据进行业务变化的监控与分析，通常情况下会采用实时流计算来实现。 外卖实时业务监控有如下特点： 避免分钟级的生产波动影响，业务上10、15分钟准实时数据可以满足分析需要。 实时数据需要与离线数据进行日环比与周同比的比对。 订单业务需要事件时间，体验业务需要生产时间，业务对齐逻辑复杂。 不同业务线需求差异大，指标需要良好扩展性。 由于业务上的复杂性，实时流计算中，需要考虑诸多业务口径的对齐，业务ER模型在合流处理中 据库RapidsDB v4.0支持TB级毫 秒响应（处理千亿数据可实现毫秒级响应）。可以预见，数据库技术的进步将大大改善数仓的分 层管理与应用支撑效率，业务将变得“定义即可见”，也将极大地提升数据的价值。 参考资料 Doris文档和源码 Apache Kylin VS Apache Doris 作者简介 朱良，美团外卖数据仓库工程师。 凯森，美团大数据工程师，Apache Kylin Committer。

前，我们会在查询层将 SQL 改写成具体的列名 a4。这样名称的修改只 是修改其元数据，底层 Doris 的表结构可以保持不变。  为了实现标签灵活上下架，我们通过统计标签的使用情况来分析标签的价值，将低 价值的标签进入下架流程。下架指的是对元信息进行状态标注，在下架标签重新上 架之前，不会继续导入其数据，元信息中数据可用时间也不会发生变化。  对于实时新增标签/指标，我们基于名称 ID 的映射在 个月之前的数据分区调整为 1 副本； 12  支持数据转冷， 在 SSD 中仅存储最近 7 天的数据，并将 7 天之前的数据转存到 到 HDD 中，以降低存储成本；  标签上下线，将低价值标签和指标下线处理后，后续数据不再写入，减少写入和存 储代价。 2、降低数据链路成本。 Doris 架构非常简单，只有 FE 和 BE 两类进程，不依赖其他组件，并通过一致性协议来保 证服务的

同步/异步 场景 接口 Broker Load 异步 HDFS、BOS对象存储 MySQL Routine Load 异步 Kafka MySQL Stream load 同步 本地文件，数据流 HTTP Insert into 同步 命令行 MySQL Spark Load 异步 Spark MySQL 最佳实践 04 使用案例 • 根据数据源所在位置选择导入方式。 选择合适的导入方式