数字化时代,技术迭代更新比以往任何时候都要来得迅猛一些,数据库技术也在这股技术浪潮中迸发出巨大的发展张力,而作为数据库技术灵魂的内核技术也随之实现了跃迁式发展。
华为云数据库历来重视内核技术研发,拥有丰富的数据库内核研发经验,并持续构筑了一系列极具竞争力的内核特性。近期,华为云新一代金融级分布式数据库GaussDB(for openGauss)正式推出了Ustore存储引擎、基于Paxos协议的DCF高可用组件等多个重大内核新特性,为企业级用户打造了稳定高性能的存储引擎、高可用的内核能力,以创新技术为抓手,进一步推动企业数字化转型。
Ustore存储引擎创新,数据频繁更新下性能依旧稳如泰山
Ustore存储引擎,又名In-place Update存储引擎。In-place Update中文意思为原地更新,是GaussDB(for openGauss) 内核新增的一种存储模式。GaussDB(for openGauss) 内核当前使用的行引擎是Append Update(追加更新)模式。追加更新对于业务中的增、删以及HOT(Heap only tuple) Update(即同一页面内更新)有很好的表现,但对于跨数据页面的非HOT UPDATE场景,垃圾回收不够高效。
而Ustore引擎将最新版本的“有效数据”和历史版本的“垃圾数据”分离存储,最新版本的“有效数据”存储在数据页面上,并单独开辟一段UNDO空间,用于统一管理历史版本的“垃圾数据”,因此数据空间不会由于频繁更新而膨胀,垃圾回收效率更高。Ustore引擎采用NUMA-Aware的UNDO子系统设计,使得UNDO子系统可以在多核平台上有效扩展;同时采用多版本索引技术,解决索引清理问题,有效提升了存储空间的回收复用效率。

图1:Ustore数据存储示意图:数据在原page页,undo通过指针单独管理
总之,在这种设计思路下,相比原有垃圾数据清理机制,Ustore数据存储能带来更高性能、更高效率,空间利用更充分,整体系统运行更加平稳,适应更多业务场景和工作负载。
应用实践方面,Ustore存储引擎已在部分客户现场进行了POC测试,表现出稳定可靠的数据库服务能力,达到了预期的效果。
基于Paxos协议的高可用DCF组件创新,确保数据强一致和高可用
除了Ustore存储引擎外,GaussDB(for openGauss)还推出了基于Paxos协议的DCF高可用组件,该组件使得GaussDB(for openGauss)在保证数据一致性的同时,在高可用方面可进一步得到增强,包括:
(1)通过自仲裁、多数派选主能力摆脱第三方仲裁组件,极大缩短RTO时间,且可预防任何故障下的脑裂双主;
(2)支持节点同步、同异步混合部署的多集群部署模式;
(3)提升主备间节点日志复制效率,提升系统的最大吞吐能力。

图2:Paxos原理示意图
借助GaussDB(for openGauss)的DCF高可用组件,用户不仅可以免去系统脑裂的风险,还可以提升可用性。
面向未来,GaussDB(for openGauss)将基于AI自治技术,在Ustore存储引擎、Paxos协议自选主等关键特性方面持续构建更智能、更安全、更高效的技术能力,并从千行百业数据库应用的最紧迫问题和长远需求出发,不断在核心技术上进行突破,为客户打造更领先、更优质的数据库服务。
【重磅活动预告】
8月18日,以“数造未来”为主题的第12届中国数据库技术大会(即DTCC2021)将在北京隆重召开,现场特设华为云GaussDB专场,届时将为您解读GaussDB系列数据库及核心能力,分享GaussDB行业最佳实践。另外,GaussDB迁移工具新品UGO目前正在火热公测中,欢迎前往华为云官网免费体验。
好文章,需要你的鼓励
Lumen Technologies对美国网络的数据中心和云连接进行重大升级,在16个高连接城市的70多个第三方数据中心提供高达400Gbps以太网和IP服务。该光纤网络支持客户按需开通服务,几分钟内完成带宽配置,最高可扩展至400Gbps且按使用量付费。升级后的网络能够轻松连接数据中心和云接入点,扩展企业应用,并应对AI和数据密集型需求波动。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
RtBrick研究警告,运营商面临AI和流媒体服务带宽需求"压倒性"风险。调查显示87%运营商预期客户将要求更高宽带速度,但81%承认现有架构无法应对下一波AI和流媒体流量。84%反映客户期望已超越网络能力。尽管91%愿意投资分解式网络,95%计划五年内部署,但仅2%正在实施。主要障碍包括领导层缺乏决策支持、运营转型复杂性和专业技能短缺。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。