核心摘要：

01 供给端

全球数据库发展历程

数据库与互联网发展相互促进，技术和产品趋于成熟和完善

受益于市场需求和技术沉淀，进入百花齐放的快速发展期

从20世纪80年代起，我国数据库市场开始逐步发展起来。经历了初始的技术萌芽期和国外厂商垄断期，21世纪初，基于863计划、核高基计划等国家政策支持，一批拥有高校背景的国产厂商成立，打破了Oracle和IBM一统天下的格局。2010s，随着市场需求的增长、技术的沉淀，一批云厂商和新兴独立厂商开始提供数据库产品。近年来， 借助国产化热潮，许多软件厂商、集成商、运营商等也开始入局，发展自己的数据库能力。

中国数据库产业图谱

中国数据库市场规模

政策和数字化释放需求，2020年市场规模达247.1亿

据艾瑞统计， 2020年中国数据库市场总规模达247.1亿，较2019年增长16.2%，CAGR（2020-2025e）达15.6%。 2020-2022中国数据库市场将呈高速增长，由多方面因素促成：1）政策利好，国家大力鼓励国产数据库厂商的发展；2）需求拉动，国产化和数字化建设带动需求的爆发增长；3）供给端多元厂商发力，传统、初创和跨界厂商厚积薄发，产品和技术经历了工程实践的打磨走向成熟；4）国内企业对基础软件的付费意愿和IT支出逐年提升，有利于市场的长期发展。

中国数据库市场发展特点

多类型数据库百花齐放，关系型占据绝对主流

随着互联网的发展，多种类型数据爆发式地增长，各种创新业务场景层出不穷，进而促进了供给端厂商技术和产品架构的创新。从2010s左右，多种类型和技术路线的数据库厂商纷纷成立，中国数据库市场进入了百花齐放的阶段。但从商业价值来看，中国数据库市场的营收仍主要来自关系型数据库，NoSQL数据库更多地是开源模式，产生二开和服务的费用。

借助政策东风，国产厂商厚积薄发，市场版图快速扩张

借助政策红利，国产厂商经过多年的技术研发和经验积累，市场份额在逐年提升。在国产阵营中，一批以“达梦、人大金仓、南大通用、神舟通用”为代表的，2000年左右成立的传统国产数据库厂商近年来开始发力，他们从购买源码、借助开源走向自主研发，实力不断增强，在党政军市场有着较好的表现，同时也开始向能源电力、运营商、交通等其他行业快速拓展。此外，初创厂商、云厂商、ICT厂商等近年来也开始发力数据库市场，国产阵营日益强大。相比之下，国外数据库厂商如Oracle、Microsoft、IBM等，虽然在OLTP的核心场景还拥有较高的市占率，但整体市场份额在被逐渐侵蚀。

公有云数据库增速放缓，未来仍有一定渗透空间

中国公有云部署模式的数据库在过去三年快速增长，于2020年达到了32.7%的市场份额，未来虽然增速会有所放缓，但仍有一定的渗透空间。从应用逻辑来看，数据库服务于数据，数据应用于业务最终产生价值；反之，业务端的创新和数据的变化也会反馈与数据库市场。从最终业务端来看，现阶段云数据库更多的还是应用于互联网行业，以及传统行业的互联网场景，未来随着产业端更多的业务创新，有望进一步拉动云数据库的需求。

凭借HTAP、NoSQL等新技术，初创厂商不断涌现

一批2015年前后成立的初创型厂商借助NewSQL、SQL on Hadoop、NoSQL等新技术架构，以开源或垂直领域商业化的思路，逐步增强自己的市场影响力，在互联网、金融、物联网等行业有着较好的表现。从现阶段来看，其营收的市占份额较小，但增速较快，是中国数据库市场增速最快的一个赛道，预计到2025年可以实现高于十倍的扩张。随着市场的大浪淘沙，未来的初创数据库厂商赛道会趋于收敛，市场份额向一小批具有核心技术优势、抓住高价值应用场景的优秀厂商集中。

02 需求端

采购流程

不同企业组织架构和选型要求不同，采购流程也有一定区别

选型指标

综合考虑外围因素、产品技术相关因素和服务价格因素

参考企的业采购流程，一般数据库选型从前期到后期，会综合考虑外围因素（自身技术路线、资质、品牌声誉与行业案例、生态构建等），产品技术相关因素（一致性、兼容性、扩展性、性能、功能丰富性、安全性等），以及后期的价格服务因素（解决方案、性价比、服务响应速度、培训体系等）。

