熟能生巧丨MogDB行存表和列存表（占用空间和DML操作）对比

原创 于 2024-10-20 08:30:00 发布 · 335 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#spark #大数据 #分布式 #MogDB #数据库

MogDB 支持行存储表和列存储表，也称为堆表和列存表。行存储表通常用于事务处理和随机访问，而列存储表适合分析处理和顺序读取。默认创建的表是行存储表。若要创建列存储表，需要在CREATE TABLE语句中使用WITH (ORIENTATION = COLUMN)选项。列存表的优势在于它们通常在数据仓库和分析场景中有更高的压缩效率和查询处理效率，但代价是写入操作可能会更慢，因为需要额外的压缩和解压缩过程。

行存表

默认创建表的类型。数据按行进行存储，即一行数据紧挨着存储。行存表支持完整的增删改查。适用于对数据需要经常更新的场景。

列存表

数据按列进行存储，即一列所有数据紧挨着存储。单列查询IO小，比行存表占用更少的存储空间。适合数据批量插入、更新较少和以查询为主统计分析类的场景。列存表不适合点查询，insert插入单条记录性能差。

行存表和列存表的选择依据如下：

  • 更新频繁程度：数据如果频繁更新，选择行存表。

  • 插入频繁程度：频繁的少量插入，选择行存表。一次插入大批量数据，选择列存表。

  • 表的列数：表的列数很多，选择列存表。

  • 查询的列数：如果每次查询时，只涉及了表的少数（小于总列数的50%）几个列，选择列存表。

  • 压缩率：列存表比行存表压缩率高，但高压缩率会消耗更多的CPU资源。

下面进行行存表和列存表的相关测试验证如下：

数据库版本

MogDB 5.0.7 单机

tpccdb=# select version();
                                                                        version                                                                        
-------------------------------------------------------------------------------------------------------------------------------------------------------
 (MogDB 5.0.7 build c4707384) compiled at 2024-05-24 10:52:51 commit 0 last mr 1804  on aarch64-unknown-linux-gnu, compiled by g++ (GCC) 7.3.0, 64-bit
(1 row)

建表

创建列存表，需要指定orientation=column

tpccdb=# create table tctest(
tpccdb(# id int ,
tpccdb(# info varchar(500),
tpccdb(# val_int int,
tpccdb(# val_float decimal(12,2),
tpccdb(# crt_date date,
tpccdb(# crt_time timestamp,
tpccdb(# remark char(50)
tpccdb(# )with (orientation=column,autovacuum_enabled = off, toast.autovacuum_enabled = off,compression=no);
CREATE TABLE
tpccdb=#

创建行存表

tpccdb=# drop table if exists tctest;
DROP TABLE
tpccdb=# create table tctest(
tpccdb(# id int ,
tpccdb(# info varchar(500),
tpccdb(# val_int int,
tpccdb(# val_float decimal(12,2),
tpccdb(# crt_date date,
tpccdb(# crt_time timestamp,
tpccdb(# remark char(50)
tpccdb(# )
tpccdb-# WITH (autovacuum_enabled = off, toast.autovacuum_enabled = off,compression=no);
CREATE TABLE
tpccdb=#

插入数据

分别插入1000万数据，记录耗时情况，列存耗时57秒，行存耗时88秒

列存表

tpccdb=# insert into tctest(id,info,val_int,val_float,crt_date,crt_time,remark)
tpccdb-# select
tpccdb-# generate_series(1,1999999999999999) id,
tpccdb-# md5(random()::text) info,
tpccdb-# generate_series(100,1999999999999999) val_int,
tpccdb-# random()*(10^5) val_float,
tpccdb-# sysdate crt_date,--clock_timestamp(),
tpccdb-# now() crt_time,
tpccdb-# 'first'||(random()*(10^3))::integer remark
tpccdb-# limit 10000000;
INSERT 0 10000000
Time: 57184.073 ms
tpccdb=#

行存表

tpccdb=# insert into tctest(id,info,val_int,val_float,crt_date,crt_time,remark)
tpccdb-# select
tpccdb-# generate_series(1,1999999999999999) id,
tpccdb-# md5(random()::text) info,
tpccdb-# generate_series(100,1999999999999999) val_int,
tpccdb-# random()*(10^5) val_float,
tpccdb-# sysdate crt_date,--clock_timestamp(),
tpccdb-# now() crt_time,
tpccdb-# 'first'||(random()*(10^3))::integer remark
tpccdb-# limit 10000000;
INSERT 0 10000000
Time: 88756.018 ms
tpccdb=#

使用空间对比

插入1000万数据，列存占用1072MB,行存占用1503MB

列存表

tpccdb=# \dt+
                                                  List of relations
 Schema |  Name  | Type  | Owner |  Size   |                          Storage                           | Description 
--------+--------+-------+-------+---------+------------------------------------------------------------+-------------
 public | tctest | table | omm9  | 1072 MB | {orientation=column,autovacuum_enabled=off,compression=no} | 
(1 row)
tpccdb=#

行存表

tpccdb=#  \dt+
                                                 List of relations
 Schema |  Name  | Type  | Owner |  Size   |                         Storage                         | Description 
--------+--------+-------+-------+---------+---------------------------------------------------------+-------------
 public | tctest | table | omm9  | 1503 MB | {orientation=row,autovacuum_enabled=off,compression=no} | 
(1 row)

查询对比

列存表

tpccdb=# select sum(val_float),min(val_float),max(val_float),avg(val_float),max(crt_date),avg(val_int),sum(val_int) from tctest;
       sum       | min  |   max    |        avg         |         max         |         avg          |      sum       
-----------------+------+----------+--------------------+---------------------+----------------------+----------------
 499797924108.32 | 0.00 | 99999.97 | 49979.792410832000 | 2024-07-12 14:29:31 | 5000099.500000000000 | 50000995000000
(1 row)

Time: 966.294 ms
tpccdb=# select sum(val_float),min(val_float),max(val_float),avg(val_float),max(crt_date),avg(val_int),sum(val_int) from tctest;
       sum       | min  |   max    |        avg         |         max         |         avg          |      sum       
-----------------+------+----------+--------------------+---------------------+----------------------+----------------
 499797924108.32 | 0.00 | 99999.97 | 49979.792410832000 | 2024-07-12 14:29:31 | 5000099.500000000000 | 50000995000000
(1 row)

Time: 980.186 ms
tpccdb=# select sum(val_float),min(val_float),max(val_float),avg(val_float),max(crt_date),avg(val_int),sum(val_int) from tctest;
       sum       | min  |   max    |        avg         |         max         |         avg          |      sum       
-----------------+------+----------+--------------------+---------------------+----------------------+----------------
 499797924108.32 | 0.00 | 99999.97 | 49979.792410832000 | 2024-07-12 14:29:31 | 5000099.500000000000 | 50000995000000
(1 row)

Time: 967.425 ms
tpccdb=#

行存表

tpccdb=# select sum(val_float),min(val_float),max(val_float),avg(val_float),max(crt_date),avg(val_int),sum(val_int) from tctest;
       sum       | min  |   max    |        avg         |         max         |         avg          |      sum       
-----------------+------+----------+--------------------+---------------------+----------------------+----------------
 500072069450.31 | 0.01 | 99999.98 | 50007.206945031000 | 2024-07-12 14:53:23 | 5000099.500000000000 | 50000995000000
(1 row)

Time: 20705.293 ms
tpccdb=# select sum(val_float),min(val_float),max(val_float),avg(val_float),max(crt_date),avg(val_int),sum(val_int) from tctest;
       sum       | min  |   max    |        avg         |         max         |         avg          |      sum       
-----------------+------+----------+--------------------+---------------------+----------------------+----------------
 500072069450.31 | 0.01 | 99999.98 | 50007.206945031000 | 2024-07-12 14:53:23 | 5000099.500000000000 | 50000995000000
(1 row)

Time: 11982.013 ms
tpccdb=# select sum(val_float),min(val_float),max(val_float),avg(val_float),max(crt_date),avg(val_int),sum(val_int) from tctest;
       sum       | min  |   max    |        avg         |         max         |         avg          |      sum       
-----------------+------+----------+--------------------+---------------------+----------------------+----------------
 500072069450.31 | 0.01 | 99999.98 | 50007.206945031000 | 2024-07-12 14:53:23 | 5000099.500000000000 | 50000995000000
(1 row)

Time: 12355.293 ms
tpccdb=#

更新对比

更新100万数据，列存表耗时2秒，行存表8秒。

列存表

tpccdb=# update tctest set crt_time=now(),remark='remark_'||md5(random()::text) limit 1000000;
UPDATE 1000000
Time: 2035.334 ms
tpccdb=# 
tpccdb=# update tctest set crt_time=now(),remark='remark_'||md5(random()::text) limit 1000000;
UPDATE 1000000
Time: 2096.676 ms
tpccdb=# 
tpccdb=# update tctest set crt_time=now(),remark='remark_'||md5(random()::text) limit 1000000;
UPDATE 1000000
Time: 2256.420 ms
tpccdb=#

行存表

tpccdb=# update tctest set crt_time=now(),remark='remark_'||md5(random()::text) limit 1000000;
UPDATE 1000000
Time: 8367.211 ms
tpccdb=# update tctest set crt_time=now(),remark='remark_'||md5(random()::text) limit 1000000;
UPDATE 1000000
Time: 8383.472 ms
tpccdb=# update tctest set crt_time=now(),remark='remark_'||md5(random()::text) limit 1000000;
UPDATE 1000000
Time: 8502.280 ms
tpccdb=#

删除对比

删除100万数据，列存表耗时0.1秒，行存表3秒。

列存表

tpccdb=# delete from tctest limit 1000000;
DELETE 1000000
Time: 152.016 ms
tpccdb=# delete from tctest limit 1000000;
DELETE 1000000
Time: 157.918 ms
tpccdb=# delete from tctest limit 1000000;
DELETE 1000000
Time: 162.581 ms
tpccdb=# 
tpccdb=# \dt+
                                                  List of relations
 Schema |  Name  | Type  | Owner |  Size   |                          Storage                           | Description 
--------+--------+-------+-------+---------+------------------------------------------------------------+-------------
 public | tctest | table | omm9  | 1393 MB | {orientation=column,autovacuum_enabled=off,compression=no} | 
(1 row)

行存表

tpccdb=# delete from tctest limit 1000000;
DELETE 1000000
Time: 3424.375 ms
tpccdb=# delete from tctest limit 1000000;
DELETE 1000000
Time: 3278.261 ms
tpccdb=# delete from tctest limit 1000000;
DELETE 1000000
Time: 3261.131 ms
tpccdb=# 

tpccdb=# \dt+
                                                 List of relations
 Schema |  Name  | Type  | Owner |  Size   |                         Storage                         | Description 
--------+--------+-------+-------+---------+---------------------------------------------------------+-------------
 public | tctest | table | omm9  | 1954 MB | {orientation=row,autovacuum_enabled=off,compression=no} | 
(1 row)

小结

经过测试发现，行存表和列存表，还是存在比较大的差异：

  1. 插入1000万数据，列存耗时57秒，行存耗时88秒，列存占用1072MB，行存占用1503MB。

  2. 更新100万数据，列存表耗时2秒，行存表8秒。

  3. 删除100万数据，列存表耗时0.1秒，行存表3秒。

关于作者

杨天成，云和恩墨技术支持工程师，15年数据库运维管理经验，具有丰富的数据库管理经验， 曾服务于金融、保险、运营商等行业的业务关键系统，目前专注于 MogDB 数据库的研究和测试。

