户态存储软件栈以及充分发挥最新硬件的性能，访问（非热点数据）磁盘数据时，性能可达 到内存访问速度的70%以上。 云数据库 Redis 版 产品简介 8 混合存储型实例的应用场景 视频直播类应用 视频直播类业务往往存在大量热点数据，大部分的请求都来自于热门的直播间。使用Redis混合存储 型实例，内存中保留热门直播间的数据，不活跃的直播间数据被自动存储到磁盘上，可以达到对有限 内存的最佳利用效果。 说明：带宽上限分别应用于上行带宽和下行带宽。 规格能力 标准版-双副本 标准套餐 定制套餐 标准版-单副本 标准套餐 规格 连接数上限（个 ） 内网带宽上限 （MByte） CPU 处理能力 说明 1 GB 主从版 10000 10 单核 主-从双节点实例 2 GB 主从版 10000 16 单核 主-从双节点实例 4 GB 主从版 10000 24 单核 主-从双节点实例 主-从双节点实例 32 GB 主从版 10000 32 单核 主-从双节点实例 64 GB 主从版 20000 48 单核 主-从双节点实例 规格 连接数上限（个 ） 内网带宽上限 （MByte） CPU 处理能力 说明 1 GB 主从高配版 20000 48 单核 主-从双节点实例 2 GB 主从高配版 20000 48 单核 主-从双节点实例 4 GB 主从高配版 20000 48 单核 主-从双节点实例

818 台网互动项目中的应用 45 5.6教育 VIPKID -TiDB 在公有云亿级数据场景下的应用实践 47 5.7 游戏 网易互娱 -基于 TiDB 措建跨源异构计算架构 “049 5.8 视频 Bigo - 选择 TiFlash 打造高效的实时分析平台 "0 51 第六章 技术支持与培训认证 6.1技术支持 . 54 6.2培训与认证 54 联系我们 . 56 一 G@OSE@ 02 TiDB 开源分布式关系型数据库 10 CE 第二章 - TiDB 开源分布式关系型数据库 2.1 产品简介 TiDB 是一款同时支持在线事务处理与在线分析处理 (Hybrid Transactional and Analytical Processing, HTAP) 的开源分布式关系型数据库产品, 具备水平扩容或者编容、金融级高可用、实时 HTAP 交易几乎没有影响。提供和 TiDB 保持强一致 的数据读取，是真正的内核级 HTAP 分布式混合负载数据处理平台。 这套系统可以很好的解决: 行存储和列存储的取舍问题; OLTP 负载和 OLAP 负载的资源隔离问题; 快速批量写与事务型写操作混合模式的问题; Adhoc 查询与 Adhoc 混合负载及批处理作业共存的问题; 。 数据 0ffload 到数据仓库引起的不一致风险。 Sattayer

PostgreSQL 未来演进 AnalyticDB for PostgreSQL 在线MPP数据仓库服务 简单易用、海量扩展、兼容部分Oracle 语法生态、既支持在线交互分析，也支持离线数据处理。 AnalyticDB for PostgreSQL （云Greenplum）低成本，快速 构筑在线企业数据仓库。 • 应用易开发、适配 支持SQL 2003，部分兼容Oracle语法， 支持PL/SQL 新一代SQL优化器，实现复杂分析语句免调优 • 支持多模分析 通过PostGIS 插件支持 地理信息数据分析；MADlib 库内置100+ 机器学习算法库，实现数据智能探索；高性 能向量检索算法，支持视频/图像检索 以图搜图 AnalyticDB for PostgreSQL 产品架构 协调节点 OSS 分布式云存储服务 SQL Client/BI Tools 协调节点（Master Node） PostgreSQL典型场景 4. AnalyticDB for PostgreSQL 未来演进 典型场景分析 数据分析场景 场景挑战 AnalyticDB for PostgreSQL 优势 ETL 批量处理 • 复杂 SQL 调优 • 海量数据关联聚合 • 支持标准SQL，OLAP窗口函数，存储过程 • 新一代Cascade框架 分布式SQL优化器，复杂查询免调优 • MPP多节点全并行计算，PB级数据秒级响应

· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 90 3.4.5 HTAP 数据处理 · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 412 8.10 TiDB 热点问题处理· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 414 8.10.4 使用 SHARD_ROW_ID_BITS 处理热点表· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 418 8.10.5 使用 AUTO_RANDOM 处理自增主键热点表 · · · · · · · · · · · · · · · · ·

· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 84 3.4.5 HTAP 数据处理 · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 343 8.9 TiDB 热点问题处理· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 346 8.9.4 使用 SHARD_ROW_ID_BITS 处理热点表· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 349 8.9.5 使用 AUTO_RANDOM 处理自增主键热点表 · · · · · · · · · · · · · · · · · ·

字符串（String） 字符串键是 Redis 最基本的键值对类型， 这种类型的键值对会在数据库⾥⾯把单独的⼀个键和单独的⼀个值关联 起来， 被关联的键和值既可以是普通的⽂字数据， 也可以是图⽚、视频、⾳频、压缩⽂件等更为复杂的⼆进制数 据。 作为例⼦， 图 2-1 展示了数据库视⻆下的四个字符串键， 其中： 与键 "message" 相关联的值是 "hello world" ； 与键 "number" '

good morning

' 因为 Redis 的字符串键不仅可以储存⽂本数据， 还可以储存⼆进制数据， 所以这个缓存程序不仅可以⽤来缓存⽹ ⻚等⽂本数据， 还可以⽤来缓存图⽚和视频等⼆进制数据。 ⽐如说， 如果你正在运营⼀个图⽚⽹站， 那么你同 样可以使⽤这个缓存程序来缓存⽹站上的热⻔图⽚， 从⽽提⾼⽤户访问这些热⻔图⽚的速度。 作为例⼦， 以下代码展示了将 Redis 的 因为每个字符串都是由⼀系列连续的字节组成的， 所以字符串中的每个字节实际上都拥有与之相对应的索引。 Redis 为字符串键提供了⼀系列索引操作命令， 这些命令允许⽤户通过正数索引或者负数索引， 对字符串值的某 个字节或者某个部分进⾏处理， 其中： 字符串值的正数索引以 0 为开始， 从字符串的开头向结尾不断递增； 字符串值的负数索引以 -1 为开始， 从字符串的结尾向开头不断递减。 图 2-5 就展示了值为 "hello world"

· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 99 3.4.5 HTAP 数据处理 · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 269 4.6.4 预处理语句 · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 364 4.8.4 事务错误处理· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ·

础，拥有目前 国内市场知名的四大移动音乐产品：QQ 音乐、酷狗音乐、酷我音乐和全民 K 歌，总月活用 户数超过 8 亿。 业务需求 腾讯音乐娱乐拥有海量的内容曲库，包括录制音乐、现场音乐、音频和视频等多种形式。通 过技术和数据的赋能，腾讯音乐娱乐持续创新产品，为用户带来更好的产品体验，提高用户 参与度，也为音乐人和合作伙伴在音乐的制作、发行和销售方面提供更大的支持。 在业务运营过程中我们需要 高效为业务赋能，内容库数据平台旨在集成各数据源的数据，整合形成内容数据资产（以指 标和标签体系为载体），为应用层提供库存盘点、分群画像、指标分析、标签圈选等内容分 析服务。 数据架构演进 TDW 是腾讯最大的离线数据处理平台，公司内大多数业务的产品报表、运营分析、数据挖 掘等的存储和计算都是在 TDW 中进行，内容库数据平台的数据加工链路同样是在腾讯数据 仓库 TDW 上构建的。截止目前，内容库数据平台的数据架构已经从 数仓层：不支持部分列更新，当上游任一来源表产生延迟，均会造成大宽表延迟， 进而导致数据时效性下降。  加速层：不同的标签跟指标特性不同、更新频率也各不相同。由于 ClickHouse 目前 更擅长处理宽表场景，无区别将所有数据导入大宽表生成天的分区将造成存储资源 的浪费，维护成本也将随之升高。  应用层：ClickHouse 采用的是计算和存储节点强耦合的架构，架构复杂，组件依赖 严重，

· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 94 3.4.5 HTAP 数据处理 · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 定期删除过期数据 · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 284 4.6.5 预处理语句 · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 384 4.8.4 事务错误处理· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ·

· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 97 3.4.5 HTAP 数据处理 · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 定期删除过期数据 · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 287 4.6.5 预处理语句 · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 378 4.8.4 事务错误处理· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ·