CN108280123B - 一种HBase的列聚合方法 - Google Patents
一种HBase的列聚合方法 Download PDFInfo
- Publication number
- CN108280123B CN108280123B CN201711307865.2A CN201711307865A CN108280123B CN 108280123 B CN108280123 B CN 108280123B CN 201711307865 A CN201711307865 A CN 201711307865A CN 108280123 B CN108280123 B CN 108280123B
- Authority
- CN
- China
- Prior art keywords
- aggregation
- keyvalue
- scanner
- column
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种HBASE的列聚合方法,基于HBase服务端查询机制,所述方法的系统架构中设置有聚合扫描器模块,并且扩展聚合表的描述信息,在其中增加列聚合属性;在查询时,根据列聚合属性对同一单元格的多版本数据进行聚合计算,实现在单元格上的聚合;在合并数据时,HBase服务端根据聚合表描述中的列聚合属性信息,将存在多版本的数据进行聚合并将结果保留,非结果数据合并操作执行完后被清除。本发明所公开的方法,相对于现有技术无论是在聚合表查询的实时性方面、性能方面以及资源使用方面都有较好的提升。
Description
技术领域
本发明公开了一种HBase的列聚合方法,涉及计算机信息存储技术领域。
背景技术
HBase是一个参考Google的BigTable实现的高可靠性、高性能、面向列、可伸缩的开源非关系型数据库,采用HDFS作为底层存储。随着大数据技术的发展和应用,HBase逐渐成为业界广泛使用的NoSQL分布式存储系统,它具有高可靠、面向列、开源等特点,已被Facebook、阿里巴巴等公司成功用于生产系统。
HBase数据模型如下表所示:
HBase最基本的单位是列(Column、Qualifier);一个列或者多个列形成了一个列簇(Family、Store),一个列簇或者多个列簇形成了一行(Row),并由唯一的行键(RowKey)来确定存储;每个列有可能有多个版本(TimeStamp),存储在同一个单元格(Cell)中,例如图中的value1。
HBase合并(Compact):列簇下的每个HFile保存了多个版本的数据,合并就是将同一个列簇下的多个HFile多个版本的数据按照是否过期、最多保留版本个数有选择的将部分最新版本的数据合并在一个新的HFile中,清除其他版本的数据,以提高查询的性能。
聚合表的更新操作包括:
聚合数据:对一组数据进行聚合操作(如平均值、最大、最小等)并返回确定的结果,该结果称为聚合数据。
聚合表是指:结合业务需求,在HBase中存储包含聚合数据的表;从HBase角度看,该表就是一个普通的用户表,所以在存储数据时,需要先将数据读出来和现在的数据进行聚合运算,将结果再写到HBase中(称为Read-Write方案)。
目前被广泛使用的对HBase聚合表更新的方案有两种:
一、MapReduce聚合方案
该方案需要设计两张表:一张数据表存储所有冗余的数据,一张聚合表存储MapReduce计算后的聚合数据;通过批量入库或者实时入库将待入库数据存储到HBase数据表中;MapReduce聚合任务定期的对数据表进行全表扫描,将数据聚合运算后的结果存储到HBase聚合表中供客户端查询。客户端通过HBase查询API可直接读取聚合数据。该方案的流程如图1所示。
二、Scan&Endpoint聚合方案
该方案需要设计一张数据表存储所有冗余的数据;通过批量入库或者实时入库将待入库数据存储到HBase数据表中;客户端聚合查询时,先在Region级别上对每个region的数据进行聚合运算,再在Table级别上对所有的region聚合结果进行聚合运算,最后将结果返回给客户端。该方案的流程如图2所示。
现有的聚合方案的主要问题有:
1)MapReduce聚合方案:实际采用Read-Write的方法,即先读取出来库里面已有的值,计算后重新写入,增加了IO请求;MapReduce每次需要重新扫描表的所有数据,重复计算比较大,计算资源浪费;MapReduce批量计算实时性比较差;无法支持对流式数据入库,只能以固定的文件作为输入。
2)Scan&Endpoint聚合方案:每次聚合查询需要把所有的相关数据都查询出来进行聚合运算,需要使用较多的资源,而且容易出现超时异常,影响查询性能;数据表中需要聚合的历史数据需要长期保存,增加了数据冗余,耗费存储,聚合查询性能越来越慢,资源浪费越来越大;Scan&Endpoint服务端只能实现同一个region上的聚合,客户端还需要二次聚合操作。
发明内容
本发明所要解决的技术问题是:出于对聚合数据的实时性和查询性能的考虑,针对现有技术的缺陷,提供一种HBASE的列聚合方法,在表描述信息中增加列聚合属性,为查询和合并提供了选择聚合方式的依据;一种列聚合扫描器,该扫描器在查询数据时,根据列聚合属性将数据进行聚合运算,返回运算结果;一种聚合合并数据,根据列聚合属性进行多版本数据合并操作,将合并结果保存,清理掉其他版本的历史数据。
本发明为解决上述技术问题采用以下技术方案:
