gydtep

统一协议：OpenTelemetry为我们带来了Metric、Tracing、Logging（正在制定中，LogModel已经定义完毕）的统一标准，三者都有相同的元数据结构，可以轻松实现互相关联

gydtep

人工智能、深度学习浪潮直观的反映出行业往深度智能阶段发展的趋势走向，这并非偶然现象，几大应用市场需求的驱动，上游深度学习芯片和算法的开源，行业所具备的天然的海量数据训练集特征等多维因素一起推动了安防走向深度智能化。

gydtep

边缘的AI允许通过本地化处理进行实时机器学习，从而实现即时数据处理，详细的安全性和增强的客户体验。同时，许多企业正在寻求将AI推入云端，这可以减少实施障碍，改善知识共享并支持更大的模型。前进的道路在于找到一种利用云和边缘优势的平衡。

gydtep

边缘AI芯片组中受支持的神经网络架构的类型是有限的，并且通常比在云中可以实现的功能落后几个月。解决这些局限性的一种有用方法是使用编译器工具链和堆栈，例如Apache TVM，它们有助于将模型从一个平台移植到另一个平台。

gydtep

基于上云解决方案，建立了多种场景化解决方案，包括智能实时数仓解决方案、实时监控大屏解决方案、数据湖解决方案，其中比较典型的智能实时数仓解决方案，适用于电商、游戏、社交等互联网行业大规模数据实时查询场景：

gydtep

同时通过与达摩院向量引擎库Proxima的深度集成，可应用于实时推荐场景，实时推荐依赖特征查询、实时指标计算、向量检索召回，Hologres向量查询功能与Proxima深度整合可以提供高性能的向量查询服务，再加Flink和PAI，可以应用于实时个性化推荐、图像、视频及人脸等，提高广告留存率。

gydtep

5）提供日志分析、监控、Tracing一站式能力，针对时序场景深入优化引擎，保证时序日志监控和分析的性能。

gydtep

Hologres在全链路实时数仓建设场景，与Flink做了深度的融合，同时支持Flink的sink表、source表、维表。业务上可以基于Flink进行实时ETL清洗、转换，将明细数据、轻度汇总数据以及业务汇总数据存储在Hologres，再通过Hologres实时查询并输出数据至第三方分析工具进行实时分析。

gydtep

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。

gydtep

基础架构管理：与开源的Terraform或者云供应商自身提供的Infrastructure as Code(IaC)工具如阿里云ROS, AWS CloudFormation不同，Crossplane和AWS Controllers for Kubernetes在Kubernetes基础之上扩展了对基础设施的管理和抽象。这样可以采用一致的方式进行管理和变更K8s应用和云基础设施。