分析型数据库 厂商排行

IDC发布了《IDCMarketScape中国分布式关系型数据库2023厂商评估》，聚焦中国分布式关系型数据库的技术提供商，针对入选厂商的战略、能力进行评估，从而形成IDCMarketScape综合行业终端用户选择分布式关系型数据库技术提供商及伙伴提供参考。星环科技等厂商进入此次报告。报告认为，头部厂商在分布式关系型数据库市场中重点聚焦金融行业。多数厂商未来的产品战略方向是基于大模型、机器学习等AI技术的智能运维，以提高运维效率，降低运维成本，并为企业提供更加个性化的服务。目前，生态建设是大部分数据库厂商的短板。降本增效在分布式关系型数据库的应用中已初具成效。评分体系。通过IDC分析师对厂商和终用户的深入访谈，集中分析并确定各服务商在IDCMarketScape中的相对位置，并探讨各供应商的优势及战略思路，总结市场发展现状与痛点趋势，为数字内容的提供者与

IDC发布了《IDCMarketScape中国分布式关系型数据库2023厂商评估》，聚焦中国分布式关系型数据库的技术提供商，针对入选厂商的战略、能力进行评估，从而形成IDCMarketScape综合行业终端用户选择分布式关系型数据库技术提供商及伙伴提供参考。星环科技等厂商进入此次报告。报告认为，头部厂商在分布式关系型数据库市场中重点聚焦金融行业。多数厂商未来的产品战略方向是基于大模型、机器学习等AI技术的智能运维，以提高运维效率，降低运维成本，并为企业提供更加个性化的服务。目前，生态建设是大部分数据库厂商的短板。降本增效在分布式关系型数据库的应用中已初具成效。评分体系。通过IDC分析师对厂商和终用户的深入访谈，集中分析并确定各服务商在IDCMarketScape中的相对位置，并探讨各供应商的优势及战略思路，总结市场发展现状与痛点趋势，为数字内容的提供者与

IDC发布了《IDCMarketScape中国分布式关系型数据库2023厂商评估》，聚焦中国分布式关系型数据库的技术提供商，针对入选厂商的战略、能力进行评估，从而形成IDCMarketScape综合行业终端用户选择分布式关系型数据库技术提供商及伙伴提供参考。星环科技等厂商进入此次报告。报告认为，头部厂商在分布式关系型数据库市场中重点聚焦金融行业。多数厂商未来的产品战略方向是基于大模型、机器学习等AI技术的智能运维，以提高运维效率，降低运维成本，并为企业提供更加个性化的服务。目前，生态建设是大部分数据库厂商的短板。降本增效在分布式关系型数据库的应用中已初具成效。评分体系。通过IDC分析师对厂商和终用户的深入访谈，集中分析并确定各服务商在IDCMarketScape中的相对位置，并探讨各供应商的优势及战略思路，总结市场发展现状与痛点趋势，为数字内容的提供者与

IDC发布了《IDCMarketScape中国分布式关系型数据库2023厂商评估》，聚焦中国分布式关系型数据库的技术提供商，针对入选厂商的战略、能力进行评估，从而形成IDCMarketScape综合行业终端用户选择分布式关系型数据库技术提供商及伙伴提供参考。星环科技等厂商进入此次报告。报告认为，头部厂商在分布式关系型数据库市场中重点聚焦金融行业。多数厂商未来的产品战略方向是基于大模型、机器学习等AI技术的智能运维，以提高运维效率，降低运维成本，并为企业提供更加个性化的服务。目前，生态建设是大部分数据库厂商的短板。降本增效在分布式关系型数据库的应用中已初具成效。评分体系。通过IDC分析师对厂商和终用户的深入访谈，集中分析并确定各服务商在IDCMarketScape中的相对位置，并探讨各供应商的优势及战略思路，总结市场发展现状与痛点趋势，为数字内容的提供者与

IDC发布了《IDCMarketScape中国分布式关系型数据库2023厂商评估》，聚焦中国分布式关系型数据库的技术提供商，针对入选厂商的战略、能力进行评估，从而形成IDCMarketScape综合行业终端用户选择分布式关系型数据库技术提供商及伙伴提供参考。星环科技等厂商进入此次报告。报告认为，头部厂商在分布式关系型数据库市场中重点聚焦金融行业。多数厂商未来的产品战略方向是基于大模型、机器学习等AI技术的智能运维，以提高运维效率，降低运维成本，并为企业提供更加个性化的服务。目前，生态建设是大部分数据库厂商的短板。降本增效在分布式关系型数据库的应用中已初具成效。评分体系。通过IDC分析师对厂商和终用户的深入访谈，集中分析并确定各服务商在IDCMarketScape中的相对位置，并探讨各供应商的优势及战略思路，总结市场发展现状与痛点趋势，为数字内容的提供者与

