宽表数据库厂商排行

复杂多变的数据成为各单位机构面临的一大难题。基于上述的挑战，星环推出了TranswarpHyperbaseNoSQL宽表数据库，用来满足企业级用户经济灵活高效地管理数据的需求。Hyperbase能够随着信息时代的到来，数据已逐渐成为金融、企业、政府、运营商等单位机构的重要决策依据。以传统关系型数据库为代表的技术由于性能，成本，可扩展性等缺陷，很难满足爆炸式数据增长的需要，如何经济高效地管理海量轻易地通过在集群中增加或者减少硬件数量来实现性能的伸缩，从而进一步提升集群的运行速度以及处理能力，轻松应对百万级高并发的查询业务。Hyperbase支持以标准SQL为接口的高效数据访问，并提供高效的数据迁移工具，不仅能大幅度降低企业级用户数据应用变更和数据平台迁移的实施成本，还满足了用户在统一的数据平台上同时支撑新老业务的需求，大幅度降低了企业的运维成本。

复杂多变的数据成为各单位机构面临的一大难题。基于上述的挑战，星环推出了TranswarpHyperbaseNoSQL宽表数据库，用来满足企业级用户经济灵活高效地管理数据的需求。Hyperbase能够随着信息时代的到来，数据已逐渐成为金融、企业、政府、运营商等单位机构的重要决策依据。以传统关系型数据库为代表的技术由于性能，成本，可扩展性等缺陷，很难满足爆炸式数据增长的需要，如何经济高效地管理海量轻易地通过在集群中增加或者减少硬件数量来实现性能的伸缩，从而进一步提升集群的运行速度以及处理能力，轻松应对百万级高并发的查询业务。Hyperbase支持以标准SQL为接口的高效数据访问，并提供高效的数据迁移工具，不仅能大幅度降低企业级用户数据应用变更和数据平台迁移的实施成本，还满足了用户在统一的数据平台上同时支撑新老业务的需求，大幅度降低了企业的运维成本。

简单、更便捷的进行大数据分析。为了满足更多用户在存储以及高并发点查方面的需求,此次TDH社区版推出了星环科技自主研发的NoSQL宽表数据库TranswarpHyperbase。TranswarpHyperbase介绍Hyperbase是什么TranswarpHyperbase是星环科技自主研发的NoSQL宽表数据库，支撑百万级高并发、毫秒级低延时业务需求。支持结构化数据，及文本、图像、视频、对象等实时处理应用的需求。传统的通用关系型数据库无法应对在数据规模剧增时导致的系统扩展性和性能问题（分库分表也不能很好解决），很难实现横向扩展，纵向扩展的空间也比较有限。Hyperbase能够轻易地通过在集群中增加或者Hyperbase关系数据库已经流行很多年，尽管Hadoop可以很好地解决大规模数据的离线批量处理问题，但是，受限于MapReduce编程框架的高延迟数据处理机制，使得Hadoop无法满足大规模数据减少硬件数量来实现性能的伸缩，提升集群的运行速度以及处理能力，轻松应对百万级高并发的查询业务。不同于传统的关系型数据库，Hyperbase采用列式存储模式，每个列族都由几个文件保存，不同列族的文件是

2018数博会分论坛——大数据融合实体经济资源对接投资洽谈会上，首席数据官联盟秘书长石峰在该环节发布了2018《中国大数据企业排行榜》V5.0(第五版)，V5.0排行榜延续以往版本的大体架构，从国内、国外、数据产业、行业分析、产业地图、排行、融资、法律法规等多个维度描绘了全球大数据产业发展现状及展望。星环科技入选该榜单，并位列基础技术平台第一名。这也是星环科技连续第三年位列《中国大数据企业排行的厂商，并获得的多方认可。星环科技会继续走在时代前沿，在大数据和人工智能领域深耕细作，为大家带来更好的产品。榜》基础技术平台的第一名。(详细榜单见下图)星环科技成立五年来，始终坚持在大数据基础软件领域走自出研发的道路，累计帮助1000多家公司迈入大数据时代。2018年星环科技成为全球第一个通过TPC-DS测试

被一起查询的相关数据。当前DB-Engine中宽表NoSQL数据库的排名如下表，可以看到受欢迎的主要是Cassandra、HBase和Azure上的CosmosDB。接下来我们将介绍一下HBase的情况。HBase是一个面向列的分布式NoSQL数据库，是GoogleBigtable框架的开源实现，能够响应随机、实时的数据检索需求。HBase主要的存储和处理对象是大宽表，存储模式可以兼容本地存储机制确保数据库容错能力。通常的适用场景为：面向多版本、稀疏的、半结构化和结构化的数据高并发写入/查询的OLTP业务。HBase的数据模型由不同的逻辑概念构成，包括：表、行、行键、列、列族、单元、时间戳。表。Document类似于关系型数据中行的概念，一个Document包含每一个Field中与之相应的数据值。Type类似数据库中的表级别概念，而Index是Elasticsearch中大的数据单位，与SQL的对于写密集型应用，每天写入量巨大，数据增长量无法预估，且对性能和可靠性要求非常高，普通关系型数据库无法满足其需求。对于全文搜索和数据分析这类对查询性能要求极高的场景也是如此。为了进一步满足上面两类

2018数博会分论坛——大数据融合实体经济资源对接投资洽谈会上，首席数据官联盟秘书长石峰在该环节发布了2018《中国大数据企业排行榜》V5.0(第五版)，V5.0排行榜延续以往版本的大体架构，从国内、国外、数据产业、行业分析、产业地图、排行、融资、法律法规等多个维度描绘了全球大数据产业发展现状及展望。星环科技入选该榜单，并位列基础技术平台第一名。这也是星环科技连续第三年位列《中国大数据企业排行的厂商，并获得的多方认可。星环科技会继续走在时代前沿，在大数据和人工智能领域深耕细作，为大家带来更好的产品。榜》基础技术平台的第一名。(详细榜单见下图)星环科技成立五年来，始终坚持在大数据基础软件领域走自出研发的道路，累计帮助1000多家公司迈入大数据时代。2018年星环科技成为全球第一个通过TPC-DS测试

图数据库厂商有多少图数据库作为数据库领域的一个重要分支，近年来随着复杂关系数据处理需求的增长而蓬勃发展。这种专门用于存储和查询关系数据的数据库类型，已经吸引了众多厂商加入这一赛道，形成了一个多元化的市场格局。图数据库厂商可以大致分为几个类别。一类是专门从事图数据库技术研发的初创公司，这类厂商通常专注于图数据库核心技术的创新，产品功能较为专一。第二类是从其他技术领域扩展而来的科技企业，他们往往将图数据库作为其产品线的一部分。第三类是老牌数据库厂商，看到市场趋势后增加了图数据库产品。此外，还有一些开源项目和学术机构衍生的商业化产品。从技术路线来看，不同厂商采取了不同的实现方式。有的采用原生图存处理工具。这种专业化趋势使得市场上很难出现一家通吃的局面。从商业模式观察，图数据库厂商的盈利方式多样。有的采用传统的软件授权模式，有的则提供云服务按需付费。开源策略也被广泛采用，不少厂商通过开源核心版本储架构，专门为图数据设计存储引擎；有的则在现有数据库基础上添加图处理层。查询语言方面，虽然大多数支持某种形式的图查询语言，但具体语法和功能存在差异。性能优化策略也各不相同，有的专注于大规模分布式处理

图数据库厂商有多少图数据库作为数据库领域的一个重要分支，近年来随着复杂关系数据处理需求的增长而蓬勃发展。这种专门用于存储和查询关系数据的数据库类型，已经吸引了众多厂商加入这一赛道，形成了一个多元化的市场格局。图数据库厂商可以大致分为几个类别。一类是专门从事图数据库技术研发的初创公司，这类厂商通常专注于图数据库核心技术的创新，产品功能较为专一。第二类是从其他技术领域扩展而来的科技企业，他们往往将图数据库作为其产品线的一部分。第三类是老牌数据库厂商，看到市场趋势后增加了图数据库产品。此外，还有一些开源项目和学术机构衍生的商业化产品。从技术路线来看，不同厂商采取了不同的实现方式。有的采用原生图存处理工具。这种专业化趋势使得市场上很难出现一家通吃的局面。从商业模式观察，图数据库厂商的盈利方式多样。有的采用传统的软件授权模式，有的则提供云服务按需付费。开源策略也被广泛采用，不少厂商通过开源核心版本储架构，专门为图数据设计存储引擎；有的则在现有数据库基础上添加图处理层。查询语言方面，虽然大多数支持某种形式的图查询语言，但具体语法和功能存在差异。性能优化策略也各不相同，有的专注于大规模分布式处理

传统关系型数据库Oracle、IBMDB2、Teradata，图数据库Neo4j，搜索引擎ElasticSearch等多家国外主流厂商产品。在生态方面，星环科技在信创生态的兼容度方面做了大量适配工作”、江苏省工业和信息化厅“江苏省信息技术应用创新优秀解决方案”、“证券基金行业信创中心创新合作伙伴”、“中国信创基础软件行业代表厂商图谱和最佳信创数据库厂商榜单”、“信创产业实干者企业”；荣登2023年度中国高科技高成长企业系列榜单——信创产业最佳服务商；成为政企信创促进中心首批成员单位等。（TDH&TDC）、分布式关系型数据库（ArgoDB&KunDB）、数据开发与智能分析工具（TDS&Sophon）、知识平台与领域大模型（TKH&无涯）的软件产品矩阵。经过多年的自主研发，星环科技积累了31项核心技术，主要体现在分布式技术、SQL编译技术、数据库技术、多模型数据的统一处理技术、基于容器的数据云技术以及大数据开发与智能分析技术六个方面，打造了分布式数据库ArgoDB、分布式交易型数据库KunDB、分布式向量数据库Hippo、分布式图数据库StellarDB、分布式搜索引擎TranswarpScope、分布式时序数据库Timelyre、分布式时空数据库

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：

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

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。

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。...

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...

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

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"}...