自研分布式大数据平台

量身定制的特性使得自研平台在处理特定领域问题时往往能展现出更高的效率和更好的性能。核心技术组成一个完整的自研大数据开发平台通常由多个核心技术组件构成。分布式存储系统是基础，它能够将海量数据分散存储在自研大数据开发平台在当今信息爆炸的时代，数据已成为推动社会进步和商业发展的核心动力。面对海量数据的处理需求，传统的数据处理工具和方法显得力不从心。在这样的背景下，自研大数据开发平台应运而生，成为企业和组织有效处理、分析和利用数据的关键基础设施。什么是自研大数据开发平台？自研大数据开发平台是指由企业或组织自主研发，用于大规模数据采集、存储、处理、分析和应用的一体化技术平台。这类平台通常包含数据集成、计算引擎、任务调度、元数据管理、数据安全等多个功能模块，能够满足从数据接入到价值提取的全流程需求。与商业化的通用大数据平台相比，自研平台更加贴合特定业务场景，可以根据实际需求进行深度定制和优化。这种多个节点上，既保证了数据的安全性，又提高了访问效率。在此之上，分布式计算框架实现了对大规模数据的并行处理，显著提高了计算速度。数据调度系统负责协调各项数据处理任务的执行顺序和资源分配，确保整个平台有效

量身定制的特性使得自研平台在处理特定领域问题时往往能展现出更高的效率和更好的性能。核心技术组成一个完整的自研大数据开发平台通常由多个核心技术组件构成。分布式存储系统是基础，它能够将海量数据分散存储在自研大数据开发平台在当今信息爆炸的时代，数据已成为推动社会进步和商业发展的核心动力。面对海量数据的处理需求，传统的数据处理工具和方法显得力不从心。在这样的背景下，自研大数据开发平台应运而生，成为企业和组织有效处理、分析和利用数据的关键基础设施。什么是自研大数据开发平台？自研大数据开发平台是指由企业或组织自主研发，用于大规模数据采集、存储、处理、分析和应用的一体化技术平台。这类平台通常包含数据集成、计算引擎、任务调度、元数据管理、数据安全等多个功能模块，能够满足从数据接入到价值提取的全流程需求。与商业化的通用大数据平台相比，自研平台更加贴合特定业务场景，可以根据实际需求进行深度定制和优化。这种多个节点上，既保证了数据的安全性，又提高了访问效率。在此之上，分布式计算框架实现了对大规模数据的并行处理，显著提高了计算速度。数据调度系统负责协调各项数据处理任务的执行顺序和资源分配，确保整个平台有效

量身定制的特性使得自研平台在处理特定领域问题时往往能展现出更高的效率和更好的性能。核心技术组成一个完整的自研大数据开发平台通常由多个核心技术组件构成。分布式存储系统是基础，它能够将海量数据分散存储在自研大数据开发平台在当今信息爆炸的时代，数据已成为推动社会进步和商业发展的核心动力。面对海量数据的处理需求，传统的数据处理工具和方法显得力不从心。在这样的背景下，自研大数据开发平台应运而生，成为企业和组织有效处理、分析和利用数据的关键基础设施。什么是自研大数据开发平台？自研大数据开发平台是指由企业或组织自主研发，用于大规模数据采集、存储、处理、分析和应用的一体化技术平台。这类平台通常包含数据集成、计算引擎、任务调度、元数据管理、数据安全等多个功能模块，能够满足从数据接入到价值提取的全流程需求。与商业化的通用大数据平台相比，自研平台更加贴合特定业务场景，可以根据实际需求进行深度定制和优化。这种多个节点上，既保证了数据的安全性，又提高了访问效率。在此之上，分布式计算框架实现了对大规模数据的并行处理，显著提高了计算速度。数据调度系统负责协调各项数据处理任务的执行顺序和资源分配，确保整个平台有效

分布式大数据平台是一种为处理海量、复杂的大数据而设计的系统架构，它利用分布式计算和存储技术，实现高效的数据处理和分析。一、基本原理分布式存储数据被分割成多个块或分片，存储在集群中的多个节点上。采用、谷歌，需要处理海量的网页数据。通过分布式大数据平台，可以快速地抓取、索引和搜索网页。同时，还可以根据用户的搜索历史和行为数据，进行个性化搜索结果推荐。金融行业银行可以利用分布式大数据平台进行风险评估。通过分析大量的客户交易数据、信用记录和市场数据，识别潜在的信用风险和市场风险。物联网行业在工业物联网中，工厂里的大量传感器会产生连续的数据流，如温度、压力、设备运行状态等数据。分布式大数据平台可以实时收集和分析这些数据，实现设备故障预警、生产流程优化等功能。分布式存储系统可以存储PB级甚至EB级的数据。分布式计算计算任务也被分解成多个子任务，分配到集群中的不同节点上并行执行。这种分布式计算方式可以大大提高计算效率。二、应用场景互联网行业搜索引擎公司如百度

分布式大数据平台是一种为处理海量、复杂的大数据而设计的系统架构，它利用分布式计算和存储技术，实现高效的数据处理和分析。一、基本原理分布式存储数据被分割成多个块或分片，存储在集群中的多个节点上。采用、谷歌，需要处理海量的网页数据。通过分布式大数据平台，可以快速地抓取、索引和搜索网页。同时，还可以根据用户的搜索历史和行为数据，进行个性化搜索结果推荐。金融行业银行可以利用分布式大数据平台进行风险评估。通过分析大量的客户交易数据、信用记录和市场数据，识别潜在的信用风险和市场风险。物联网行业在工业物联网中，工厂里的大量传感器会产生连续的数据流，如温度、压力、设备运行状态等数据。分布式大数据平台可以实时收集和分析这些数据，实现设备故障预警、生产流程优化等功能。分布式存储系统可以存储PB级甚至EB级的数据。分布式计算计算任务也被分解成多个子任务，分配到集群中的不同节点上并行执行。这种分布式计算方式可以大大提高计算效率。二、应用场景互联网行业搜索引擎公司如百度

分布式大数据平台是一种为处理海量、复杂的大数据而设计的系统架构，它利用分布式计算和存储技术，实现高效的数据处理和分析。一、基本原理分布式存储数据被分割成多个块或分片，存储在集群中的多个节点上。采用、谷歌，需要处理海量的网页数据。通过分布式大数据平台，可以快速地抓取、索引和搜索网页。同时，还可以根据用户的搜索历史和行为数据，进行个性化搜索结果推荐。金融行业银行可以利用分布式大数据平台进行风险评估。通过分析大量的客户交易数据、信用记录和市场数据，识别潜在的信用风险和市场风险。物联网行业在工业物联网中，工厂里的大量传感器会产生连续的数据流，如温度、压力、设备运行状态等数据。分布式大数据平台可以实时收集和分析这些数据，实现设备故障预警、生产流程优化等功能。分布式存储系统可以存储PB级甚至EB级的数据。分布式计算计算任务也被分解成多个子任务，分配到集群中的不同节点上并行执行。这种分布式计算方式可以大大提高计算效率。二、应用场景互联网行业搜索引擎公司如百度

星环科技自研的国产化分布式关系数据库，通过分布式存储、SQL编译与优化等数据库技术，结合云计算的优势做资源管理和调度，实现了关系型数据库的完整功能。在事务处理场景和复杂分析场景，都通过技术创新获得了性能优势。同星环配套的数据库工具软件和云平台产品为用户提供高可用、高可靠和安全的国产化数据库完整解决方案。分布式关系型数据库处理高并发数据读写业务：能够处理高并发的数据读写业务，并提供全局一致性保证，通过分析增强还能响应批处理和复杂分析场景支持海量数据分布式计算：分析型数据库产品ArgoDB通过列存储和分布式计算技术，支持对海量数据进行分布式计算，支撑企业数据仓库、数据湖业务覆盖企业数据交易、分析场景：通过KunDB和ArgoDB可以组建企业统一数据库解决方案，覆盖企业数据交易、分析场景性能高，服务可靠：KunDB与ArgoDB之间基于数据库日志进行高效的数据同步，相比异构数据库之间的ETL方案，链路短，性能高，服务可靠

星环科技自研的国产化分布式关系数据库，通过分布式存储、SQL编译与优化等数据库技术，结合云计算的优势做资源管理和调度，实现了关系型数据库的完整功能。在事务处理场景和复杂分析场景，都通过技术创新获得了性能优势。同星环配套的数据库工具软件和云平台产品为用户提供高可用、高可靠和安全的国产化数据库完整解决方案。分布式关系型数据库处理高并发数据读写业务：能够处理高并发的数据读写业务，并提供全局一致性保证，通过分析增强还能响应批处理和复杂分析场景支持海量数据分布式计算：分析型数据库产品ArgoDB通过列存储和分布式计算技术，支持对海量数据进行分布式计算，支撑企业数据仓库、数据湖业务覆盖企业数据交易、分析场景：通过KunDB和ArgoDB可以组建企业统一数据库解决方案，覆盖企业数据交易、分析场景性能高，服务可靠：KunDB与ArgoDB之间基于数据库日志进行高效的数据同步，相比异构数据库之间的ETL方案，链路短，性能高，服务可靠

星环科技自研的国产化分布式关系数据库，通过分布式存储、SQL编译与优化等数据库技术，结合云计算的优势做资源管理和调度，实现了关系型数据库的完整功能。在事务处理场景和复杂分析场景，都通过技术创新获得了性能优势。同星环配套的数据库工具软件和云平台产品为用户提供高可用、高可靠和安全的国产化数据库完整解决方案。分布式关系型数据库处理高并发数据读写业务：能够处理高并发的数据读写业务，并提供全局一致性保证，通过分析增强还能响应批处理和复杂分析场景支持海量数据分布式计算：分析型数据库产品ArgoDB通过列存储和分布式计算技术，支持对海量数据进行分布式计算，支撑企业数据仓库、数据湖业务覆盖企业数据交易、分析场景：通过KunDB和ArgoDB可以组建企业统一数据库解决方案，覆盖企业数据交易、分析场景性能高，服务可靠：KunDB与ArgoDB之间基于数据库日志进行高效的数据同步，相比异构数据库之间的ETL方案，链路短，性能高，服务可靠

星环科技自研的国产化分布式关系数据库，通过分布式存储、SQL编译与优化等数据库技术，结合云计算的优势做资源管理和调度，实现了关系型数据库的完整功能。在事务处理场景和复杂分析场景，都通过技术创新获得了性能优势。同星环配套的数据库工具软件和云平台产品为用户提供高可用、高可靠和安全的国产化数据库完整解决方案。分布式关系型数据库处理高并发数据读写业务：能够处理高并发的数据读写业务，并提供全局一致性保证，通过分析增强还能响应批处理和复杂分析场景支持海量数据分布式计算：分析型数据库产品ArgoDB通过列存储和分布式计算技术，支持对海量数据进行分布式计算，支撑企业数据仓库、数据湖业务覆盖企业数据交易、分析场景：通过KunDB和ArgoDB可以组建企业统一数据库解决方案，覆盖企业数据交易、分析场景性能高，服务可靠：KunDB与ArgoDB之间基于数据库日志进行高效的数据同步，相比异构数据库之间的ETL方案，链路短，性能高，服务可靠

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。...

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"}...

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。

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•...

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...

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

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

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":...

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：

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