Databend 是什么？

Databend 于 2021 年 3 月成立，团队成员主要来自 ClickHouse 社区、Google、阿里云、青云和 OB 等国内外知名数据库团队。整个团队有着深厚的行业背景，几乎每个人都在数据库领域深耕了十年以上。

目前 Databend 的产品线分为两条：一是 Databend Cloud。目前主要面向海外市场，在很多场景下支持单表数据规模达到 PB 级；二是私有化部署企业版。在国内已与省级大数据交易所、证券公司和移动运营商等都有合作。Databend 产品完全基于 Rust 开发，代码已在 GitHub 上开源，欢迎大家参与。社区对 Databend Rust 技术栈的评价也非常高。从 GitHub star 数来看，海外用户的关注度甚至占了一半以上。

在云时代，所有基础架构都值得重新设计。Databend 的定位是在云时代为大家提供一个低成本、易用且高性能的数据平台。尽管业界已有许多相对成熟的解决方案，但在云端如何实现最低成本、最优易用性和最佳性能，仍值得我们不断探索。

此外，云端为我们带来了许多以往难以实现的能力，比如跨国数据中心的统一管理，甚至异地多活的数据中心建设。借助云上如 S3 等对象存储服务，异地复制、跨 IDC 建设变得非常方便。同时，全球范围内写入 S3 数据不收取费用，我们也可以利用这一特性高效汇总全球数据。

在高可用方面，传统自建数据库时需要自行设计存储和计算的高可用机制，而在云端，对象存储本身已保证高可用，计算资源则可以依托 Kubernetes 等技术平台实现弹性和高可用。

现在很多用户都采用多云策略，在一朵云上使用一些产品，在另一朵云上选择其他方案。Databend 是一个跨云解决方案，目前主流云平台的 Marketplace 都支持部署。无论用户选择哪个云平台，我们都可以支持。

Databend 的架构非常轻量，分为两个核心角色：一个是元数据节点，负责管理系统元数据，通常只需 3-5 个节点即可支撑每秒上百万并发，以及单租户上百万张表的场景。另一个是计算节点（Query 节点），计算节点本身是无状态的，通过两个标签绝对它在哪个租户和集群。租户决定数据的可见性，集群决定算力的分配。

底层采用基于 S3 的共享存储架构，数据接入可由单独集群负责，适应实时或分钟级数据接入需求。实际在 Amazon 上的测试中，16 核心机器每秒数据处理能力可以达到 500-700 万条。

数据治理任务则通过独立的集群来处理，可借助 Spot 实例大幅降低成本。对于数据挖掘、探查等高负载任务，每个计算集群资源完全独立，不会影响主业务集群，真正实现了存算分离和弹性伸缩。资源可以随用随拉，闲时自动收缩，数据只需存一份即可。

下面我想通过一个具体案例，带大家感受一下这种平台架构的独特魅力。

Databend 的架构实际上支持两种模型，上图是其中一种模型。以当前 AI 时代为例，许多企业都在思考如何利用 AI 赋能业务。通常，第一步需要将分散的数据收集起来，将非结构化、半结构化数据转化为结构化数据。过去，每个部门如果要做一次 AI 训练实验，经常需要从其他地方拉取数据，或者部门之间合作时反复进行数据同步，有时甚至需要每五分钟同步一次，数据同步任务十分繁琐且耗时。

现在，云上的理念发生了变化。我们希望做到"一份数据，多方共享"，避免数据反复搬迁和多次校验。无论是总部向集团内各公司共享数据，还是下属公司向总部共享数据，都无需重复上传和下载。

以国内某手机零售商为例，过去，每个门店的库存数据都需要由仓管人员每天汇总并上报总部。采用 Databend 的架构后，每个租户的数据都可以直接在总部系统中注册一份，总部能够实时全局查看每个用户的具体情况。这样，日常的数据对账和同步工作变得更加高效透明，大大节省了人力和时间。

这种云端架构的优势还体现在存算分离和数据共享上。只需存储一份数据，就可以支持多种业务场景，甚至实现与多个用户的灵活共享，从而极大减少了数据同步和核对的工作量。

另外，我们在 S3 上也实现了高效的数据压缩。例如，订单类数据的压缩率可以达到 30 到 40 倍，日志类数据压缩率更高，部分甚至能达到 50 到 100 倍。这些优化让我们在存储和传输层面都实现了极大的成本节约。

我们的最终目标就是让用户只需维护一份数据，就能满足多种应用需求。

还有一个典型场景，是我们当前应用较多的------偏向实时计算的业务模式。用户数据一经接入，平台便能进行实时处理和治理，并及时向下游系统提供服务。比如，将处理后的数据投递到 MySQL 或 Redis 中，再比如在游戏场景下，玩家每打完一局游戏，所有相关数据会立即被动态计算，玩家可以立刻看到本局的数据统计，了解队友表现是否存在问题，是否有人作弊等。这些能力让企业能够实时激励或处罚相关行为，实现业务流程的自动化与智能化。这类实时模型在我们的架构下都能顺畅、高效地运行。

为什么要选择 Databend 以及为什么选择 Spot 实例？

接下来谈谈 Databend 为什么会选择 Spot 实例和 Graviton 这两个产品。其实这个选择源自于我们在湖仓架构落地过程中的实际需求。我们希望为企业用户，尤其是数据量在几个 TB 到 10 TB 以内的公司，提供极具性价比的数据分析能力------理想状态下，每月大数据分析的成本能控制在 1000 到 2000 美元以内。如果能够实现这一点，对企业而言将大大降低数字化转型和数据分析的门槛。因此我们围绕这个目标，持续探索并实践了 Spot 和 Graviton 的各种可能性。

首先，选择 Spot 实例是出于成本和资源弹性的考量。在具体实践中，我们以 Kubernetes（K8s）作为资源调度和管理平台，利用 Spot 实例灵活调度计算资源。资源的声明和分配也借助 Terraform、Prometheus 等工具实现自动化和声明式运维。只需预先定义好资源需求和分布，平台就可以自动拉起合适的实例，无需人工反复干预。

比如说，在对公网提供开放式服务、支持上万人注册的场景中，每个人对应一个独立的 warehouse，实际资源消耗可以根据需求灵活控制，真正做到了弹性伸缩，极大地降低整体资源成本。

另外，数据分析和处理任务本身具有强烈的突发性，有的用户喜欢在夜间批量跑大任务，白天科学家则进行一些探索性分析。这种波峰波谷的资源需求非常适合用 Spot 实例来动态调度，不仅省钱，也让资源分配更加高效。包括我们自己的开发、CI/CD 流程、代码提交和自动化测试，也都通过拉起 Spot 实例来完成，大幅降低了运维和测试成本。

Graviton 方面，我们对其性价比优势感受尤为明显。传统上，大家关注 benchmark 成绩，但现在海外客户更关心"跑完一个标准测试到底花了多少钱"。例如在 16 核 64GB 的机器上跑 TPCH-100 标准测试，而 Graviton 实例无论在价格还是性能上都表现优异。

另外，在高并发场景下，Databend 的表现也非常出色。由于我们本身是基于 Rust 开发的产品，整体兼容性和移植性很强，无论是 x86 架构还是 Arm 架构（如 Graviton），用户几乎无需感知差异，直接编译即可运行。

在我们的性能测试中，主要选用了三四类实例：C7i、C7a、C7g 以及 C8g。其中，C8g 属于 Graviton 的第四代产品，目前英特尔和 AMD 尚未有直接对标的同类产品，因此只能与 C7 系列进行横向对比。

具体对比来看，C7g 在高并发、数据密集型计算场景下的性能显著优于 C7i，虽然 C7g 的发布时间比 C7i 还早，但实际测试中表现更为优越。此外，C7g 和 C8g 在 Q1 指标上的表现也接近于 C7i 的两倍。如果看整体执行时间，C7g（32 核 64GB 配置）单实例运行 22 条 TPC-H 查询可以进入 100 秒以内，这一成绩已达到海外行业内"TPCH 百秒俱乐部"的标准。实际上，在更低配置（如 16c64g）下，同样能够取得非常不错的成绩。

当然，这里我们并未追求极限速度。如果增加机器数量，三台节点并行的话，总体任务耗时还可大幅缩短，最快能进入 50 秒以内，实现极高的并行效率。

如果从价格维度来看，以 C7i.8xlarge价格为基准标定。深蓝色代表价格，浅蓝色代表性能。C7g.8xlarge 的价格比 C7i.8xlarge 便宜约 20%，而性能提升达到 40%；C8g.8xlarge 的价格便宜约 10%，性能提升接近 50%。在这种对比下，C7g.8xlarge 和 C8g.8xlarge 的性价比优势非常明显。

在海外客户的实际应用中，大家越来越关心"完成一次标准测试实际花了多少钱"。以我们在 TPCH-100 测试为例，按需计费模式下，单次测试花费大约只有 0.02 美元。综合来看，C7g.8xlarge 的性价比无疑是最优的。

而在竞价实例（Spot Instance）场景下，成本优势更为突出。我们实际测试后发现，仅需极低的成本即可完成复杂的数据分析任务，这种场景下的性价比几乎"令人难以置信"。

另外，在云上进行云原生基础架构部署时，实际上需要围绕如 Amazon EKS、Karpenter、Terraform、Pulumi 等现代云原生工具链来构建资源调度和自动化能力，包括对 Spot 实例的自动订阅与回收管理。例如 Spot 实例在被回收后，如何能够迅速申请到新的资源，有一些实用技巧和注意事项，这也是保障弹性服务稳定性的关键。

在我们自身的开发实践中，尤其是与 GitHub 开源项目的集成方面，大量的自动化服务和测试任务都依赖于 Spot 实例来支撑。例如，在 GitHub 上进行开源项目开发，每一次代码提交（PR）都需要通过完整的测试集验证，而测试集的规模通常非常庞大。以 Databend 为例，SQL 测试用例已接近千万级，每个 PR 都要跑一轮完整的测试，确保所有场景都能正确覆盖。

目前，我们将所有测试用例分为 76 个测试集，涵盖了各种业务逻辑和边界场景，所有这些自动化测试也都是通过 Spot 实例来高效完成，大大节省了云资源成本。同时，在产品发版和持续集成（CI/CD）过程中，我们也充分利用 Spot 实例，实现弹性、高效的自动化发布。

对于 Databend Cloud 的云上用户，我们也采用了按需分配的模式。用户在公有云平台注册时，系统会为其自动分配一个 Spot 实例，但只有在用户真正开始使用服务时，才会动态拉起计算资源，平时不会占用任何资源。这种弹性分配机制，极大地降低了预留成本，也能支持上万人的大规模用户的注册和使用，保证了平台的高可用性与经济性。

Databend Cloud 在 Amzon 上的实践

接下来再分享一下 Databend 在 Amazon 上的一些实践经验以及整体的云架构。这个架构的设计初衷，就是为了支撑上万用户的注册与使用。Databend 的方案以 Spot 实例为主，所有新注册的公有云用户，系统默认分配的是 Spot 资源。这些资源是全局共享的，每个用户都拥有独立的 Namespace（命名空间），能够看到自己的数据，而无法访问到其他用户的数据，实现了严格的隔离。

这种弹性分配机制有一个显著优势：只有在实际需要时才会动态申请和分配资源，如果用户没有使用，则不会占用任何资源。这样一来，即便注册用户数快速增长到上万，也不会导致费用激增，整个系统能够平稳高效地运行。

在存储方面，Databend 依赖 S3，并采用高压缩算法，大幅降低了数据存储成本。这也是我们为什么强调使用高性能 CPU ，既能支持高效压缩，也能在解压时保障计算能力，为存储与计算之间找到了最佳平衡点。云上的资源弹性和性价比，让我们在业务创新和架构演进方面有了更多的可能性。

在流式计算能力上，我们解决了以往流式处理框架成本高、门槛高的问题。例如，在游戏行业，玩家打完一局后，系统需要在极短时间内生成战力榜和队友匹配结果。以前，这类需求往往依赖 Flink 等大数据流处理框架，实际部署和运维成本很高。但在我们的方案中，数据从前端传入后，可以在秒级时间内进入 Databend 内部，通过每张表的增量流（stream）机制计算出所需数据。计算过程中，我们支持灵活使用复杂的 UDF（用户自定义函数），这些 UDF 可以运行在 Lambda 或 Spot 实例上，通过负载均衡注册到 Databend Cloud，完成数据清洗、转换和实时入库展示。整体流程非常高效、低成本，且具备极佳的弹性伸缩能力，不会因高并发或突发流量造成服务压力。

有了这样的架构，我们还进一步探索了 AI 能力的集成。当前，AI 已成为数据平台的重要入口。无论是 Snowflake 还是 Databricks，国外领先厂商都在尝试把 AI 能力融合进数据平台。我们同样可以在这一层连接大模型，通过 Python 等方式实现模型集成，并将 AI 算法以 UDF 的形式注册进平台。这样，数据库可以通过调用 UDF 实现自动纠错、日期规范化等智能处理，甚至支持更复杂的语义分析和向量检索等 AI 场景。

例如，早期我们就尝试通过 ChatGPT、OpenAI 等大模型以向量化的方式做了一些自然语义完成和近似度检索能力，把知识库与数据分析系统高度融合。一些先进客户已在实际业务中广泛应用 AI，例如用 AI 做竞争对手广告分析：投放广告后，系统自动分析竞品投放内容，通过近似度和语义分析挖掘市场洞察。

最后一个是目前在 AI 行业做的非常多的场景。用户可以在创建表的时候把 External Table 指定到高性能 SSD 存储上，进一步提升数据共享和分析速度。Databend Cloud 上 External Table+Attach Table 可以帮助用户构建一个内部数据集市，帮助用户节省 30-40万数据的同步任务：一份数据，不需要数据同步，不需要数据校验，借助 Amazon 上提供云原生基础，实现一个简单易用，可量化的数据平台。在 Amazon 上，还可以灵活选择不同存储类型，满足不同业务的高性能需求。

过去一年，Databend 凭借开源、云原生的数据湖仓产品，在全球多个企业场景中落地使用，包括游戏、社交、金融、广告、电商等高并发实时分析场景，并在多个客户项目中实现了成本降低 50% 以上、分析效率提升数倍的显著效果。本次峰会，我们将站在这个全球技术舞台上，与全球开发者与云计算先锋交流最新技术成果与实践经验。

关于 Databend

Databend 是一款开源、弹性、低成本，基于对象存储也可以做实时分析的新式湖仓。期待您的关注，一起探索云原生数仓解决方案，打造新一代开源 Data Cloud。

👨‍💻‍ Databend Cloud：databend.cn

📖 Databend 文档：docs.databend.cn

💻 Wechat：Databend

✨ GitHub：github.com/databendlab...