- 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。 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
86110编辑于 2024-03-16 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。 这样整体在海量数据下计算量消耗降低会比较明显。其实做优化最高效方法还是通过优化执行计划去做计算裁剪，第二步才是在必要相同计算量前提下去进行执行优化，不管是你的算子优化，还是机器资源物理层优化。 ﹀ ﹀ ﹀ -- 更多精彩 -- 揭秘TDSQL-A：兼容Oracle的同时支持海量数据交互 十问十答，带你全面了解TDSQL-A核心优势 ↓↓点击阅读原文，了解更多优惠
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？
如果你运气不太好，数据库服务器的配置不是特别的高的话，弄不好你还会经历数据库宕机的情况，因为负载太高对数据库压力太大了。 那么百万并发的数据库架构如何设计呢？多数都是分库分表加主从吧？ 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。 在写入数据的时候，需要做两次路由，先对订单 id hash 后对数据库的数量取模，可以路由到一台数据库上，然后再对那台数据库上的表数量取模，就可以路由到数据库上的一个表里了。 然后多台数据库的拆分方式，可以保证每台数据库服务器承载一部分的读写请求，降低每台服务器的负载。 写入的时候写入主数据库服务器，查询的时候读取从数据库服务器，就可以让一个表的读写请求分开落地到不同的数据库上去执行。 这样的话，假如写入主库的请求是每秒 400，查询从库的请求是每秒 1600。
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。 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。
16210编辑于 2025-07-05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。 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。 通过合理运用多版本并发控制、分区技术、ACID特性、PL语言支持、数据加密与监控优化等手段，数据库管理员和数据工程师可以在实际项目中有效地管理和处理海量数据，保证数据的安全、性能和可靠性。
13200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。
32010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。
16400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。 Meta store 元数据：表名、表所属数据库、表拥有者、列、分区字段、表类型、表数据所在的目录等，默认存储在自带的derby数据库中。 Driver：解析器、编译器、优化器、执行器。 作用 HiveQL 查看所有数据库 SHOW DATABASES; 使用指定的数据库 USE database_name; 创建指定名称的数据库 CREATE DATABASE database_name 海量结构化数据离线分析。
2.5K71编辑于 2022-03-08 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。
28110编辑于 2025-08-30- 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。
8.4K20发布于 2018-08-23 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。
23310编辑于 2025-08-13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。
24010编辑于 2025-07-17- 来自专栏科研菌
CPTAC蛋白质组学数据库中的海量资源
三、CPTAC的海量数据 ? 目前CPTAC含有51个研究的数据，含有12个类别的肿瘤类型，数据总量达24TB。这些研究中的参考质谱肽库也可以从NIST肽库中免费下载。想要研究的伙伴们是不是心动了。 而如下研究为来自TCGA样本的蛋白组学数据补充，关于这些样本的基因组学数据储存于TCGA数据库。 ?
6.4K32发布于 2020-07-02 YashanDB数据库收集与分析海量日志数据的技术要点
在大规模日志数据的存储与分析领域，如何确保查询速度的高效性成为衡量数据库性能的关键指标。 海量日志数据通常具有高写入速率和复杂查询需求，传统数据库在面对这些挑战时容易出现性能瓶颈，导致数据处理延迟和资源浪费。 数据库支持读已提交和可串行化两种事务隔离级别，适应不同复杂度的分析场景。锁机制以表锁和行锁为主，结合死锁检测和优化，保障日志数据修改时的并发执行效率。 基于统计信息定期收集和维护数据库对象的统计数据，以驱动优化器生成高效的查询执行计划。开启向量化计算与合适的并行度配置，充分利用现代CPU多核架构，提升大规模日志数据分析的执行效率。 结论本文系统解读了YashanDB针对海量日志数据收集与分析的关键技术要点。
26710编辑于 2025-09-23基于 GBase 数据库的海量数据处理与性能优化
一、引言随着大数据时代的到来，海量数据的存储和高效处理成为各行业的核心需求。 本文将从 GBase 数据库的特性出发，探讨如何在实际应用中进行海量数据的高效处理，同时提供相关代码示例，帮助开发者更好地理解和应用 GBase 数据库。二、GBase 数据库的核心特性1. 三、GBase 数据库的海量数据处理策略1. 数据分区管理通过表分区技术，GBase 数据库可以将大表划分为多个小分区，从而减少单次查询的数据量。 批量加载数据对于海量数据的导入，GBase 提供了高效的批量加载工具。例如，使用 LOAD DATA 指令快速导入数据。 七、总结GBase 数据库为海量数据处理和高效查询提供了强大的技术支持。通过分区管理、批量加载、索引优化以及并行查询等策略，开发者可以显著提升 GBase 数据库的处理能力。
60310编辑于 2024-12-03- 来自专栏云开发
海量数据热迁移，小程序云开发数据库这样做
一般来说，业界针对升级和迁移，会提供热迁移和冷迁移两种方案： 冷迁移：冷迁移需要对数据库先进行停机，等迁移完成后，再重启数据库。 热迁移：热迁移无需对数据库进行停机，整个迁移过程中，数据库可以持续对外提供服务。用户对于热迁移无感知。 想要对云开发的数据库进行热迁移，首先，需要理解云开发数据库的底层架构。 热迁移的基础是数据库底层的迁移能力，而数据库底层的迁移分为三个状态： 数据同步：对快照和数据库的 oplog 进行拷贝和追踪； 数据割接：在 oplog 几乎追上时，进行数据割接； 目标集群可用：完成割接后 以上便是基于小程序云开发自身的数据库架构设计的数据库底层热迁移实现方案概述。 如果你对上文有任何疑问，欢迎在下方评论区留言。 作者：李子昂，腾讯云云开发团队高级后台开发工程师。
2.3K20发布于 2020-07-21
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