10 万量级的数据量，然后这上千张表分散在 5 台数据库里就可以了。 第三个部分是 5 个 bit：表示的是机房 id，10001。 第四个部分是 5 个 bit：表示的是机器 id，1 1001。 但是 10 bit 里 5 个 bit 代表机房 id，5 个 bit 代表机器 id。意思就是最多代表 2 ^ 5 个机房（32 个机房），每个机房里可以代表 2 ^ 5 个机器（32 台机器）。
1.3K20发布于 2019-06-02 - 来自专栏小工匠聊架构
Oracle海量数据优化-02分区在海量数据库中的应用-更新中
---- 概述 以前梳理了一篇文章， 案例不是很充分 Oracle-分区表解读 故本篇博文系统的再重新阐述一下 当我们对海量数据的Oracle数据库进行管理和维护时，几乎无一例外的使用了分区（partition 分区是Oracle数据库中对海量数据存储管理提供的一个应用很广泛的技术，它可以非常方便的加载数据、删除数据和移动数据，特别是对于一个拥有海量数据的OLAP及数据仓库系统的数据库来说，更是如此。 有一个分区裁剪功能，只对需要处理的分区进行扫描，这样扫描的数据块会大大的减少，使查询效率提高 分区更利于数据维护， 可以只对单独分区进行备份、恢复，这样就可以大大的缩短数据备份、恢复的时间 分区有利于数据库数据的过期化处理
1.8K20发布于 2021-08-16 - 来自专栏Cloud Native - 产品级敏捷
海量数据, 为何总是 海量垃圾 ?!
2017.9.10, 深圳, Ken Fang 雷军说：我拥有海量的数据, 却不知道怎么用？每年, 花在存储海量数据的费用, 也是海量；足以使企业破产⋯ 为何会如此？ 当我们将所谓 “海量数据分析” 的神秘面纱给揭开时, 打破 “海量数据分析” 的神话, 就会很容易的明白, 真正的问题到底出在哪？为何谷歌能做到的, 我们却做不到？ 大家都明白的 Common Sense: 做海量数据分析, 要先能建立数据模型；有了数据模型, 我们才能从 “海量” 数据中, 去提炼出 “有用” 的数据。 海量数据分析最关键、最重要的ㄧ步：将海量数据 “转换” 为有用的数据。 而数据模型建立的前提是： @ 要能先分析出, 产生数据背后的 “用户的目的” 。例如：用户是基于什么样的社会事件？天灾？ 这样的数据, 再如何的 “海量”, 也根本没法经由 “数据分析师”, 使用任何的数据分析工具, 建立出任何有效的数据模型；海量数据将永远没办法转换为有用的数据。 为什么谷歌能做得到？
1.4K50发布于 2018-01-05 YashanDB数据库如何保障海量数据安全与隐私
在现代信息技术迅猛发展的时代，数据库管理系统面临着数据安全与隐私保护的重大挑战。随着企业集成越来越多的海量数据，确保这些数据在存储、传输及访问过程中的安全性和隐私保护变得尤为重要。 YashanDB作为一个高性能、高可用的数据库系统，实施了多种措施以保障数据安全与隐私内容。 5. 高可用性与容灾备份YashanDB设计了高可用性架构，支持主备复制机制，确保一旦主数据库故障，备库能够快速接管服务。同时，系统定期进行数据备份，以支持数据恢复，进一步保护数据的安全性。 定期执行数据库备份并测试恢复过程，确保在紧急情况下数据能够快速恢复。结论YashanDB通过加密、访问控制、完整性约束、多版本控制和高可用性等技术手段，有效保障了海量数据的安全与隐私。 在实际应用中，应结合行业最佳实践，对数据库安全策略进行定期评审和调整，以适应不断变化的安全环境。
16810编辑于 2025-07-05- 来自专栏业余草
MySQL 海量数据的 5 种分页方法和优化技巧
那么我今天就来分享一下，5 种常见的 MySQL Limit 分页方法和优化技巧。 第一种方法，直接使用数据库提供的 SQL 语句 limit 来分页。 ? 适用于数据量较少的情况。 缺点是，全表扫描，速度会很慢且有的数据库结果集返回不稳定(如某次返回1,2,3,另外的一次返回2,1,3)。Limit 限制的是从结果集的 M 位置处取出 N 条输出，其余抛弃。 这个 SQL 很厉害，适合海量数据的场景。这个查询会使用索引扫描，速度会很快。prepare 语句又比一般的查询语句快一点。