分析型数据库是面向分析应用的数据库，与传统的数据库不同，分析型数据库可以对数据进行在线统计、数据在线分析、随即查询等发掘信息数据价值的工作，是数据库产品一个重要的分支。分析型数据库的主要目标是提供快速、高效的数据分析和查询处理，以便做出准确的业务决策。与事务型数据库相比，分析型数据库更注重对数据仓库的支持，以及对复杂查询和数据挖掘的需求。分析型数据库专注于支持复杂的查询和分析工作负载，以及提供高效的数据存储和查询性能，是支持数据分析和决策制定的重要工具。星环分布式数据库-TranswarpArgoDBArgoDB是星环科技自主研发的高性能分布式数据库，在PB级数据量上提供极致的数据分析能力。多模型数据库ArgoDB支持标准SQL语法、分布式事务和存算解耦，提供高并发高速数据写入、复杂查询、多模分析和数据联邦等能力。通过一个ArgoDB数据库，就可以打造离线数据仓库、实时数据仓库、数据集市兼容Oracle、IBMDB2、Teradata数据库对SQL语言的扩展，目前已在各行各业成功完成Oracle、DB2、Teradata等国外产品的国产化替代。2019年8月，ArgoDB成为全球第四个通过TPC-DS基准测试并经过TPC官方审计的数据库产品。

分析型数据库是面向分析应用的数据库，与传统的数据库不同，分析型数据库可以对数据进行在线统计、数据在线分析、随即查询等发掘信息数据价值的工作，是数据库产品一个重要的分支。分析型数据库的主要目标是提供快速、高效的数据分析和查询处理，以便做出准确的业务决策。与事务型数据库相比，分析型数据库更注重对数据仓库的支持，以及对复杂查询和数据挖掘的需求。分析型数据库专注于支持复杂的查询和分析工作负载，以及提供高效的数据存储和查询性能，是支持数据分析和决策制定的重要工具。星环分布式数据库-TranswarpArgoDBArgoDB是星环科技自主研发的高性能分布式数据库，在PB级数据量上提供极致的数据分析能力。多模型数据库ArgoDB支持标准SQL语法、分布式事务和存算解耦，提供高并发高速数据写入、复杂查询、多模分析和数据联邦等能力。通过一个ArgoDB数据库，就可以打造离线数据仓库、实时数据仓库、数据集市兼容Oracle、IBMDB2、Teradata数据库对SQL语言的扩展，目前已在各行各业成功完成Oracle、DB2、Teradata等国外产品的国产化替代。2019年8月，ArgoDB成为全球第四个通过TPC-DS基准测试并经过TPC官方审计的数据库产品。

分析型数据库和关系型数据库是两种不同用途的数据库系统，它们在设计、功能和优化方面有所不同。以下是它们的主要区别：用途：分析型数据库：主要用于数据仓库和大数据分析，支持复杂的分析查询，如数据挖掘、预测分析和趋势分析。关系型数据库：主要用于事务处理系统，如客户关系管理（CRM）、企业资源规划（ERP）等，支持日常的事务处理和操作。查询类型：分析型数据库：优化了对大数据集的读操作，特别是聚合查询和扫描大量记录。关系型数据库：优化了对小到中等数据集的读写操作，特别是点查询和事务处理。数据模型：分析型数据库：通常使用多维数据模型（如星型模型或雪花模型），这些模型适合于分析型查询。关系型数据库：使用关系模型，数据以表格的形式存储，通过行和列组织数据。性能优化：分析型数据库：针对分析查询进行了优化，如使用列式存储、数据立方体和预计算。关系型数据库：针对事务处理进行了优化，如使用行式存储、索引和事务日志。数据更新频率：分析型数据库：数据通常以批量方式加载，更新频率较低。关系型数据库：数据更新频繁，支持高并发的读写操作。数据规模：分析型数据库：设计用于处理大规模数据集，通常存储在数据仓库中。关系型

分析型数据库和关系型数据库是两种不同用途的数据库系统，它们在设计、功能和优化方面有所不同。以下是它们的主要区别：用途：分析型数据库：主要用于数据仓库和大数据分析，支持复杂的分析查询，如数据挖掘、预测分析和趋势分析。关系型数据库：主要用于事务处理系统，如客户关系管理（CRM）、企业资源规划（ERP）等，支持日常的事务处理和操作。查询类型：分析型数据库：优化了对大数据集的读操作，特别是聚合查询和扫描大量记录。关系型数据库：优化了对小到中等数据集的读写操作，特别是点查询和事务处理。数据模型：分析型数据库：通常使用多维数据模型（如星型模型或雪花模型），这些模型适合于分析型查询。关系型数据库：使用关系模型，数据以表格的形式存储，通过行和列组织数据。性能优化：分析型数据库：针对分析查询进行了优化，如使用列式存储、数据立方体和预计算。关系型数据库：针对事务处理进行了优化，如使用行式存储、索引和事务日志。数据更新频率：分析型数据库：数据通常以批量方式加载，更新频率较低。关系型数据库：数据更新频繁，支持高并发的读写操作。数据规模：分析型数据库：设计用于处理大规模数据集，通常存储在数据仓库中。关系型

运维管理界面WebserverWebserver是Hippo提供运维监控的界面。默认访问地址为:4567"class="bare">http://<webserver_ip>:4567。或者在Manager管理界面我们可以通过下图所示的查看链接这里进行跳转。图15.登录HippoWebserverWebserver主要由下面几个部分构成。概况图16.概况该页面展示了Hippo集群的基本信息，包括：Masterstatus：当前的ActiveMaster，MasterGroup，MasterAddress，Master的健康状态TabletServerStatus：TabletServerAddress，健康状态，逻辑机架和数据中心信息，容量使用以及Tablet个数TabletNum：当前集群表的个数Version：Hippo版本信息库表图17.库表页面以库和表的概念集群存储的各类数据信息。库信息：库名库创建时间库内各类表的信息：点击某个库，可以看到库下所有表的信息，主要包括：••表的ID••表的名字••表的状态••表的Tablet数量••表的Engine类型••表的副本数•...

