StarRocks روی EKS: مقیاسپذیری OLAP با KEDA و Karpenter
تیم WW Stores FinTech آمازون میگه برای تحلیلهای مالی سنگین، بین StarRocks و ClickHouse مقایسه کرد و StarRocks رو انتخاب کرد چون روی کوئریهای پیچیده چندجوینی و فیلترهای high-cardinality بهتر جواب میده. معماری روی Amazon EKS سوار شده و با KEDA و Karpenter بهصورت خودکار مقیاس میخوره. نتیجه: پاسخ زیر ۵ ثانیه برای کوئریهای استاندارد و زیر ۲۰ ثانیه برای پیچیدهها، با ۱۰۰۰ کاربر همزمان. کلید کار، جدا بودن استوریج از کامپیوته.
این محتوا بهصورت خودکار با استفاده از هوش مصنوعی تولید شده، و بررسی نهایی اون پیش از استفاده توصیه میشه. مسئولیت استفاده بهعهده کاربر هست. برای مطالعه متن اصلی خبر، اینجا رو کلیک کن
خلاصهٔ کاملتر
این پست از وبلاگ AWS رو تیم WW Stores FinTech آمازون نوشته و تجربهٔ ساختن یک پلتفرم تحلیل مالی رو روی Kubernetes تعریف میکنه. به گفتهٔ نویسندهها، نیازشون سهتا بود که با هم جور درنمیومد: پاسخ زیر چند ثانیه روی ترابایتها داده، صدها کاربر همزمان توی پیک، و مقیاسپذیری افقی بدون جابهجایی پردردسر داده. سیستمهای قبلیشون فقط یکی دوتای اینها رو میتونستن همزمان بدن.
برای ارزیابی، بهجای بنچمارکهای عمومی یک Query Complexity Framework تعریف کردن که الگوهای واقعی کوئری مالی رو پوشش میده: فیلتر روی ستونهای high-cardinality، تجمیع (GROUP BY) سنگین، جوین روی بیش از سه جدول، عملیات pivot و پیمایش سلسلهمراتبی. دو کاندیدای OLAP یعنی StarRocks و ClickHouse رو روی زیرساخت یکسان تست کردن.
خلاصهٔ کاملتر این خبر رو میتونی با داشتن اشتراک ویژه بخونی!
اشتراک رایگان
- دسترسی به خلاصهٔ کوتاه خبر
- ارسال اخبار مورد علاقه به ایمیل شما
- ارسال اخبار مورد علاقه به تلگرام شما
- دسترسی به خلاصهٔ کامل/اختصاصی خبر + نکات کلیدی مقاله
- عدم نمایش تبلیغات
اشتراک ویژه
- دسترسی به خلاصهٔ کوتاه خبر
- ارسال اخبار مورد علاقه به ایمیل شما
- ارسال اخبار مورد علاقه به تلگرام شما
- دسترسی به خلاصهٔ کامل/اختصاصی خبر + نکات کلیدی مقاله
- عدم نمایش تبلیغات