云和恩墨
关注
博客
AI 叩响数据库运维的“奇点时刻”：ACDU中国行·广州站侧记之国产替代与智能运维何以破局
08-04 505
公司以“数据驱动，成就未来”为使命，致力于将创新的数据技术产品和解决方案带给全球的企业和组织，帮助客户构建安全、高效、敏捷且经济的数据环境，持续增强客户在数据洞察和决策上的竞争优势，实现数据驱动的业务创新和升级发展。AI 技术飞速发展的时代，云和恩墨正以前瞻性的眼光和扎实的技术实力，积极推动数据库管理与人工智能的深度融合，开启数据库管理的奇点时刻，为用户带来更高效、智能的数据管理体验，助力企业在数字化时代实现更大的发展。自成立以来，云和恩墨专注于数据技术领域，根据不断变化的市场需求，创新研发了系列。
博客
【推荐】围观硬核对话：智能化运维，真香还是噱头？
07-25 16
近年来，AI 技术在数据库运维领域的应用不断深化，自动化SQL调优、智能巡检与告警、异常预测等创新实践陆续涌现，正逐步勾勒出智能化运维的技术图景。然而，当我们将目光投向未来，一个关键命题亟待解答：AI与数据库的深度融合，能否真正重塑数据库运维的生产力范式？AI 调优工具越来越多，自动化、智能化调优的呼声越来越高。DBA 的经验和判断，AI 能学会吗？智能化运维的最大卖点就是降本增效，但它真能做到吗？为主题，邀请数据库行业领袖、厂商代表、技术专家、企业用户同台，展开一场硬核对话。【ACDU·中国行广州站】
博客
久未谋面？8月2日来广州吧！
07-22 20
这是一场数据库技术与AI融合创新的盛会，不仅有干货满满的前沿趋势洞察、真实落地的行业案例解读、深度实践的技术方案剖析，还有AI+数据库生态的圆桌讨论，更有权威专家面对面交流、现场互动抽奖等精彩环节，期待您的参与！本活动由云和恩墨鼎力支持——公司创始人兼总经理盖国强将莅临现场，为您“开启数据库管理的奇点时刻”；现场观众更有机会获得盖总亲签的力作《数据库简史》。📅时间：8月2日 13:30-17:30。📍地点：广州市天河区正佳广场万豪酒店。扫码报名，现场签到还有伴手礼相赠！👇含议程的长图海报奉上👇。
博客
“制造业卓越运营”主题活动在长沙举办，云和恩墨盖国强与众企业共探精益、数据与AI融合发展
07-21 20
它将AI能力与生产实践相结合，通过PaaS层的能力建设，实现数据的一站式“采存算用”，并结合AI技术打造通用的平台能力，实现运筹优化、强化学习、决策推理等智能模型，支持SaaS化应用，为制造业提供智能应用和大模型等先进技术的生产落地。公司以“数据驱动，成就未来”为使命，致力于将创新的数据技术产品和解决方案带给全球的企业和组织，帮助客户构建安全、高效、敏捷且经济的数据环境，持续增强客户在数据洞察和决策上的竞争优势，实现数据驱动的业务创新和升级发展。数据驱动，成就未来，云和恩墨，不负所托！
博客
以新境，赴新约丨云和恩墨北京总部办公地址搬迁公告
07-18 27
回望来时路，从行业浪潮中崭露头角，到成长为数据库领域的深耕者，云和恩墨的每一步成长都浸透着时代机遇的馈赠，更离不开您始终如一的信任与同行。那些为了突破技术壁垒而凝聚的智慧，为了践行服务承诺而倾注的热忱，早已成为我们砥砺前行的精神内核，在时光的沉淀中愈发厚重。站在新起点上，我们将怀揣那份对事业的执着与热爱，把过往的成绩化为前行的动力，在数据技术的星辰大海中继续扬帆远航。新的机遇与挑战呼唤着我们迈向新的征程，云和恩墨将以更成熟的姿态、更专业的能力，回应每一份期待与托付。服务热线：400-660-8755。
博客
云和恩墨与阿里云强强联手，正式推出 zData X for PolarDB一体机
07-07 58
其中，zData 数据库一体机产品最早于2015年问世，十年来经过数次迭代演进，现已升级为 zData X，是一款多元数据库一体化承载平台，集成智能运维能力，支持全栈国产化软硬件部署与管理，通过数十项兼容互认证，能够保障多套数据库在高性能稳定运行的前提下，有效降低数据库承载和运维成本。公司以“数据驱动，成就未来”为使命，致力于将创新的数据技术产品和解决方案带给全球的企业和组织，帮助客户构建安全、高效、敏捷且经济的数据环境，持续增强客户在数据洞察和决策上的竞争优势，实现数据驱动的业务创新和升级发展。
博客
数据库运维中的高风险场景与防范策略
07-03 56
数据库运行过程中，SCN是持续变化的，如果在数据库未停机的情况下制作快照，那快照记录下的只是某一瞬间磁盘的物理状态，并不能保证所有组件的一致性。公司以“数据驱动，成就未来”为使命，致力于将创新的数据技术产品和解决方案带给全球的企业和组织，帮助客户构建安全、高效、敏捷且经济的数据环境，持续增强客户在数据洞察和决策上的竞争优势，实现数据驱动的业务创新和升级发展。幸运的是，当时该数据库启用了回收站机制，我们第一时间发现异常，并及时使用回收站功能将误删的表恢复，因此影响持续时间较短，业务也没有受到大的冲击。
博客
国网新疆信通公司组织云和恩墨等厂商探讨利用AI提升数据库运维效率
07-02 28
通过创新融合私有化部署的光明大模型（大语言模型）、数据库知识库、运维知识图谱以及 AI 智能体，构建 AI 驱动的数据库智能运维平台。公司以“数据驱动，成就未来”为使命，致力于将创新的数据技术产品和解决方案带给全球的企业和组织，帮助客户构建安全、高效、敏捷且经济的数据环境，持续增强客户在数据洞察和决策上的竞争优势，实现数据驱动的业务创新和升级发展。这些产品已经在集团型、大中型、高成长型客户以及行业云场景中得到广泛应用，证明了我们的技术和商业竞争力，展现了公司在数据技术端到端解决方案方面的优势。
博客
“云联医界・智绘新篇”国产数据库技术研讨会成功举办，医疗数据基建升级路径明晰
07-01 862
他强调，希望通过本次会议的深入讨论和交流，大家能够分享各自在实践中的宝贵经验和见解，以及共同探索疑难问题的解决方案，从而为推动我国卫生信息技术领域的进步和发展贡献智慧与力量。云和恩墨展示的从数据库内核技术到全栈解决方案的能力，以及在医疗行业积累的丰富实践经验，获得了参会嘉宾的高度认可。公司以“数据驱动，成就未来”为使命，致力于将创新的数据技术产品和解决方案带给全球的企业和组织，帮助客户构建安全、高效、敏捷且经济的数据环境，持续增强客户在数据洞察和决策上的竞争优势，实现数据驱动的业务创新和升级发展。
博客
云和恩墨深度参与openGauss开发者大会，三大技术分享勾勒从技术突破到产业落地的完整闭环
06-30 599
大会邀请到了产、学、研、用的众多行业专家和开发者积极参与，通过主题发言、SIG Gathering等方式，共同探讨了数据库技术的当下发展及未来趋势，充分展现了 openGauss 7.0.0创新版的技术特性。多写架构能力，将多个数据库实例部署在多个节点上，能同时访问同一个共享的库表，实现计算、存储资源利用率大幅提升，同时实现业务秒级快速接管，全面提升数据库性能、可靠性和管理能力。，第二阶段反向同步，实现业务零中断切换。高性能、高可用、高安全、高智能），并在压缩技术、并行计算、自治运维等方向实现重点创新。
