在信息技术飞速发展的今天,金融机构面临如何在保障数据安全与业务连续性的基础上推进技术创新与应用的重大挑战。晋商银行积极响应国家战略,通过实际行动给出了自己的答案……
谋定而后动,晋商银行携手MogDB创新启程
经过对国内数据库厂商及其产品进行严格筛选和审慎评估,晋商银行最终选择了基于openGauss的商业发行版数据库——云和恩墨MogDB作为数据库替代方案之一,开启了信息技术应用创新的新篇章。这样的选择主要基于以下两方面考虑:
01、openGauss社区在国内拥有很高开发者参与度,是国内最活跃的数据库开源社区。MogDB作为openGauss的商业发行版,具备稳定可靠、高性能、高可用、高安全等诸多企业级特性,能够满足晋商银行不同业务系统的需求;
02、云和恩墨在商业数据库领域积累了十余年的经验,能够提供优质的企业级技术服务,尤其是在金融行业拥有大量成功的数据库迁移和改造经验,能够最大限度地保障项目成功。
稳字当先,安全与高效齐头并进
晋商银行在数据库自主创新过程中,秉持“稳”字当先,将保障数据安全和业务连续性放在首位。在MogDB的替代项目中,替换的主要为A、B+、B类等OLTP业务系统。这些系统对于银行业而言至关重要,因此,在这些业务场景中,确保数据安全和数据库稳定运行是首要考虑因素;其次,需要数据库具备高性能和支持大量用户访问的高并发处理能力,以保障业务系统高效运行;同时,还需要尽可能降低应用改造的成本。
为了保证数据库替代工作的稳步推进,晋商银行实施了分阶段的迁移替代策略。从2022年初的首批迁移成功,到2023年第二批业务系统上线,每个系统的平稳过渡都离不开晋商银行与云和恩墨技术团队的细致规划与紧密配合。云和恩墨自主研发的数据库迁移工具在此期间发挥了关键作用,助力晋商银行实现了异构数据库之间快速且平滑的迁移。
同时,由于MogDB对Oracle、MySQL及其他商业数据库具备较高的兼容性,例如,晋商银行某重要业务系统中的SQL语句与MogDB的兼容性达到了95%,这大大缩短了业务系统改造和数据库替代的周期,降低了对应的成本。此外,通过参数优化、架构升级和代码改写等举措,晋商银行的业务系统迁移至 MogDB 的过程变得更加高效和简便,显著降低了出现问题的风险。
多重安全手段,业务护航无间断
晋商银行根据上线业务系统的重要程度,采用一主一备或一主多备等架构部署MogDB数据库,并采用两地双中心的高可用方案,实现异地数据异步传输、异地级联复制、异地演练和异地切换等功能,确保数据库系统具备高可用性和业务连续性,避免业务非计划中断的风险,提高系统的可靠性。
同时,MogDB基于可观测工程中的三大支柱——Logging、Metrics和Tracing打造了晋商银行数据库系统可观测框架,可以增强对系统和数据库性能的监控和故障预测预防能力,实现对数据库全栈的可观测、可跟踪、可诊断。此外,MogDB还支持动态数据脱敏,能够在查询过程中对数据进行脱敏处理,有效保护敏感信息不被泄露。
驱动业务高效能,开启性能飞跃与智能运维新篇章
在性能优化方面,MogDB通过列存储和向量化执行引擎技术结合,实现了高效的数据处理和查询性能,可以在短时间内完成大量数据的分析和计算,大幅提高复杂类查询性能。结合云和恩墨工程师对数据库的全链路优化和并发处理等技术手段,提高了数据库的性能和吞吐量,系统性能极大增强,优化后的多个性能指标提升30%~40%。
在项目实施过程中,云和恩墨与晋商银行的技术团队共同探讨数据库的工程实践经验,并分享技术的最新发展。云和恩墨还提供了MogDB的技术培训和文档手册,促进知识传递,并帮助晋商银行培养了多名专业的MogDB数据库工程师,为后续的数据库自主运维打下坚实基础。
值得一提的是,晋商银行已上线的MogDB数据库均纳入到云和恩墨自研的zCloud数据库云管平台中进行统一管理和资源调配,实现日常巡检、实时监控、性能分析等自动化运维能力,帮助晋商银行实现数据库运维前置,将“事后救火”升级为“事前预防”,极大降低了数据库故障发生的概率并减轻了运维人员的工作量,为后续更多数据库的替换管理提供了稳健支撑。
截至目前,晋商银行共有17套使用MogDB数据库的业务系统正式上线,上线时间最长的系统已平稳高效运行500多天。已上线的业务系统承载的用户规模已达几十万人,数据规模均在百GB以上,其中最大的业务系统数据量高达4TB。这充分验证了MogDB在实际应用中的强大效能与安全可靠性。
晋商银行与云和恩墨MogDB的合作不仅为自身的发展注入了强劲动力,更为金融行业的自主创新之路树立了典范,展示了科技与金融深度融合的美好前景。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。