谷歌推出Cloud Spanner:面向关键任务应用程序的全球分布式关系数据库服务

原文Introducing Cloud Spanner, a Global Database Service
整理:仲培艺,关注数据库领域,寻求报道或投稿,欢迎发送邮件至zhongpy@csdn.net。

近日,谷歌正式宣布推出Cloud Spanner的Beta版,其为面向关键任务应用程序的全球分布式关系数据库服务。官方称其能让用户实现“鱼与熊掌兼得”:该服务支持ACID事务和SQL语义,同时还提供横向扩展性和强一致性。

在构建云应用时,数据库管理员和开发者往往需要在传统关系数据库的事务一致性和NoSQL数据库的易扩展性之间做出抉择,而Cloud Spanner恰恰打破了这一纠结,将这些特性充分融于一体。

作为一项托管服务,Cloud Spanner可为DBA提供如下特性:

  • 重点关注用户的应用逻辑,而非徒耗时于软硬件部分;
  • 无需复杂的分片和集群,即可扩展RDBMS解决方案;
  • 无需从关系型数据库迁移至NoSQL数据库,即可实现水平扩展;
  • 无需构建复杂的复制及故障转移基础架构,即可实现高可用性及抗灾能力;
  • 通过数据层加密、身份和访问管理,以及审计日志记录,以实现集成安全。

数十年来,开发者依赖于传统的关系型数据库的关系型数据模型和SQL语义来构建应用程序,以满足也无需求。与此同时,针对具有一定规模,且快速高效的数据处理,NoSQL解决方案应运而生,然而这些都未能满足强一致性的要求。对此,谷歌相关研究团队于2007年开始投入一个全球的分布式数据库的研究,后于2012年发布Spanner研究报告,特性对比如下图:

图片描述

评论

Cloud Spanner一经发布,立刻引发大量讨论,下面摘取Hacker News网友的一些评论:

  • ChuckMcM:恭喜Spanner团队成为Google公有云的一员!有人一直想知道为什么Oracle希望通过Java侵权案向谷歌索赔数十亿美元,原因就在这里——对于目前的Oracle而言,托管数据库服务使他们唯一的市场增长渠道,二现在谷歌却退出了一个更好的选择。如果亚马逊和微软也选择在这一项服务上和谷歌展开竞争的话,局面应该会变得很有趣。试想这样一种场景:我们所拥有的数据库、计算、存储和连接服务同等规模地来自以上三方,这无疑为开发人员提供了大量的选择。

    • kornish:不仅如此,对于不寻求托管解决方案的开发人员而言,也衍生出大量的选择。值得关注的还有不断成长的分布式开源数据库生态系统,例如Citus——一个Postgres兼容的分布式存储。
  • mistermann:对于在MS SQL领域工作的人而言,是否应该担心这些平台的发展可能会对其职业生涯产生一定的影响?举例来说,作为一个MSSQL性能调优专家,需要具备多年的工作经验,薪资可能也很高。但某日我听闻这样一则故事:有人将BI数据库转换成使用柱状索引,允许其将非常复杂的查询替换为具有类似性能的标准SQL查询。这些云平台提供的规模、价格,以及如今透明完整的SQL合规性,需要多久才能促使传统关系型平台的进步。

    • dragonwriter: 关于上面提到的MS SQL领域的工作者,我认为之所以监管(包括自我调节)专业有持续教育的需求,是因为技术不受监管并不意味着在可以放弃跟上该领域内技术发展的步伐。话虽如此,MSSQL专家仍然可以在较长一段时间内保留其高回报的工作机会,而出于相同的原因,对于一些成熟的企业技术而言,很多系统会在其变得相对落后,并进入学习期的很长一段时间里,仍然使用该技术。

SDCC 2017·上海站将于2017年3月17-19日登陆申城,三大技术峰会和24位嘉宾,汇聚国内知名的互联网公司CTO、架构师、技术总监,畅谈运维、数据库和架构的热门话题和技术热点,遇见精益运维发起人&优维科技CEO王津银、MongoDB大中华区首席架构师唐建法和华为软件API开放平台架构师李林锋等大牛。截止3月5日前门票八折优惠中,5人以上团购立减400元,详情点击注册参会

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值