Hippo在1.2版本提供了全文索引能力，兼容ElasticSearch6.7.2语法，在底层架构上复用了公司产品TranswarpScope的一部分特性，支持以Java/HTTPRestful的形式通过Hippo的HTTPServer接口进行全文索引的创建、查询、使用等各类需求，通过该能力的支持，可以更好的实现向量与全文的混合检索。通过将向量检索加全文检索的联合召回，可以降低漏检和误检的概率，能够实现比单独使用向量或全文更高的精度。同时，一套数据库系统可避免部署多套系统带来的架构复杂、开发运维成本高等问题。具体的使用方法除了访问端口需要将端口从8902调整为9200外，均可参考《TranswarpScope手册》4.TranswarpScopeAPI介绍。

OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...

过滤条件表达式Hippo当前支持如下表达式，可用于标量或向量查询。表46.过滤条件表达式表达式描述and当前版本支持and，不支持or/not==等值<小于⇐小于等于>大于>=大于等于inin[1,2,3]notinnot_in[1,2,3]like'_'表示匹配任一字符，'%'表示匹配任意字符，'\'为转义符向量相似性检索本节描述如何进行向量相似度搜索。Hippo中的向量相似性搜索计算查询向量与表中向量的距离，返回最相似的结果集。通过指定标量过滤条件，用户可以进行向量与标量的混合搜索。curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/{table}/_search?pretty'-H'Content-Type:application/json'-d'{"output_fields":["book_id"],"search_params":{"anns_field":"book_intro","topk":2,"params":{"nprobe":10},"embedding_index":"ivf_flat_index"}...

查看Master节点通过以下命令，查看集群Master节点信息：curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/master?v'返回结果：epochtimestampactive.master.hostactive.master.portmaster.group169079683909:47:19172.29.203.18926841172.29.203.189:26841,172.29.203.189:26851,172.29.203.189:26861查看数据节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes?v'//查看所有节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes/{node}?v'//{node}表示待匹配的节点地址，支持以*通配，支持指定多个pattern，多个pattern以逗号分割返回结果：

ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...

本节测试主要描述了Hippo1.0在关键测试上的一些性能表现，该份测试同样也是Hippo的基准测试，后续版本发布也会在不同版本上进行该测试进行对比分析。术语表142.Hippo性能测试术语TermDescriptionnq一次搜索请求中搜索的向量个数topk一次请求中对于要检索的每个向量(依赖nq)，所能检索到最近距离的向量个数RT一次请求从发起到接受响应的时间]QPS请求在每秒内成功执行的次数dataset测试所用数据集，不同数据集表示不同的业务场景测试集群配置硬件配置表143.性能测试硬件配置硬件规范Nodes3CPUIntel®Xeon®Gold5218RCPU@2.10GHzMemory16*\16GBRDIMM,3200MT/sDISKNVMeSSD2T*4GPUNONE软件配置表144.性能测试软件配置软件版本Hippov1.2TranswarpManagerTDH9.3.0测试集表145.性能测试数据集数据集名称数据集介绍向量维度向量总数查询数量数据总量距离类型Sift-128-euclidean该数据集是基于Texmex的数据集整理，使用SIFT算法得到的图片特征向量。...

OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...

在Hippo中，比较耗时的操作如激活、加载向量索引实际上是一个分布式任务，用户可以通过任务相关接口查看、删除任务。查看任务curl-ushiva:shiva-XGET"localhost:8902/hippo/v1/_jobs?pretty"-H'Content-Type:application/json'-d'{"job_ids":["fc6feff4f303455a9347f9aab323dfc8"],"action_patterns":["hippo*"]}';返回结果：{"jobs":[{"job_id":"810935a1d91a46b7af2ec35013454fed","job_status":"SHIVA_JOB_SUCCESS","embedding_number":100,"task_results":[{"id":"54ab52493dfb4bab9fb7742d850c64c4","status":"TASK_SUCCESS","server":"172.29.40.26:27841","embedding_number":100,"execute_time":...

本节介绍Hippo表写入相关操作。Hippo会返回写入成功数据的下标以及总共写入成功的数据条数，如果出现行级错误（比如主键冲突），Hippo会返回具体的行级错误。插入本节介绍如何向Hippo中插入数据。curl-ushiva:shiva-XPUT'localhost:8902/hippo/v1/{table}/_bulk?database_name={database_name}&pretty'-H'Content-Type:application/json'-d'{"fields_data":[{"field_name":"book_id","field":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74...