近两年，基于深度学习的人工智能在安防市场的应用越来越深入，尤其是车牌识别、人脸识别等技术得到了大规模的应用，并获得了非常不错的应用效果。
Edge AI的部署也充满了限制，包括网络延迟，内存压力，电池消耗以及进程可能被用户或操作系统作为后台的可能性。从事边缘AI的开发人员需要计划各种限制，尤其是在探索手机等常见用例时。
这是一个巨大的挑战，因为用户可能会从高性能的移动网络驶向盲区，而无论如何都希望获得良好的性能。在推理期间，没有足够的网络带宽将所有数据从边缘移动到云，但是用例要求将本地推理输出进行全局汇总。边缘AI可以运行神经网络，以帮助过滤必须发送到云以进行进一步AI处理的数据。
第一步：数据采集–通过DataWorks数据集成（批量+实时）、DataHub（实时）进行统一数据采集接入。
在这样的背景下，Hologres推出了HSAP理念。 HSAP是指Hybrid Serving & Analytical Processing，是既能支持高QPS的点查场景实时写入和查询，又能将复杂的多维分析场景在一套体系里面完成。HSAP相当于数据仓库+在线数据服务，是两者的超集。
第三阶段：上世纪九十年代，此时PC机、X86以及局域网等基础设施已经非常健全，IT应用范围已经扩展到企业全面的信息化，关系型数据库开始蓬勃发展，出现了数据仓库以及单机数据库，比如SQL Server、dBase等数据库。
此外，新冠疫情进一步让企业更加关注IT成本优化。云原生的一个重要优势是充分利用云的弹性能力，来按需提供业务所需计算资源，避免资源浪费，实现成本优化的目标。但是，与传统成本预算审核制度不同，云原生的动态性、和高密度应用部署，让IT成本管理更加复杂。
由于K8s内置工作负载的局限性，一些需求无法满足企业应用迁移的需求，通过Operator framework进行扩展成为了常见的解决方案。但是一方面对重复的需求重复造轮子，会造成了资源的浪费；也会导致技术的碎片化，降低可移植性。
KubeVela/OAM 提供了面向Kubernetes的服务抽象和服务组装能力，可以将不同实现的工作负载和运维特征进行统一抽象和描述，并提供插件式的注册与发现机制，进行动态组装。平台工程团队可以采用一致的方式进行新功能扩展，并且保持与Kubernetes上新的应用框架良好的互操作性。
统一访问的授权模型：服务间调用需要通过身份进行鉴权
统一访问控制策略：所有服务的访问控制通过标准化方向进行集中管理、和统一控制