示例场景——金融

对“高可用/强一致/低时延”要求高，分布式改造是下一步重点

对于以银行为例的金融企业而言，其业务数据的价值较高，因而对数据库“高可用、强一致、低时延”的要求较为极致。在TP场景下，银行下一步选型的重点为分布式改造。初步来看，解决思路主要是“中间件+分库分表”or“原生分布式架构”。中间件路线方案成熟且性能表现较好，是现阶段大多数客户的选择；但原生分布式架构在扩展性方面存在天然的优势，在未来具有更广阔的发展空间。

示例场景——互联网教育

业务扩张速度快，看重可扩展性、成本控制和成熟度

受利互联网和疫情，教育行业近年来呈“营收高增长，业务快迭代”发展特点。因此，企业在进行选型时较看重数据库的可扩展性，希望产品可以及时响应公司版图的扩张和业务的变更。同时，教育行业属于非强技术导向型，企业对数据库强一致、高性能和高可靠的要求并不极致，更多会考虑产品的成本控制和成熟度。企业在选型时表现较保守，虽然看好一些新产品（e.g. HTAP数据库、云原生数据库），但更希望数据库产品工程实践丰富，可以拿来即用，且专业人才招聘容易。因此MySQL数据库成为许多（互联网）教育企业的最佳选择，同时考虑成本和便捷性，云托管形式在业界也比较流行。

03 挑战与趋势

挑战一

分布式实践仍存在许多问题

横向扩展 (scale out) 的设计思想并非创新，但在历史上一直未被广泛应用。一方面是由于分布式环境使事务ACID特性难以实现，另一方面是由于单机性能升级即可满足企业的数据需求。但随着摩尔定律在某种程度上的失效和互联网的发展，硬件性能升级无法匹配海量数据的增长，分布式在近年来广受关注，许多厂商都推出了相应的分布式数据库产品。然而，在分布式的前提下，还有许多待探索的问题，例如分布式事务的解决、架构的创新、数据分片的智能化、企业级能力的提升等。

挑战二

信创为国产厂商提供成长沃土，未来发展仍待市场磨炼

信创即信息技术应用创新，是在复杂国际政治背景下，国家政策引导的新一轮信息产业创新。“信创”无论是对产业端还是需求端企业都是一个重要的契机。国产数据库厂商借助政策东风，有利于其拓展市场，将产品放到实际场景中打磨，不断更新迭代，实现自己技术实力正真的弯道超车；传统行业企业、政府等也可以借此契机，实现数字化转型和业务的创新发展。但信创并非一日之功，从产业发展规律来看，新一轮的技术变革往往需要长达6年左右的实践和积累，需要上下游厂商和企业共同的长期努力。

挑战三

数据迁移、多库管理提出新的挑战

面对业务形态多样、商业模式多变、需求变化频繁的当代市场，数据库和应用系统存在的形式也愈发的丰富。一个企业往往拥有多个系统，从本地到云端，从关系型到非关系型，从OLTP到OLAP，从国外品牌到国产品牌，数据库之间的跨库查询、数据导出迁移、结构变更等操作已成为常态。数据迁移频繁、多库并存的现状，使得企业后期的使用成本（运维成本、人力成本、多技术栈学习成本、迁移成本、二开成本等）大幅提高，也为数据库厂商提出了“统一管理”的新挑战。

挑战四

CPU、内存等硬件变化为数据库设计提供更多的想象空间

数据库系统遵循“木桶理论”，硬件和软件作为系统的核心组件，互相制约，互相促进。而新型硬件的发展为数据库软件的发展带来了新的挑战。例如多核CPU技术走向成熟，但实际应用中并发控制出现冲突，使得核数增加带来的性能增益出现限制，如何进行多核CPU调度优化为厂商提出了新的难题。同时，大容量内存和高速硬盘走向普及，NVM非易失内存也逐渐成熟，内存的潜力释放，如何搭配新存储介质设计新的数据库架构也有待探索。因此，一些数据库领先企业如Oracle、阿里等都开始探索数据库软硬一体机的设计与实践。

趋势一：多场景|融合

结合细分场景的多样发展是必然选择，用户简单化需求驱动的一体化融合也不容忽视

从产品视角来看， 不同场景具有不同的特性，对数据库读写性能、吞吐量、一致性等方面的要求各有不同。为支持不同场景下的不同要求，数据库多样化是必然的选择。例如，物联网场景下写入的数据量特别大，对实时性的要求特别高，但数据天然是时间有序的且具有静态特征，因此时序数据库会较传统的事务型数据库更有优势。