一种HBase的列聚合方法,基于HBase服务端查询机制,所述方法的系统架构中设置有聚合扫描器模块,并且扩展HBase表的描述信息,在其中增加列聚合属性;
在查询时,根据列聚合属性对同一单元格的多版本数据进行聚合计算,实现在单元格上的聚合;
在合并数据时,HBase服务端根据HBase表描述中的列聚合属性信息,将存在多版本的数据进行聚合并将结果保留,非结果数据合并操作执行完后被清除。
作为本发明的进一步优选方案,所述列聚合属性记录了聚合的列和聚合的方式。
作为本发明的进一步优选方案,所述聚合的方式包括平均、最大、最小、最近、最早或者求和等,用户根据具体业务扩展聚合的方式。
作为本发明的进一步优选方案,在所述聚合扫描模块中,每个单元格根据列聚合属性,选择不同的聚合方式对所有的HFile和写缓存的同一单元格数据进行聚合计算。
作为本发明的进一步优选方案,查询的流程具体包括:
1、构造Region扫描器:
HBase服务端接收到客户端的读请求,HBase服务端根据请求对应的Region构造扫描器,所述扫描器是由多个聚合扫描器组成的最小堆构成的,所述聚合扫描器由多个HFile扫描器和内存扫描器组成的最小堆构成的,HFile扫描器读取文件服务器上的HFile数据,内存扫描器读取内存中的数据;
2、从聚合扫描器中获取堆顶的KeyValue:
HBase服务端循环的从聚合扫描器的堆顶获取最小的KeyValue,匹配当前KeyValue是否满足查询条件:
如果匹配不中,再从聚合扫描器中取最小的KeyValue,直到命中或者取完一行数据;
如果匹配命中,进入下一步;
3、聚合列的同一单元格的KeyValue聚合:
如果匹配中的KeyValue所属的列数据聚合列,将该KeyValue加到缓存中;
判断下一个KeyValue和当前KeyValue是否属于同一单元格:
如果属于,缓存当前的KeyValue;
如果不属于,将缓存的同一单元格的所有KeyValue按照聚合属性进行聚合操作后将结果放到缓存列表中;
如果聚合扫描器中还有更多满足条件的KeyValue,执行第二步;否则,将结果缓存列表返回给Region扫描器;
4、KeyValue返回给上一层的Region扫描器:
当所有的聚合扫描器满足条件的KeyValue全部获取或者没有更多的满足条件的KeyValue后,将缓存的结果返回给Region扫描器,Region扫描器将结果经过Filter过滤返回给客户端。
作为本发明的进一步优选方案,合并数据的具体流程包括:
1、构造聚合扫描器:
HBase服务端接收到合并请求或者HBase服务端自身触发的合并请求,HBase服务端根据请求对应的列簇构造聚合扫描器,聚合扫描器由多个HFile扫描器组成的最小堆构成的,HFile扫描器读取HDFS上的HFile数据,并创建新的HFile;
2、从聚合扫描器中获取堆顶KeyValue:
HBase服务端循环的从聚合扫描器的堆顶获取满足查询条件的最小的KeyValue;
判断该KeyValue所属的列是否需要聚合:
如果不需要,将该KeyValue添加到新的HFile中;
如果需要聚合,执行下一步;
3、聚合列的同一单元格的KeyValue聚合:
如果匹配中的KeyValue所属的列数据聚合列,判断下一个KeyValue和当前KeyValue是否属于同一单元格:
如果属于同一单元格,缓存当前的KeyValue;
如果不属于同一单元格,将缓存的同一单元格的所有KeyValue按照聚合方式进行聚合操作后将结果添加到新的HFile中;
如果聚合扫描器中还有更多的KeyValue,执行第2步,否则执行下一步;
4、保存HFile元数据,清除聚合扫描器:
将元数据信息写入新的HFile中,并将该HFile加入到列簇供查询使用;
清除构造聚合扫描器时所涉及到的旧的HFile。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:提供一种HBase的列聚合方法,无论是在聚合表查询的实时性方面、性能方面以及资源使用方面都有较好的提升。
1)与MapReduce聚合方案相比:本发明没有采用Read-Write的方法写数据,减少了IO请求和数据比较或计算,提高了入库性能;本发明不需要重复计算聚合数据,并且降低数据的冗余,减少了计算资源的浪费;本发明不仅可以支持以固定的文件作为输入的入库,而且支持对流式数据入库;本发明不存在入库延时问题,实时性好。
2)与Scan&Endpoint聚合方案相比:本发明将每个单元格的聚合结果存储在HFile中,不需要重复计算聚合数据,减少了计算资源的浪费;本发明将聚合数据存储在同一单元格,降低数据的冗余,查询性能也更好;本发明可以支持一个查询请求同时处理多个聚合操作,客户端使用更加简单方便。
附图说明
图1是MapReduce聚合流程图。
图2是Scan&Endpoint聚合流程图。
图3是本发明所述方案的架构示意图。
图4是聚合扫描器的查询流程图。
图5是聚合扫描器的合并流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明扩展现有的HBase服务端查询机制,HRegionServer架构如图3所示,增加了聚合扫描器,图3中的聚合扫描器(store),同时扩展表的描述信息,增加列聚合属性图3中的表的描述信息;在查询时根据列聚合属性对同一单元格的多版本数据进行聚合计算,实现在单元格上的聚合;在合并数据时,HBase服务端根据表的描述信息中的列聚合属性,将存在多版本的数据进行聚合并将结果保留,非结果数据在合并操作执行完后被清除。
