至顶网CIO与应用频道 11月22日 北京消息:腾讯云今日宣布新一代自研云原生数据库CynosDB正式发布。这是业界第一款全面兼容市面上两大最主流的开源数据库MySQL和PostgreSQL的高性能企业级分布式云数据库。
作为腾讯云在产品矩阵上的重量级布局,CynosDB融合了传统数据库、云计算和新硬件的优势,支持无限量存储、百万级查询和秒级的故障恢复,与高性能形成对比的是,CynosDB价格仅为市面上商业数据库的1/15。
“CynosDB的推出对于丰富腾讯云数据库产品矩阵,提升腾讯云的产品技术能力具有里程碑的意义,同时,良好的兼容特性和极致性价比,将大大推进企业的‘上云’进程。”腾讯云数据库产品总监祝百万表示。
完美支持企业无缝“上云”
目前,越来越多的企业正在通过上“云”实现数字化升级,Gartner 预测,到2023年,世界上3/4的数据库都会跑在云上。不过在这个过程中,传统数据库与云端数据库不一样的产品架构,给上云带来了很高的门槛。
CynosDB在产品架构上完全兼容开源数据库引擎接口,是国内首家兼容MySQL5.7和全球第一个兼容PostgreSQL10的云数据库产品。在世界范围内,MySQL和PostgreSQL是市面上最主流的两大数据库产品,因此,CynosDB完美的兼容性,让企业几乎无需更改代码,就可以轻松实现无缝“上云”。
此外,企业使用传统架构还面临数据回档慢、故障恢复慢、维护成本高、纵向扩展弱、资源利用利用率低等问题。
腾讯云技术团队对数据库内核深度定制,总共进行了近60多项优化。为了提升系统可用性,CynosDB以软件优化与新硬件结合为理念,采用了先进的计算和存储分离架构,同时实现了计算无节点状态,支持秒级故障切换和恢复,数据备份时间缩短到60秒之内,速度提升了180倍。
在此基础上,CynosDB可以达到单节点130万QPS读性能,超过业内目前最高100万QPS水平,全面领先国内其他同类产品。强悍的性能可以满足企业在高并发、高性能场景下的上云需求,保证关键业务的连续性。
企业“上云”成本将更低
得益于极简的设计理念,CynosDB既支持普通的网络和硬件设备,又能够最大程度释放硬件性能红利。同时,灵活的扩展功能和购买方式,减少了用户在计算和存储资源上的浪费,综合下来,CynosDB和同样高性能的传统商业数据库相比,价格只相当于它的1/15。
CynosDB在技术层面的多项创新,让其具备真正的公有云原生数据库高性价比、高可用性以及弹性扩展等诸多优势,助力企业大幅降低“上云”成本。
比如,采用“日志即数据库”技术方案,可以最大限度的减少网络数据输入/输出(IO)。该技术将日志转换为记录以及数据页的操作“下推”到存储层完成,将网络IO减到最少,从而大幅度降低使用流量。
自研的用户态分布式文件系统,减少了操作系统上下文切换以及数据在用户态和内核态之间拷贝引起的性能损耗,进一步优化了关键路径的系统性能,降低请求延迟,同时大幅度降低CPU使用率,为企业后期业务扩展留下空间。
另外,CynosDB 的“可计算智能存储”进一步满足企业的实际应用场景,让企业按实际使用量计费,自动扩缩容。在降低企业开支的同时,轻松应对突发的业务规模变化。
为“高性能”应用场景而生
CynosDB极致的性能,以及对于主流开源数据库的兼容,使其成为众多高性能企业应用“上云”的最佳选择。以传统企业来说,如何快速平滑、低成本“上云”,成为企业在选择云供应商时最主要的考虑因素之一,CynosDB在兼容和性能方面的优势可以轻松满足企业关键业务的“上云”需求。
另外,CynosDB敏捷、灵活的部署能力也是互联网和游戏行业的最佳选择。由于互联网和游戏行业先天拥有高并发和高性能要求,这类企业在选择数据库过程中要求极高。由于具备快速弹性升级、海量数据存储等优势,CynosDB在这些场景下的独特优势,可轻松帮助用户应对业务高峰,加速企业业务创新。
好文章,需要你的鼓励
TAE Technologies在最新一轮投资中获1.5亿美元,累计融资约18亿美元。公司利用 AI 技术优化融合反应堆设计,目标于 2030 年代商业化发电,谷歌等巨头均参与合作。
这项来自KU Leuven、中科大和上海Memory Tensor公司的研究探索了如何利用拼图游戏训练多模态大型语言模型的视觉推理能力。研究发现,现有模型在未经训练时表现近似随机猜测,但通过强化学习能达到近乎完美的准确率并泛化到更复杂的拼图配置。有趣的是,模型能否有效学习与是否包含明确推理过程无关,且复杂推理模式是预先存在而非突然出现的。此外,研究证明强化学习在泛化能力上优于监督微调,挑战了传统的模型训练范式。这些发现不仅揭示了AI视觉理解的机制,还为未来多模态模型研发提供了重要参考。
Nvidia 正在全球数据中心推广 AI 芯片,其最新 Blackwell 架构在 MLPerf 基准测试中获得最高性能,大幅加速下一代 AI 应用的训练与部署。
这项研究提出了LoHoVLA,一种用于长时序实体任务的统一视觉-语言-动作模型,融合了高层任务规划和低层动作控制功能。与传统方法不同,它利用单一预训练视觉语言模型同时生成语言子任务和机器人动作,并采用分层闭环控制机制增强鲁棒性。研究团队构建了包含20个长时序任务的LoHoSet数据集,实验结果显示LoHoVLA在Ravens模拟器中显著优于现有方法,展现出统一架构在实现可泛化实体智能方面的潜力。