博客
长春市中医院HIS焕然新生，zData数据库一体机以超20倍性能跃升大幅改善就医体验
06-25 679
展望未来，随着医疗行业数字化水平的不断发展，智能化和国产化是大势所趋。从日均千人次门诊量的效率突围，到全链路数字化的基座构建，长春市中医院的实践印证了：在医疗行业数字化转型升级中，数据库作为核心基础设施，其承载平台的选择直接关系到数据库的最佳性能发挥，进而影响到业务服务质量与创新空间。公司以“数据驱动，成就未来”为使命，致力于将创新的数据技术产品和解决方案带给全球的企业和组织，帮助客户构建安全、高效、敏捷且经济的数据环境，持续增强客户在数据洞察和决策上的竞争优势，实现数据驱动的业务创新和升级发展。
博客
倒计时三天丨云和恩墨携三场精彩分享，诚邀您参加 openGauss Developer Day 2025
06-24 52
MogDB Cube通过内存池化、存储池化与数存融合等技术创新，在性能、可靠性和成本效率上实现了多重突破，为金融、电信等对RTO敏感的核心业务场景提供了高性能、高可靠、简单易用的数据库解决方案，同时在UStore上的深度优化也使得存储效率数倍提升。公司以“数据驱动，成就未来”为使命，致力于将创新的数据技术产品和解决方案带给全球的企业和组织，帮助客户构建安全、高效、敏捷且经济的数据环境，持续增强客户在数据洞察和决策上的竞争优势，实现数据驱动的业务创新和升级发展。数据驱动，成就未来，云和恩墨，不负所托！
博客
云和恩墨张乐奕出席HDC 2025，高斯数据库生态合作前景可期
06-23 39
公司以“数据驱动，成就未来”为使命，致力于将创新的数据技术产品和解决方案带给全球的企业和组织，帮助客户构建安全、高效、敏捷且经济的数据环境，持续增强客户在数据洞察和决策上的竞争优势，实现数据驱动的业务创新和升级发展。受邀出席本次大会，并参与了“华为云数据库：全系数智跃升、给世界一个更优选择”高峰论坛、“赋能伙伴价值跃迁，共赢根生态”高峰论坛，“开放生态驱动国产数据库产业发展”圆桌等活动，共同探讨国产数据库的未来发展路径。技术文档、实施标准化、解决方案丰富性方面的优势，恰好补足生态建设中的关键短板。
博客
周四直播丨数据库日常运维中的交付安全案例分享
06-23 36
然而，由于人为操作失误、权限管理不当、配置缺陷或流程漏洞，数据库安全事件频发，轻则导致数据泄露，重则引发业务中断，给企业带来严重的经济和声誉损失。本次分享基于真实生产环境中的数据库安全案例，深入剖析DBA在日常运维过程中可能遇到的安全风险，旨在为DBA及相关技术人员提供可落地的安全运维经验，助力企业构建更健壮、更安全的信息系统运行环境。点击下方预约按钮或扫描海报二维码即可预约直播~6月26日 20:00。
博客
国网某省电力借zDBM重构数据库容灾防线，400TB核心资产迈入分布式实时保护时代
06-17 1032
本文将深入解析其如何通过 zDBM 的分布式架构、持续备份技术和极速恢复能力，破解数据分散管理、备份验证困难、资源消耗过高等核心难题，为电网行业的数据保护提供可借鉴的转型范本。公司以“数据驱动，成就未来”为使命，致力于将创新的数据技术产品和解决方案带给全球的企业和组织，帮助客户构建安全、高效、敏捷且经济的数据环境，持续增强客户在数据洞察和决策上的竞争优势，实现数据驱动的业务创新和升级发展。的核心数据库做一次全量备份需要数天时间，一旦遇到故障需要恢复的场景，恢复时间以“天”计算，严重威胁电网业务连续性。