表的描述信息设计:HBase表描述信息支持列簇级别的属性配置,我们在已有的基础上扩展了列簇的列聚合属性(AggregateQualifierType),该属性记录了聚合的列和聚合的方式;聚合方式以插件的形式实现,包括平均、最大、最小、最近、最早、求和等聚合方式,用户可以根据具体业务扩展聚合方式。
无论是实时写数据还是批量加载,本方案不改变已有的入库方式,且允许少部分数据在短时间内(到下次数据合并结束前)存在冗余。
在聚合扫描器中,每个单元格根据列聚合属性,选择不同的聚合方式(平均、最大、最小、最近、最早、求和等)对所有的HFile和写缓存的同一单元格的数据进行聚合计算,该聚合方式支持用户自定义扩展。
HBase服务端收到查询请求之后处理的流程如图4所示,其中,对聚合扫描器查询流程的说明如下:
1)构造Region扫描器:HBase服务端接收到客户端的读请求,HBase服务端根据请求对应的Region构造扫描器,Region扫描器是由多个聚合扫描器组成的最小堆构成的,聚合扫描器由多个HFile扫描器和内存扫描器组成的最小堆构成的,HFile扫描器读取HDFS上的HFile数据,内存扫描器读取内存中的数据。
2)从聚合扫描器中获取堆顶的KeyValue:HBase循环的从聚合扫描器的堆顶获取最小的KeyValue,匹配当前KeyValue是否满足查询条件:
如果匹配不中,再从聚合扫描器中取最小的KeyValue,直到命中或者取完一行数据;
如果匹配命中,进入下一步。
3)聚合列的同一单元格的KeyValue聚合:如果匹配中的KeyValue所属的列数据聚合列,将该KeyValue加到缓存中;并判断下一个KeyValue和当前KeyValue是否属于同一单元格:如果属于,缓存当前的KeyValue;如果不属于,将缓存的同一单元格的所有KeyValue按照聚合属性进行聚合操作后将结果放到缓存列表中;如果聚合扫描器中还有更多满足条件的KeyValue,执行第二步;否则将结果缓存列表返回给Region扫描器。
4)KeyValue返回给上一层的Region扫描器:当所有的聚合扫描器满足条件的KeyValue全部获取或者没有更多的满足条件的KeyValue后,将缓存的结果返回给Region扫描器,Region扫描器将结果经过Filter过滤返回给客户端。
合并流程如图5所示,对聚合扫描器查询流程的说明如下:
1、构造聚合扫描器:HBase服务端接收到合并请求或者HBase服务端自身触发的合并请求,HBase服务端根据请求对应的列簇构造聚合扫描器,聚合扫描器由多个HFile扫描器组成的最小堆构成的,HFile扫描器读取HDFS上的HFile数据。并创建新的HFile。
2、从聚合扫描器中获取堆顶KeyValue:HBase循环的从聚合扫描器的堆顶获取满足查询条件的最小的KeyValue。判断该KeyValue所属的列是否需要聚合:如果不需要,将该KeyValue添加到新的HFile中;如果需要聚合,执行下一步。
3、聚合列的同一单元格的KeyValue聚合:如果匹配中的KeyValue所属的列数据聚合列,判断下一个KeyValue和当前KeyValue是否属于同一单元格,如果属于同一单元格,缓存当前的KeyValue;如果不属于同一单元格,将缓存的同一单元格的所有KeyValue按照聚合方式进行聚合操作后将结果添加到新的HFile中;如果聚合扫描器中还有更多的KeyValue,执行第二步;否则执行下一步。
4、保存HFile元数据,清除聚合扫描器:将元数据信息写入新的HFile中,并将该HFile加入到列簇供查询使用;清除构造聚合扫描器时所涉及到的旧的HFile。
在上述实施例中,大数据存储系统以HBase为例进行讲解,对于和HBase类似的海量存储系统同样适用,例如HyperTable(一种以C语言开发的分布式列存储结构的大容量数据存储系统)。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (5)
1.一种HBase的列聚合方法,基于HBase服务端查询机制,其特征在于:所述方法的系统架构中设置有聚合扫描器模块,并且扩展HBase表的描述信息,在其中增加列聚合属性;
在查询时,根据列聚合属性对同一单元格的多版本数据进行聚合计算,实现在单元格上的聚合;
在合并数据时,HBase服务端根据HBase表描述中的列聚合属性信息,将存在多版本的数据进行聚合并将结果保留,非结果数据合并操作执行完后被清除;
查询的流程具体包括:
(1)、构造Region扫描器:
HBase服务端接收到客户端的读请求,HBase服务端根据请求对应的Region构造扫描器,所述扫描器是由多个聚合扫描器组成的最小堆构成的,所述聚合扫描器由多个HFile扫描器和内存扫描器组成的最小堆构成的,HFile扫描器读取文件服务器上的HFile数据,内存扫描器读取内存中的数据;
(2)、从聚合扫描器中获取堆顶的KeyValue:
HBase服务端循环的从聚合扫描器的堆顶获取最小的KeyValue,匹配当前KeyValue是否满足查询条件:
如果匹配不中,再从聚合扫描器中取最小的KeyValue,直到命中或者取完一行数据;
如果匹配命中,进入下一步;
(3)、聚合列的同一单元格的KeyValue聚合:
如果匹配中的KeyValue所属的列数据聚合列,将该KeyValue加到缓存中;
判断下一个KeyValue和当前KeyValue是否属于同一单元格:
如果属于,缓存当前的KeyValue;
如果不属于,将缓存的同一单元格的所有KeyValue按照聚合属性进行聚合操作后将结果放到缓存列表中;
