ZDNet至顶网软件频道消息:甲骨文星期二推出了期待已久的内存数据库技术,这也标志着甲骨文正式进入内存数据库市场。众所周知,内存数据库技术拼的是速度和近乎即时的数据检索。
在美国甲骨文总部举行的一个活动上,甲骨文首席执行官拉里·埃里森表示,甲骨文的新型“内存列存储”(In-memory column store)技术可以令运行数据库查询和分析速度比过去快100至1000倍。此技术可以与甲骨文的12c数据库配合使用。
埃里森表示,由于使用了内存技术,一个CPU内核可以每秒钟扫描甲骨文12c数据库里的25亿行。
甲骨文正加大力度利用此技术整固旗下的应用程序。甲骨文JD Edwards一款供客户使用的管理应用程序用了内存技术,性能飙升,让人大开眼界。
埃里森称,12c数据库处理一千万行发票数据所需要的时间从244分钟减少到4秒,他说甲骨文的内存技术在进行查询和分析时速度之快,居然令有些客户在beta测试中错误地认为他们的数据库出了“毛病”。
据埃利森称,更佳的性能意味着甲骨文客户处理业务时的速度比过去要快得多。他表示,“由于这些科学技术上的变化,企业现在可以从不同的角度去思考企业的运作。他们现在可以在瞬时之间获得信息。”
甲骨文进入内存数据库领域的时间有些晚,市场上的产品——如SAP HANA和HP Vertica——已经成熟。埃里森说甲骨文用了较长时间的一个原因是,甲骨文希望客户能够在不改变现存应用程序的情况下使用内存数据库技术。
埃利森在谈论甲骨文内存数据库技术时表示,“客户的SQL无需改变即可以运行,没有必要卸载数据,没有必要重读数据——一切如常工作。”
埃里森称,甲骨文还希望解决一些内存数据库领域里尚未被征服的挑战性问题。其中的一个例子是网上交易的处理。他表示,内存数据库技术一般情况下是力求更快地执行数据库查询和分析,但市场上现有产品用到的内存数据库技术是不可以扩展到网上交易的处理。
埃里森指,网上交易数据存储是行格式时运行时速度更快,而做分析时,数据存储是列格式时运行速度更快。甲骨文12c数据库同时用行格式和列格式存储行数据,因此,处理网上交易时运行的速度比以前的甲骨文数据库快一倍。
他还指出,现有内存数据库的另一个问题是,这些内存数据库不适合大规模使用。甲骨文着手解决这个挑战性的问题,研究出一个名为“真实应用集群”(Real Application Clusters)的技术,这种技术将数据跨越存储在多个集群节点里,因而可以利用许多不同机器的内存优势。
埃里森表示,甲骨文尚拥有另一个竞争优势,使用甲骨文12c数据库的客户无需将所有数据载入数据库里即可以工作,只需将常用的数据存在内存里以便更快的访问,其他数据可以存在闪存和硬盘里。
埃里森称,配有内存技术的12c数据库的分层结构可以自动管理对数据的访问。
他接着表示,“这样做经济上比较实惠,原因是你不一定非得买DRAM来保存数据,你可以拥有一个庞大的数据库,有效地利用闪存的优势。”埃利森还补充说,此技术具有可扩展性,速度很快。
甲骨文宣传时常会说高可用性是甲骨文的另一个大特点。埃里森表示,其他供应商的内存数据库会受到宕机的影响,而甲骨文的内存数据库不会。
他称,甲骨文配有内存技术的12c数据库会在至少两个节点上存储数据副本,其配置“非常类似磁盘镜像技术”。
埃利森表示,“其他内存数据库都不具有容错功能。而甲骨文的12c内存数据库运行时,如果一个节点出了故障,你仍然可以进行操作。”
甲骨文计划下个月面向所有客户发售旗下的内存数据库应用,尽管目前甲骨文还没有公布定价方面的资料。甲骨文合作伙伴网络也在筹划将内存数据库技术纳入“甲骨文数据库12c就绪”的认证计划内。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
浙江大学等高校研究团队开发的VolSplat系统,通过"体素对齐"替代传统"像素对齐"方法,实现了快速高质量的3D场景重建。该技术仅需6张普通照片即可生成精确3D模型,在RealEstate10K等标准数据集上显著超越现有方法,为机器人导航、增强现实、建筑设计等领域提供了新的技术选择,代表了3D重建领域从二维思维向三维思维的重要转变。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
武汉大学团队与字节跳动公司合作,提出MAPO混合优势策略优化方法,解决AI训练中的"一刀切"问题。该方法能根据问题难度动态调整评分策略,避免传统方法中的优势反转和优势镜像问题。通过轨迹确定性判断和权重动态调整,在几何推理和情感识别任务上都取得显著提升,为AI自适应学习提供新思路。