截止到2020年12月，在DB-Engines上目前一共有363种数据库。按照数据库模型来看，传统的关系型数据库和非关系型数据库占比为3:1，可以看出，关系型数据库依旧是主流。而按照商业和开源数据库的角度来看，两者依旧是平分天下。在商业数据库领域，具有代表性的数据库有Oracle、SQL Server等；而在开源数据库领域，具有代表性的数据库有MySQL和PG等。
最后总结一下，如今我们正在迎接新的数据时代，因此需要做好准备。虽然今天我们的系统更多的跑在关系型数据库和数据仓库等，但是随着物联网、工业互联网这些领域的爆发，如何去迎接新的数据时代是一个非常有意思的话题。其次，在新的数据时代，云原生数据库和数据仓库将会全面普及。云原生概念在2020年已经非常流行了，而且云计算作为基础设施已经得到了一致的认可，而云原生代表着云计算里面最为核心的技术。
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。
在阿里集团的DevOps平台“云效”和容器平台发布变更系统相结合，可以实现应用的“无人值守发布”。在发布过程中，系统持续收集包括系统数据、日志数据、业务数据等各种指标，并通过算法比对发布前后的指标异动。一旦发现问题，就可以对发布过程进行阻断，甚至自动化回滚。有了这项技术，任何一个开发团队都可以安全的做好发布工作，而不必担心线上变更导致的重大故障了。
我也不是在谈论机器学习狂热分子与传统统计建模的数据科学家。经典的统计建模和由现代机器学习开发的算法在识别和利用数据集的重要特征方面都起着重要的作用。本书将帮助你更好地理解这两种方法,并将它们更有效地结合到分析数据集中。
“简单来说,深度学习建立在20世纪90年代神经网络发展的基础上,机器使用人造神经元矩阵扫描信息,寻找模式并做出决策,很像人脑的运作模式,但速度超快。”
随着大数据的大量来源以及企业可用数据量的增加，存储容量规划已成为存储管理员的问题。据估计，每天产生2.5万亿字节的数据。现在，如果以神经元计算的话，那就是相当于2.5亿个人类大脑的海量数据。而且，相同的估计表明，全球总数据的90%是从2016年到2018年生成的。
DevOps 应用交付流水线里面包含了很多环节，如何将这些环节非常流畅地串联起来，实现自动化也是非常重要的方面。
回顾一下当有了这些能力之后，如何实现自动化应用交付流水线。在源码阶段，可以实现代码质量静态检查，保证 CheckIn 的代码质量。当 CheckIn 到代码库之后，会自动运行单元测试，并且产出交付物。在测试的环节，通过与阿里云 ROS 的无缝集成能够实现自动化部署到测试环境，并且运行测试用例。
阿里云云效的语法服务架构图主要分为两部分：
基于事件触发的索引构建过程
基于用户请求的语法服务响应
