管理运维方便，用户无需关注数据在两套系统之间同步及数据一致性问题。
PolarDB 采用了和Oracle/Sql Server等商用数据库类似的行列混合存储技术，我们称之为In-Memory Column Index：
对于上面的表其主表(Primary Index）包含（C1,C2,C3,C4,C5) 5列数据, Seconary Index索引包含(C2,C1) 两列数据, 在普通二级索引中，C2与C1编码成一行保存在B+tree中。
PolarDB行列混合存储可以支持在一个实例中同时支持AP型查询和TP型查询。但很多业务有很高的OLTP型负载，而突发性的OLAP性负载可能干扰到TP型业务的响应时延。
图像检索问题定义：给定查询图像（Query），通过分析视觉内容，在大型图像库中（Gallery）中搜索出相似的图像。该方向一直是计算机视觉领域的一个长期研究课题，在行人重识别、人脸识别、视觉定位等任务中均有广泛的研究。
通常来说，传统特征点匹配算法会存在泛化性不足问题，由此生成的训练数据很可能导致模型无法很好学习，具体体现在：1）训练样本较为简单；2）类别冲突，即同一牌匾分为多个类别；
数据是非常重要的，因为模型很难做到完美，总是会存在Corner case，而解决Corner case的一个非常高效的手段就是针对性补充数据。补充数据的关键是如何挖掘Corner case以及如何自动标注，该方向也是目前学术的研究热点，即半监督学习以及主动学习。
在处理器的设计技术上，玄铁910在原有高性能处理器2发射的基础上，发展成3发射并行架构，流水线深度从10级发展成12级，单位性能提升40%以上，达到7.1 Coremark/MHz，工作主频达到2.5GHz，整体指标在原有技术上提升一个层次，性能满足5G、网络通信、人工智能、自动驾驶等领域。
在认识流计算系统一致性之前，我们需要精确定义流计算。流（Streaming）计算是一种在无边界数据（unbounded data）上进行低延迟计算的数据处理过程。
Spark Streaming 只能保证引擎内部的处理逻辑是一致的，但是对于结果输出，则并没有做特别的抽象，因此如果我们希望实现端到端的一致性语义，则需要对自行维护和判断一些信息。
监控自适应：可以基于历史数据自动学习和进化，进行动态的阈值判断，从而让告警更加精准。另外对数据的学习也是实时的，可以更加快速地发现异常问题。