1.8K50发布于 2019-03-15 如何在YashanDB数据库中高效处理海量数据
在现代数据库技术中，海量数据的管理和处理成为了一个普遍存在的挑战。随着数据规模的不断扩大，性能瓶颈、数据一致性问题以及易用性需求等问题日益凸显。 YashanDB作为一款专为处理海量数据而设计的数据库，凭借其高可扩展性、高并发性能和高可用性，提供了一系列技术手段以应对这些挑战。 本文旨在探讨如何在YashanDB中高效地管理和处理海量数据，目标读者为数据库管理员、数据工程师及相关技术人员。 5. 数据加密与安全性在海量数据涉及到的重要性时，数据的安全性显得尤为关键。 定期监控数据库性能，分析慢查询，优化执行计划，确保海量数据高效处理。启用数据加密保护机制，加强数据安全，防止数据泄露风险。
13700编辑于 2025-07-18YashanDB数据库如何帮助企业应对海量数据挑战
传统数据库系统在面对多样化的数据类型和复杂的业务场景时，性能瓶颈和管理复杂性逐渐显现。 YashanDB作为一款先进的企业级数据库产品，通过其多态部署架构、高性能存储引擎和智能优化器，有效提升了海量数据环境下的处理能力与业务连续性。 分布式部署结合MN（管理节点）、CN（协调节点）、DN（数据节点）实现数据的横向扩展，适用海量数据分析和复杂事务处理。 身份认证支持数据库认证和操作系统认证，多因素密码策略增强安全防护。审计功能涵盖系统权限、对象操作及角色变更，异步审计机制降低性能影响。 利用主备自动选主和共享集群高可用特性，实现数据库的故障自动检测与快速恢复，保证关键业务连续性。
32910编辑于 2025-08-29巧用YashanDB数据库实现海量数据快速查询
在现代数据驱动的业务场景中，如何应对海量数据的快速查询需求成为数据库技术的核心问题。数据量的持续增长给存储和计算带来巨大压力，查询性能瓶颈不仅影响用户体验，还制约业务决策的实时性。 因此，挖掘数据库内核技术的潜力，通过系统性的优化手段，实现海量数据的高效访问，是提升整体系统竞争力的关键。 本文针对YashanDB数据库，通过深入分析其架构与核心技术，解析其如何支持海量数据场景下的高效查询，提供系统的技术方法与优化策略，帮助开发与运维人员提升对该技术体系的理解和应用能力。 随着数据采集和处理需求的持续增长，数据库技术的体系化优化将成为提升核心竞争力的重要方向。 未来，结合智能调度、自动化运维及机器学习辅助优化，YashanDB的查询性能和系统可用性将更进一步，满足复杂业务对海量数据实时、高效访问的挑战，引领行业数据库技术的演进。
17200编辑于 2025-06-27- 来自专栏ShowMeAI研究中心
图解大数据 | 海量数据库查询-Hive与HBase详解
1） 从Hadoop到数据库 大家知道在计算机领域，关系数据库大量用于数据存储和维护的场景。 3） HBase与大数据数据库、 HBase是建立在Hadoop文件系统之上的分布式面向列的数据库。 HBase是一个数据模型，类似于谷歌的Bigtable设计，可以提供快速随机访问海量结构化数据。 [996dfcea7d1cdc275efc9d8dbcb6ac1a.png] 5） HBase的特点 如下图所示，HBase有以下特点： [77a2638642ae5bbd870947dbae0d6052 4） Hive与传统数据库对比 [26c6110854d492e76050eb6188c44eca.png] 5） Hive的体系架构 [28a9600e4a63e081d5bd26bba523ed79 海量结构化数据离线分析。
2.5K71编辑于 2022-03-08 - 来自专栏PPV课数据科学社区
数据挖掘系列（5）使用mahout做海量数据关联规则挖掘
