云数据仓库十年架构演进与技术突破

云数据仓库的诞生与演进

近十年前，在某中心首次re:Invent大会上，某中心宣布推出完全托管的PB级云数据仓库服务预览版。这项服务代表了从传统本地部署数据仓库解决方案的重大飞跃，传统方案成本高昂、缺乏灵活性，且需要大量人力和资本资源来运营。

核心技术架构演进

高性能查询执行

该服务通过生成高度优化的C++代码，将其发送到并行数据库中的分发器并执行这种高度优化的代码。这种独特的查询执行方式一直是服务的核心。在传统商业智能世界中，系统针对长时间运行的作业进行优化，但实际观察发现，服务中每天运行的数十亿查询中有90%在不到一秒内完成执行。

存储与计算分离

过去十年中支持这一目标的最大架构变化是引入了托管存储，这使得计算和存储得以分离，并在每个领域进行了大量创新。托管存储层设计用于实现99.999999999%的持久性和99.99%的可用性，跨多个可用区管理用户数据和事务元数据。

自动化与机器学习

在易用性方面，三个创新尤为突出：

• 并发扩展：系统自动配置新资源并上下扩展，无需客户采取任何行动
• 自动化表优化：系统能够观察工作负载和数据布局，自动建议数据如何在集群节点间排序和分布
• 自动编码：自动确定如何正确编码数据，为数据和工作负载提供最佳性能

多服务集成能力

数据湖与事务存储集成

该服务是云中首个能够查询对象存储数据的数据仓库，随后展示了在扫描对象存储中EB级数据的同时查询集群中数据的能力。除了查询数据湖外，对事务数据存储的集成查询也是另一项重大创新。

机器学习集成

通过集成机器学习服务，任何了解SQL的人都可以利用所有机器学习创新。从SQL提示符创建模型的能力，将数据获取到对象存储并调用机器学习服务，使用自动化机器学习构建最合适的模型来提供数据预测。

数据共享架构

通过分离存储和计算层，实现了数据共享，使客户能够在同一账户、其他账户或跨区域的集群间共享数据。这允许将数据的消费者与生产者分离，支持现代数据网格架构等场景。

未来发展方向

随着客户生成的数据量不断增加，他们希望更经济高效地分析这些数据。数据量呈指数级增长，但客户显然不希望成本呈指数级增长。这需要持续创新，并找到新的性能水平，确保处理单位数据的成本持续下降。

系统将继续在软件、硬件、硅芯片和使用机器学习方面进行创新，以确保为客户实现这一承诺。过去十年已经实现了这一承诺，未来将继续专注于确保实现这一承诺。