本身的云数据库专属集群，因为拥有主机级别的操作权限，可以把企业已经采购的安全的插件也安装到云上的数据库里面。比如已经买好一套审计系统，也可以选择直接把这套审计系统部署在云数据库专属集群里面，从而把专属集群的安全能力跟本地系统的安全能力做一个全面结合，形成更好的双方都可以认可的安全等级防护。
传感器：随着后来汽车开始正式进入市场，人们需要更好的知道汽车是不是没油了、没水了，因此基础的传感器仪表盘被发明出来。
上下游依赖更多：问题的定位最终都会从上下游来排查，在微服务、云、K8s的环境中，上下游将更加多，包括各类其他业务应用、云上使用的各类产品、各种中间件、K8s自身、容器运行时、虚拟机等等。
自动驾驶一共分为6级，其中0-2级主要还是靠人来进行决定，到了等级3之后就可以进行无意识驾驶，也就是手眼可以暂时性不用关注驾驶，到了等级5的话人就可以完全脱离驾驶这个枯燥的工作，在车上可以自由活动。
以公安行业的应用为例，公安行业用户的迫切需求是在海量的视频信息中，发现犯罪嫌疑人的线索。而这个需求的实现，需要智能的前端摄像机，通过实时分析视频内容，检测运动对象，识别人、车等属性信息；然后需要汇总海量的城市级信息到后端人工智能的中心数据库进行存储，再利用强大的计算能力及智能分析能力，对嫌疑人的信息进行实时分析，最终给出最可能的线索建议。
大多数专家将边缘和云方法视为更大战略的补充部分。云AI更适合批量学习技术，该技术可以处理大数据集以构建更智能的算法，从而快速，大规模地获得最大的准确性。Edge AI可以执行这些模型，而云服务可以从这些模型的性能中学习并应用于基础数据以创建一个连续的学习循环。
在其他情况下，当在边缘生成大量数据时，在本地更新模型，然后将其子集反馈到云中以进行进一步优化可能更有意义。在对敏感数据进行推理时，开发人员还需要考虑一些隐私问题。例如，如果开发人员希望通过手机摄像头检测中风的证据，则应用程序可能需要在本地处理数据以确保符合HIPAA。
DataWorks数据集成可以追溯到2011年的DataX1.0和2.0版本，随后3.0版本正式对外提供服务，再后来公有云、专有云、阿里内部功能三版合一，建立了Data Integration 服务。在2019年，DataWorks数据集成完成了商业化，独享资源组上线，按量付费、包年包月的付费方式也成功面向了用户。在2020年，全增量实时同步解决方案正式发布。
1）数据在不同的系统中存储多份，空间浪费，数据一致性的问题难以解决；
2）整个数据链路由多种引擎和系统组合而成，开发和维护成本高，学习成本高；
全观测场景下运维监控的痛点都是趋同的，比如日志/指标获取手段不一，获取成本高、日志/指标格式化挑战大、运维伸缩能力，峰值稳定性、海量数据长周期存储成本高、时序系统异常分析困难，日志分析工具检索性能瓶颈、可扩展性需求高等。