从用户视角来看， 除部分头部互联网公司外，其他大中小型企业的IT人员比例都并不高，对口数据库团队的人数会更少。对于他们而言，各种日新月异的技术栈、多种类型的数据库产生了极大的学习成本和维护成本，因此希望能够有一体化的产品/平台直接使用或者统一管理。对于该种类型的企业而言，会更倾向采购能满足其70%全部需求的一体化产品，而非能100%满足其部分需求的多个产品。当今市场上的HTAP/NewSQL数据库、多模数据库、统一管理平台等即满足了企业简单化一体化的需求，因此在多场景大背景下的“融合”也是不容忽视的趋势。

趋势二：DBaaS

解决弹性伸缩问题，为供应商和企业提供更多的想象空间

随着企业业务规模的扩张，数字化转型的推进，其对数据库系统也提出了新的要求：传统建设模式项目周期长，不能匹配业务上新的速度；企业部署多套数据库系统，系统间割裂，缺少统一的管理平台；资源采购和体系规划按现有规模建设，难以随业务的变化而弹性伸缩等。DBaaS(Database as a Service) 即将IT基础资源以服务化的方式提供给数据库，以及多租户和动态调整来解决成本和响应问题。部分对数据自主性和安全性要求较高的大型企业，可以选择以私有云或者专有云的方式进行数据库的云化改造。

趋势三：湖仓一体

架构创新，同时实现海量大数据的联机交易和联机分析

1980s以来，数据仓库技术不断发展，尤其MPP架构使得DBMS能够处理大量数据，满足企业通过数据分析来支持商业决策的需求。但随着互联网的发展，许多企业需要同时处理非结构化数据，半结构化数据以及海量结构化数据。数据湖随之诞生，它可以直接存储各种格式的原始数据，根据用户需求进行计算，具有灵活弹性的优点。但是，数据湖虽然适用于存储多元化数据，却缺少一些企业级功能，在实际执行时也存在许多挑战：数据缺少加工，难以实现实时分析，数据查询性能差；不支持ACID事务等。

面对企业海量大数据场景下的联机交易、非结构化数据治理的需求，以及数据仓库/数据湖架构的局限，以Snowflake、Databricks、阿里云、巨杉数据库为代表的新一代“湖仓一体”数据库厂商快速崛起。湖仓一体架构下打通了数仓和数据湖，并融合了两种架构的优势，底层多套存储系统并存且互相数据共享，形成了资源池，上层各引擎可以通过一体的封装接口访问，实现了联机交易和联机分析的同时支持。

趋势四：开源

开源模式成为产业互联网时代数据库厂商的破局之刃

从产业发展角度来，开源模式一方面提高了数据库产品开发的“效率”，它将源代码开放，避免了研发人员对基础程序的重复开发；另一方面它也有助于产品的技术“创新”，开源社区最大程度上汇聚了全球的资源力量，为开发者提供了交流切磋的空间，从而加速创新灵感的诞生。对于厂商而言，尽管从表面上看，企业部署开源并不能获得直接的利益，但在这个过程中，它们却可以布局产品的生态建设（包括人才培养、市场教育、实践反馈、企业文化、产品影响力、配套周边产品等），从而为自己获得有利的战略地位。在当今移动互联网向产业互联网发展的转折点，开源模式未尝不是各云厂商、传统厂商、新兴厂商扩展市场的破局之刃。

趋势五：智能化

人工智能延伸DBA的能力半径，优化数据库性能

随着移动互联网到产业互联网的发展，数据每日呈指数级的增长，且呈现多模态特性。面对复杂海量的数据，越来越多种类的数据库出现，需要调试的范围越来越广。但大多优化任务仍落在DBA身上，需要其进行手动调优，致使人工能力逐渐跟不上数据库的发展。而人工智能可以弥补人能力的不足，解决许多存在多年的数据库问题，例如资源的调度、索引的设计和优化、查询的优化、负载均衡设计、缓存失效等。AI 通过优化算法，对任务进行有效地预测、分析和自动化，从而减少了人工成本并大大提高数据库的性能。尤其是未来随着云上数据库更大范围内的普及，智能资源调度将成为各供应商需要面对的下一个课题。