如果聚合扫描器中还有更多满足条件的KeyValue,执行第二步;否则,将结果缓存列表返回给Region扫描器;
(4)、KeyValue返回给上一层的Region扫描器:
当所有的聚合扫描器满足条件的KeyValue全部获取或者没有更多的满足条件的KeyValue后,将缓存的结果返回给Region扫描器,Region扫描器将结果经过Filter过滤返回给客户端。
2.如权利要求1所述的一种HBase的列聚合方法,其特征在于:所述列聚合属性记录了聚合的列和聚合的方式。
3.如权利要求2所述的一种HBase的列聚合方法,其特征在于:所述聚合的方式包括平均、最大、最小、最近、最早或者求和,用户根据具体业务扩展聚合的方式。
4.如权利要求1所述的一种HBase的列聚合方法,其特征在于:在所述聚合扫描模块中,每个单元格根据列聚合属性,选择不同的聚合方式对所有的HFile和写缓存的同一单元格数据进行聚合计算。
5.如权利要求1所述的一种HBase的列聚合方法,其特征在于,合并数据的具体流程包括:
(1)、构造聚合扫描器:
HBase服务端接收到合并请求或者HBase服务端自身触发的合并请求,HBase服务端根据请求对应的列簇构造聚合扫描器, 聚合扫描器由多个HFile扫描器组成的最小堆构成的,HFile扫描器读取HDFS上的HFile数据,并创建新的HFile;
(2)、从聚合扫描器中获取堆顶KeyValue:
HBase服务端循环的从聚合扫描器的堆顶获取满足查询条件的最小的KeyValue;
判断该KeyValue所属的列是否需要聚合:
如果不需要,将该KeyValue添加到新的HFile中;
如果需要聚合,执行下一步;
(3)、聚合列的同一单元格的KeyValue聚合:
如果匹配中的KeyValue所属的列数据聚合列,判断下一个KeyValue和当前KeyValue是否属于同一单元格:
如果属于同一单元格,缓存当前的KeyValue;
如果不属于同一单元格,将缓存的同一单元格的所有KeyValue按照聚合方式进行聚合操作后将结果添加到新的HFile中;
如果聚合扫描器中还有更多的KeyValue,执行第2步,否则执行下一步;
(4)、保存HFile元数据,清除聚合扫描器:
将元数据信息写入新的HFile中,并将该HFile加入到列簇供查询使用;
清除构造聚合扫描器时所涉及到的旧的HFile。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711307865.2A CN108280123B (zh) | 2017-12-11 | 2017-12-11 | 一种HBase的列聚合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711307865.2A CN108280123B (zh) | 2017-12-11 | 2017-12-11 | 一种HBase的列聚合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108280123A CN108280123A (zh) | 2018-07-13 |
CN108280123B true CN108280123B (zh) | 2021-12-21 |
Family
ID=62801481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711307865.2A Active CN108280123B (zh) | 2017-12-11 | 2017-12-11 | 一种HBase的列聚合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280123B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488340B (zh) * | 2019-01-29 | 2023-09-12 | 菜鸟智能物流控股有限公司 | 数据处理方法、装置及电子设备 |
CN110502543B (zh) * | 2019-08-07 | 2022-07-12 | 京信网络系统股份有限公司 | 设备性能数据存储方法、装置、设备和存储介质 |
CN110888919B (zh) * | 2019-12-04 | 2023-06-30 | 阳光电源股份有限公司 | 基于HBase的对大数据统计分析的方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117433A (zh) * | 2015-08-07 | 2015-12-02 | 北京思特奇信息技术股份有限公司 | 一种基于Hive解析HFile统计查询HBase的方法和系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8660985B2 (en) * | 2012-04-11 | 2014-02-25 | Renmin University Of China | Multi-dimensional OLAP query processing method oriented to column store data warehouse |
CN104915260B (zh) * | 2015-06-19 | 2018-05-25 | 北京搜狐新媒体信息技术有限公司 | 一种Hadoop集群管理任务的分发方法和系统 |