博客
从多元数据库运维困局到智能管理的跃迁之路，金融企业该如何布局？
06-10 902
从跨平台分散管理架构的“举步维艰”，到数据库全生命周期智能化管理的“游刃有余”，zCloud 在证券、基金、银行等数十家金融客户的成功实践不断印证：在数字化时代，真正的突破不在于单点工具的引入，也不仅仅是解决当下问题，更在于以平台思维重塑能力架构，定义未来发展的底层逻辑。公司以“数据驱动，成就未来”为使命，致力于将创新的数据技术产品和解决方案带给全球的企业和组织，帮助客户构建安全、高效、敏捷且经济的数据环境，持续增强客户在数据洞察和决策上的竞争优势，实现数据驱动的业务创新和升级发展。
博客
周四直播丨人防和技防，如何规避变更操作带来的风险
06-09 42
变更操作是数据库管理中涉及的一项重要工作，其中的风险性不言而喻，本次分享从个体安全意识与最佳实践出发，深入到组织流程规范的建立，并重点介绍如何有效利用现代化工具链，实现变更风险的事前预防、事中管控和事后快速恢复。帮助团队在保持高效变更的同时，显著降低人为失误概率，提升系统韧性，将变更风险控制在可接受范围内。点击下方预约按钮或扫描海报二维码即可预约直播~6月12日 20:00。
博客
聚焦SQL Server性能分析与数据库新版本兼容，zCloud再度进化！
06-05 700
公司以“数据驱动，成就未来”为使命，致力于将创新的数据技术产品和解决方案带给全球的企业和组织，帮助客户构建安全、高效、敏捷且经济的数据环境，持续增强客户在数据洞察和决策上的竞争优势，实现数据驱动的业务创新和升级发展。这些产品已经在集团型、大中型、高成长型客户以及行业云场景中得到广泛应用，证明了我们的技术和商业竞争力，展现了公司在数据技术端到端解决方案方面的优势。深度分析的加持，到最新数据库版本的全线兼容，再到双模纳管能力的全面覆盖，等数据库一致的分析体验，大幅降低了多数据库运维的学习成本。
博客
三个真实案例拆解数据库交付安全的致命陷阱
06-04 941
从这个案例中，我们可以深刻体会到，可靠的备份是运维的基石：一旦缺失或过期，业务恢复的成本可能是无法承受的。接下来，我将基于真实案例，剖析运维中常见的安全风险——权限管理、数据泄露、操作隐患、合规挑战——并总结可落地的防范措施，帮助DBA团队规范流程、提升安全，确保数据资产平稳运行。公司以“数据驱动，成就未来”为使命，致力于将创新的数据技术产品和解决方案带给全球的企业和组织，帮助客户构建安全、高效、敏捷且经济的数据环境，持续增强客户在数据洞察和决策上的竞争优势，实现数据驱动的业务创新和升级发展。
博客
交警系统“新基建”启示录：数据库一体化承载平台从破解困局到筑牢底座
05-29 662
基于 InfiniBand 的RDMA协议，在降低IO访问延迟的同时，还能够减少CPU的消耗，且所有存储链路均是双活状态，保证了带宽高效利用，并且采用RDS协议，充分发挥了多节点RAC数据库的并发处理能力，能够有效增加平台业务高峰期的高负载处理能力。公司以“数据驱动，成就未来”为使命，致力于将创新的数据技术产品和解决方案带给全球的企业和组织，帮助客户构建安全、高效、敏捷且经济的数据环境，持续增强客户在数据洞察和决策上的竞争优势，实现数据驱动的业务创新和升级发展。，整个数据库服务能在短时间内自动恢复。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值