上一篇介绍了用开源数据挖掘软件weka做关联规则挖掘，weka方便实用，但不能处理大数据集，因为内存放不下，给它再多的时间也是无用，因此需要进行分布式计算，mahout是一个基于hadoop的分布式数据挖掘开源项目（mahout本来是指一个骑在大象上的人）。掌握了关联规则的基本算法和使用，加上分布式关联规则挖掘后，就可以处理基本的关联规则挖掘工作了，实践中只需要把握业务，理解数据便可游刃有余。 安装mahout 骑在大象上的侠士必然需要一头雄纠纠的大象，不过本文不解绍大象hadoop，所以我假定已经
96340发布于 2018-04-23 YashanDB数据库如何支持海量用户的高并发访问
在当前数据密集型应用快速发展的时代，数据库系统面临着海量用户同时高并发访问的挑战，如何优化数据库以保证快速响应和稳定运行成为关键问题。 SCOL（稳态列式存储）采用切片和对象式管理，支持大规模冷数据的编码压缩及稀疏索引，极大提升海量数据的分析查询性能。 多版本机制结合分布式和共享集群的全局缓存协同，实现了海量并发读写访问的稳定响应和数据一致性。 结论随着数据规模和业务复杂度的持续增长，数据库系统对高并发处理能力的需求愈加迫切。 未来，随着硬件技术进步和分布式计算模式的发展，YashanDB将持续加强其性能与可扩展性，推动数据库技术在各行业核心应用中的深化与广泛落地。
28910编辑于 2025-08-30用YashanDB数据库处理海量数据的方式与技巧
在现代数据驱动的环境中，如何高效地处理海量数据成为企业和开发者面临的重要挑战。数据库的查询速度、数据存储策略及其可扩展性等，都会直接影响到数据处理的效率及系统的性能。 尤其是在需要进行复杂的分析、报告生成以及数据挖掘的场景中，数据库的选择与调优显得尤为重要。本文将从YashanDB的体系架构、存储引擎、分区管理、高可用性等多个方面探讨其在海量数据处理中的优势与技巧。 对于初创企业或小型业务，这种部署方式简化了管理，同时提供了数据库的基本功能。 1.3 分布式部署分布式部署能有效应对海量数据的处理需求，能够将数据分片存储在多个节点，数据库层次极大地提升了系统的查询处理能力。 三、分区管理的策略面对海量数据，合理的分区策略可以显著提升数据库的性能与可管理性。3.1 分区方式YashanDB支持范围分区、列表分区、哈希分区和间隔分区。
23710编辑于 2025-08-13- 来自专栏流媒体
Json海量数据解析Json海量数据解析
Json海量数据解析 前言 在android开发中，app和服务器进行数据传输时大多数会用到json。 5.png 其他 Good.java public class Good { private String id; private String name; private double price
8.4K20发布于 2018-08-23 如何使用YashanDB数据库实现海量数据的快速检索
在当今数据驱动的世界中，组织和分析海量数据的能力越来越重要。常见的数据库技术在面对大数据时，往往会遭遇性能瓶颈，包括查询速度慢、IO性能下降等问题。 本文旨在分析YashanDB的核心技术点，帮助读者理解如何利用该数据库实现海量数据的快速检索。YashanDB的架构设计1. 在海量数据处理场景中，分布式部署尤为关键。该模式通过MN组、DN组和CN组实现数据的分布和处理，使得数据库的负载能够均匀分散，支持高并发处理和动态扩展。2. 定期进行性能监控与调优，根据系统负载动态调整数据库参数。结论随着数据规模的不断增长，YashanDB凭借其高效的体系架构和优化机制，成为应对海量数据的强有力工具。 文中所提及的多种技术和策略，旨在提供给读者关于如何在实际生产环境中使用YashanDB进行海量数据快速检索的深入理解。未来，随着数据库技术的不断演进，确保数据处理效率的优化将会成为企业核心竞争力之一。
25610编辑于 2025-07-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号