CN107368477B (zh) * | 2016-05-11 | 2021-02-26 | 北京京东尚科信息技术有限公司 | 基于HBase协处理器的类SQL查询的方法和系统 |
CN106372114B (zh) * | 2016-08-23 | 2019-09-10 | 电子科技大学 | 一种基于大数据的联机分析处理系统和方法 |
CN106844539A (zh) * | 2016-12-30 | 2017-06-13 | 曙光信息产业(北京)有限公司 | 实时数据分析方法及系统 |
-
2017
- 2017-12-11 CN CN201711307865.2A patent/CN108280123B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117433A (zh) * | 2015-08-07 | 2015-12-02 | 北京思特奇信息技术股份有限公司 | 一种基于Hive解析HFile统计查询HBase的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108280123A (zh) | 2018-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10509785B2 (en) | Policy-driven data manipulation in time-series database systems | |
US10346383B2 (en) | Hybrid database table stored as both row and column store | |
US10592488B2 (en) | Application-centric object interfaces | |
CN110825748B (zh) | 利用差异化索引机制的高性能和易扩展的键值存储方法 | |
EP3047397B1 (en) | Mirroring, in memory, data from disk to improve query performance | |
US9262458B2 (en) | Method and system for dynamically partitioning very large database indices on write-once tables | |
JP7018516B2 (ja) | データクエリ | |
US20130166553A1 (en) | Hybrid Database Table Stored as Both Row and Column Store | |
US20160364407A1 (en) | Method and Device for Responding to Request, and Distributed File System | |
CN103595797B (zh) | 一种分布式存储系统中的缓存方法 | |
CN108280123B (zh) | 一种HBase的列聚合方法 | |
US8380663B2 (en) | Data integrity in a database environment through background synchronization | |
US10528590B2 (en) | Optimizing a query with extrema function using in-memory data summaries on the storage server | |
WO2017161540A1 (zh) | 数据查询的方法、数据对象的存储方法和数据系统 | |
CN107888687B (zh) | 一种基于分布式存储系统的代理客户端存储加速方法及系统 | |
CN110309233A (zh) | 数据存储的方法、装置、服务器和存储介质 | |
US20230418811A1 (en) | Transaction processing method and apparatus, computing device, and storage medium | |
US11249968B2 (en) | Large object containers with size criteria for storing mid-sized large objects | |
CN104158863A (zh) | 基于事务级别全程高速缓冲的云存储机制 | |
CN103365987A (zh) | 一种基于共享磁盘架构的集群数据库系统及数据处理方法 | |
CN110704431A (zh) | 一种海量数据的分级存储管理方法 | |
WO2021183520A1 (en) | Extensible streams on data sources | |
US11341163B1 (en) | Multi-level replication filtering for a distributed database | |
US11762868B2 (en) | Metadata management for a transactional storage system | |
CN104661053A (zh) | 一种iptv数据处理的方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |