随着数据量爆炸性的增长，数据库类产品创新层出不穷，为了更好的做技术选型参考，笔者对国内主流8种数据库进行了TPC-H（数据分析）性能评测，被测试的数据库包括：MySQL、PostgreSQL、Oracle、达梦、ClickHouse、Doris、Starrocks、DuckDB。

测试方法

TPC-H：国际数据库标准测试组织TPC推出的面向决策支持系统的数据库方法，主要用于数据分析场景性能评测，TPC-H总共需要运行22条数据分析型SQL。本次测试属于TPC-H自由测试，仅测试查询SQL，没有执行更新和事务。

数据集：TPC-H v3.0.1测试数据集，200GB（非报告标准size）。

计时方法：统计每条SQL执行时间，全部累加。设置SQL最长执行时间为300秒(5分钟)，如果执行出错或者超时，则本条SQL时间按600秒计算。

测试硬件

为了公平起见，本次TPC-H测试使用了完全相同的硬件，所有产品都是单机部署，重点是测试各个产品的单机处理能力。

1台阿里云ECSi4r.4xlarge

• 处理器：16核2.7 GHz主频的Intel (?) Xeon (?) 可扩展处理器（Ice Lake ），
• 内存：128GB
• 硬盘：1块本地Nvme SSD，空间894GB
• 操作系统：CentOS7.9

测试结论

接下来详细描述TPC-H测试方法和8种数据库的测试成绩

TPC-H数据模型简介

TPC-H主要模拟供应商和采购商之间的订单交易，模型总共8张表

• region：区域表，固定5条记录
• nation：国家表，固定25条记录
• supplier：供应商表，数据量因子*10000条记录
• customer：客户表，数据量因子*150000条记录
• part：商品表，数据量因子*200000条记录
• partsupp：供应商物件表：数据量因子*800000条记录
• orders：订单表，数据量因子*1500000条记录
• lineitem：订单明细表，数据量因子*6000000条记录（最大的表，占总数据率70%）

TPC-H测试的数据量大小可以任意指定，本次测试采用了200GB的规模，最大的lineitem表数据量约12亿条(200*6000000)。

模型建表

以下是MySQL语法参考，其他数据库可以根据语法修改

create database tpch;
use tpch;


CREATE TABLE `customer` (
  `c_custkey` int(11) NOT NULL,
  `c_name` varchar(25) NOT NULL,
  `c_address` varchar(40) NOT NULL,
  `c_nationkey` int(11) NOT NULL,
  `c_phone` varchar(15) NOT NULL,
  `c_acctbal` decimal(15,2) NOT NULL,
  `c_mktsegment` varchar(10) NOT NULL,
  `c_comment` varchar(117) NOT NULL,
  PRIMARY KEY (`c_custkey`)
) ENGINE=InnoDB DEFAULT CHARSET=latin1;
CREATE TABLE `lineitem` (
  `l_orderkey` bigint(20) NOT NULL,
  `l_partkey` int(11) NOT NULL,
  `l_suppkey` int(11) NOT NULL,
  `l_linenumber` bigint(20) NOT NULL,
  `l_quantity` decimal(15,2) NOT NULL,
  `l_extendedprice` decimal(15,2) NOT NULL,
  `l_discount` decimal(15,2) NOT NULL,
  `l_tax` decimal(15,2) NOT NULL,
  `l_returnflag` varchar(1) NOT NULL,
  `l_linestatus` varchar(1) NOT NULL,
  `l_shipdate` date NOT NULL,
  `l_commitdate` date NOT NULL,
  `l_receiptdate` date NOT NULL,
  `l_shipinstruct` varchar(25) NOT NULL,
  `l_shipmode` varchar(10) NOT NULL,
  `l_comment` varchar(44) NOT NULL,
  PRIMARY KEY (`l_orderkey`,`l_linenumber`)
) ENGINE=InnoDB DEFAULT CHARSET=latin1;
CREATE TABLE `orders` (
  `o_orderkey` bigint(20) NOT NULL,
  `o_custkey` int(11) NOT NULL,
  `o_orderstatus` varchar(1) NOT NULL,
  `o_totalprice` decimal(15,2) NOT NULL,
  `o_orderdate` date NOT NULL,
  `o_orderpriority` varchar(15) NOT NULL,
  `o_clerk` varchar(15) NOT NULL,
  `o_shippriority` bigint(20) NOT NULL,
  `o_comment` varchar(79) NOT NULL,
  PRIMARY KEY (`O_ORDERKEY`)
) ENGINE=InnoDB DEFAULT CHARSET=latin1;
CREATE TABLE `part` (
  `p_partkey` int(11) NOT NULL,
  `p_name` varchar(55) NOT NULL,
  `p_mfgr` varchar(25) NOT NULL,
  `p_brand` varchar(10) NOT NULL,
  `p_type` varchar(25) NOT NULL,
  `p_size` int(11) NOT NULL,
  `p_container` varchar(10) NOT NULL,
  `p_retailprice` decimal(15,2) NOT NULL,
  `p_comment` varchar(23) NOT NULL,
  PRIMARY KEY (`p_partkey`)
) ENGINE=InnoDB DEFAULT CHARSET=latin1 ;
CREATE TABLE `partsupp` (
  `ps_partkey` int(11) NOT NULL,
  `ps_suppkey` int(11) NOT NULL,
  `ps_availqty` int(11) NOT NULL,
  `ps_supplycost` decimal(15,2) NOT NULL,
  `ps_comment` varchar(199) NOT NULL,
  KEY `IDX_PARTSUPP_SUPPKEY` (`PS_SUPPKEY`),
  PRIMARY KEY (`ps_partkey`,`ps_suppkey`)
) ENGINE=InnoDB DEFAULT CHARSET=latin1;
CREATE TABLE `supplier` (
  `s_suppkey` int(11) NOT NULL,
  `s_name` varchar(25) NOT NULL,
  `s_address` varchar(40) NOT NULL,
  `s_nationkey` int(11) NOT NULL,
  `s_phone` varchar(15) NOT NULL,
  `s_acctbal` decimal(15,2) NOT NULL,
  `s_comment` varchar(101) NOT NULL,
  PRIMARY KEY (`s_suppkey`)
) ENGINE=InnoDB DEFAULT CHARSET=latin1;
CREATE TABLE `nation` (
  `n_nationkey` int(11) NOT NULL,
  `n_name` varchar(25) NOT NULL,
  `n_regionkey` int(11) NOT NULL,
  `n_comment` varchar(152) DEFAULT NULL,
  PRIMARY KEY (`n_nationkey`)
) ENGINE=InnoDB DEFAULT CHARSET=latin1;
CREATE TABLE `region` (
  `r_regionkey` int(11) NOT NULL,
  `r_name` varchar(25) NOT NULL,
  `r_comment` varchar(152) DEFAULT NULL,
  PRIMARY KEY (`r_regionkey`)
) ENGINE=InnoDB DEFAULT CHARSET=latin1;

TPC-H 评测SQL简介

TPC-H标准共有22条查询SQL，主要考验数据库的如下数据分析能力：

• 多表Join
• 子查询
• 分组汇总（Group By，SUM）
• 过滤计算（like模糊查询,Case when等）
• 视图关联查询

以TPC-H第21号SQL举例，一条SQL包括了多表关联、子查询、Group by、Order By几种数据分析中常见的运算：

#TPC-H 21号SQL
select
    s_name,
    count(*) as numwait
from
    supplier,
    lineitem l1,
    orders,
    nation
where
    s_suppkey = l1.l_suppkey
    and o_orderkey = l1.l_orderkey
    and o_orderstatus = 'F'
    and l1.l_receiptdate > l1.l_commitdate
    and exists (
        select
            *
        from
            lineitem l2
        where
            l2.l_orderkey = l1.l_orderkey
            and l2.l_suppkey <> l1.l_suppkey
    )
    and not exists (
        select
            *
        from
            lineitem l3
        where
            l3.l_orderkey = l1.l_orderkey
            and l3.l_suppkey <> l1.l_suppkey
            and l3.l_receiptdate > l3.l_commitdate
    )
    and s_nationkey = n_nationkey
    and n_name = 'RUSSIA'
group by
    s_name
order by
    numwait desc,
    s_name;

tpc-h完整的22条sql可以参考dbgen工具包内容，不同的数据库需要根据语法特性微调。

测试数据生成

TPC-H官方提供了测试数据集构建标准程序，下载地址，下载后可以直接编译运行

https://www.tpc.org/TPC_Documents_Current_Versions/download_programs/tools-download-request5.asp?bm_type=TPC-H&bm_vers=3.0.1&mode=CURRENT-ONLY

cd dbgen
#从模版中创建编译需要用的makefile
cp makefile.suit makefile

配置makefile内容

CC=gcc，DATABASE=ORACLE,MACHINE=LINUX,WORKLOAD=TPCH，具体参考如下：

## CHANGE NAME OF ANSI COMPILER HERE
################
CC      = gcc
# Current values for DATABASE are: INFORMIX, DB2, TDAT (Teradata)
#                                  SQLSERVER, SYBASE, ORACLE, VECTORWISE
# Current values for MACHINE are:  ATT, DOS, HP, IBM, ICL, MVS, 
#                                  SGI, SUN, U2200, VMS, LINUX, WIN32 
# Current values for WORKLOAD are:  TPCH
DATABASE=ORACLE     
MACHINE = LINUX         
WORKLOAD = TPCH

# 执行编译，生成dbgen可以执行文件
make

接下来可以用dbgen生成测试数据集，dbgen有非常多的参数，可以根据需要灵活使用，如果是100GB以内的小数据量，可以直接单线程一键生成

# -s后面跟上数据集大小，单位是GB
./dbgen -s 100

dbgen执行完成后，在目录下会产生以下数据文件，都是csv格式，字段间分隔符是"|"

customer.tbl
nation.tbl
region.tbl
supplier.tbl
part.tbl
partsupp.tbl
lineitem.tbl
orders.tbl

如果超过100GB的数据量，建议几个大表并行生成数据，尤其是订单和明细表 orders,lineitem这个两个大表，如下：-T 表示单独生成某个表的数据，-C表示计划分割为几个文件，-S表示当前生成第几份数据，通过分割文件可以并行生成数据，提升效率，后面导入到数据库也可以直接并行加速。

./dbgen -s 200 -T o -C 10 -S 1 &
./dbgen -s 200 -T o -C 10 -S 2 &
./dbgen -s 200 -T o -C 10 -S 3 &
./dbgen -s 200 -T o -C 10 -S 4 &
./dbgen -s 200 -T o -C 10 -S 5 &
./dbgen -s 200 -T o -C 10 -S 6 &
./dbgen -s 200 -T o -C 10 -S 7 &
./dbgen -s 200 -T o -C 10 -S 8 &
./dbgen -s 200 -T o -C 10 -S 9 &
./dbgen -s 200 -T o -C 10 -S 10 &

以下是各种数据库的测试明细

MySQLv8.0.32

导入数据

# 为了优化导入性能，可以做以下优化，都是危险操作，千万不要在生产数据库操作。

1. 关闭Binlog
2. 关闭REDO_LOG
3. 关闭Double Write

使用mysql的load data指令导入数据

load data local infile '/data/tpch3/dbgen/customer.tbl' into table customer fields terminated by '|';
load data local infile '/data/tpch3/dbgen/lineitem.tbl' into table lineitem fields terminated by '|';
load data local infile '/data/tpch3/dbgen/nation.tbl' into table nation fields terminated by '|';
load data local infile '/data/tpch3/dbgen/orders.tbl' into table orders fields terminated by '|';
load data local infile '/data/tpch3/dbgen/partsupp.tbl' into table partsupp fields terminated by '|';
load data local infile '/data/tpch3/dbgen/part.tbl' into table part fields terminated by '|';
load data local infile '/data/tpch3/dbgen/region.tbl' into table region fields terminated by '|';
load data local infile '/data/tpch3/dbgen/supplier.tbl' into table supplier fields terminated by '|';

执行TPC-H SQL（操作省略）

确实是小试牛刀，MySQL根本不适合TPC-H，即使设置了并行查询，但是只有在比较简单的单表SQL查询中可以，加上group by或者join后基本都只能是单线程操作，MySQL最后只完成了Q2，其他21条SQL都查询超时

总结：这个成绩真惨不忍睹，如果你要把MySQL用于查询分析，那基本是死翘翘。

PostgreSQL v15.7

功能最强大的开源关系型数据库PostgreSQL，看看是否能完成任务。

PostgreSQL可以采用copy导入csv文件，语法如下：

COPY customer FROM '/data/tpch3/dbgen/customer.tbl' delimiter '|' ;

需要注意的是TPC-H dbgen生成的csv格式最后多了一个"|"，PostgreSQL COPY无法直接导入，可以在TPCH所有表增加一个临时的字段，或者用shell脚本批量把最后的"|"去除，类似下面的脚本

for i in `ls *.tbl`; do sed 's/|$//' $i > ${i/tbl/csv}; done

#大表设置并行
alter table LINEITEM set (parallel_workers=16);
alter table ORDERS set (parallel_workers=16);
alter table PARTSUPP set (parallel_workers=16);
alter table PART set (parallel_workers=16);


#关闭表autovacuum
ALTER TABLE LINEITEM SET (autovacuum_enabled = off);
ALTER TABLE ORDERS SET (autovacuum_enabled = off);
ALTER TABLE PARTSUPP SET (autovacuum_enabled = off);
ALTER TABLE PART SET (autovacuum_enabled = off);
ALTER TABLE CUSTOMER SET (autovacuum_enabled = off);
ALTER TABLE SUPPLIER SET (autovacuum_enabled = off);

执行结果

总结：22条SQL，PostgreSQL执行成功19条，有3条SQL执行超时，比MySQL好了很多，对于一些HTAP场景，可以满足基本需求，超时的3条SQL都是有3张以上表的Join，PostgreSQL在并行查询性能方面算法还有待提升。

Oracle19c

老牌商业数据库，本次测试的是普通Oracle19c，没有使用Exadata，因此只使用行存模式。

#软件从官方下载
https://www.oracle.com/database/technologies/oracle-database-software-downloads.html


#安装手册
https://docs.oracle.com/en/database/oracle/oracle-database/19/ladbi/running-rpm-packages-to-install-oracle-database.html

#设置表不记录log，可以加速导入
alter table lineitem NOLOGGING;
alter table partsupp NOLOGGING;
alter table orders NOLOGGING;
alter table part NOLOGGING;

导入csv数据可以使用Oracle自带的sqlldr工具

sqlldr userid=test/test@ORCLPDB1 control=load_tpch_customer.ctl rows=1000000 bindsize=20971520 direct=true

load_tpch_customer.ctl文件示例

LOAD DATA INFILE 'customer.tbl'   INTO TABLE customer TRAILING NULLCOLS (
    C_CUSTKEY       terminated by '|',
    C_NAME          terminated by '|',
    C_ADDRESS       terminated by '|',
    C_NATIONKEY     terminated by '|',
    C_PHONE         terminated by '|',
    C_ACCTBAL       terminated by '|',
    C_MKTSEGMENT    terminated by '|',
    C_COMMENT       terminated by '|'
)

#设置大表开启并行查询
alter table LINEITEM parallel(degree 16);
alter table PART parallel(degree 4);
alter table CUSTOMER parallel(degree 4);
alter table ORDERS parallel(degree 4);
alter table PARTSUPP parallel(degree 4);


#收集表统计信息，数据导入完毕后执行
EXEC DBMS_STATS.GATHER_TABLE_STATS(ownname=> 'TEST',tabname=> 'LINEITEM',estimate_percent=>0.1,block_sample=> TRUE, method_opt=> 'FOR ALL COLUMNS SIZE AUTO');
EXEC DBMS_STATS.GATHER_TABLE_STATS(ownname=> 'TEST',tabname=> 'PART',estimate_percent=>1,block_sample=> TRUE, method_opt=> 'FOR ALL COLUMNS SIZE AUTO');
EXEC DBMS_STATS.GATHER_TABLE_STATS(ownname=> 'TEST',tabname=> 'SUPPLIER',estimate_percent=>1,block_sample=> TRUE, method_opt=> 'FOR ALL COLUMNS SIZE AUTO');
EXEC DBMS_STATS.GATHER_TABLE_STATS(ownname=> 'TEST',tabname=> 'PARTSUPP',estimate_percent=>1,block_sample=> TRUE, method_opt=> 'FOR ALL COLUMNS SIZE AUTO');
EXEC DBMS_STATS.GATHER_TABLE_STATS(ownname=> 'TEST',tabname=> 'CUSTOMER',estimate_percent=>1,block_sample=> TRUE, method_opt=> 'FOR ALL COLUMNS SIZE AUTO');
EXEC DBMS_STATS.GATHER_TABLE_STATS(ownname=> 'TEST',tabname=> 'ORDERS',estimate_percent=>1,block_sample=> TRUE, method_opt=> 'FOR ALL COLUMNS SIZE AUTO');
EXEC DBMS_STATS.GATHER_TABLE_STATS(ownname=> 'TEST',tabname=> 'NATION',estimate_percent=>1,block_sample=> TRUE, method_opt=> 'FOR ALL COLUMNS SIZE AUTO');
EXEC DBMS_STATS.GATHER_TABLE_STATS(ownname=> 'TEST',tabname=> 'REGION',estimate_percent=>1,block_sample=> TRUE, method_opt=> 'FOR ALL COLUMNS SIZE AUTO');

执行结果

总结：Oracle19c完成了所有任务，性能中等，Join表现很稳定，不会出现内存不足的现象。由于Oracle列存压缩仅在Exadata支持，本次使用的是行存模式，并不能展现出Oracle的最强能力。Oracle在大表扫描方面使用并行全表查询，硬盘性能大约3GB/s，因此需要全表访问大表lineitem（140GB）的任务，基本都是50秒以上。

达梦8 v20240408

达梦是老牌国产数据库，超过20年历史，以Oracle兼容性著称

达梦8安装安装比较方便，可以在官网直接下（https://www.dameng.com），根据安装文档一步一步安装即可

可以自带的dmfldr工具导入csv数据，语法和Oracle的sqlldr类似

./dmfldr userid=TEST/Dameng_123:5236 control=\'load_tpch_customer.ctl\' direct=true

#load_tpch_customer.ctl 文件示例

LOAD DATA INFILE 'customer.tbl' INTO TABLE customer (
    C_CUSTKEY       terminated by '|',
    C_NAME          terminated by '|',
    C_ADDRESS       terminated by '|',
    C_NATIONKEY     terminated by '|',
    C_PHONE         terminated by '|',
    C_ACCTBAL       terminated by '|',
    C_MKTSEGMENT    terminated by '|',
    C_COMMENT       terminated by '|'
)

#设置并行
SP_SET_PARA_VALUE (1,'MAX_PARALLEL_DEGREE',16);

执行结果

总结：22条SQL，达梦执行成功11条，另外11条SQL执行超时或出错，超时或出差的11条SQL都是有3张以上表的Join，达梦在Hash Join的内存管理方面欠佳，即使设置了内存大小，但还是很容易报全局内存不足。

ClickHousev2024.04

ClickHouse是非常流行的开源列式数据仓库，由俄罗斯Yandex公司研发，目前是ClickHouse公司在推动发展。ClickHouse以惊人的单表查询能力著称，很好的弥补了大数据平台OLAP交互式分析能力。

由于ClickHouse并不能执行标准TPC-H的SQL语法，所以需要在查询语法上做一些修改，具体参考如下文章

https://www.cnblogs.com/syw20170419/p/16421131.html

ClickHouse数据导入非常简单，可以直接使用Insert into table from infile语法，如下所示

SET format_csv_delimiter = '|'；
INSERT INTO customer from infile  '/data/tpch3/dbgen/customer.tbl' FORMAT CSV;

执行结果：

总结：ClickHouse数据导入非常快，单线程可以到达300MB/s，总共完成20个任务，2个任务失败，单表查询表现出了优秀的性能力，两表Join以上性能急剧下滑，复杂查询容易出现内存不足而运行出错。ClickHouse有众多的使用者，遇到普通问题在网上都可以找到解决方案。

Doris 2.1.2

Apache Doris 是一款基于 MPP 架构的高性能、实时的分析型数据库。

Apache Doris 最早是诞生于百度广告报表业务的 Palo 项目，2017 年正式对外开源，2018 年 7 月由百度捐赠给 Apache 基金会进行孵化，之后在 Apache 导师的指导下由孵化器项目管理委员会成员进行孵化和运营。2022 年 6 月，Apache Doris 成功从 Apache 孵化器毕业，正式成为 Apache 顶级项目（Top-Level Project，TLP）。目前 Apache Doris 社区已经聚集了来自不同行业数百家企业的 600 余位贡献者，并且每月活跃贡献者人数也超过 120 位。

Doris 采用 MySQL 协议，高度兼容 MySQL 语法，整体上是FE（前端节点）+BE（后端计算与数据存储节点）的MPP架构，如下图所示。

doris可以使用stream load的模式导入csv数据，性能可以达到200MB/s

curl  --location-trusted -u admin:admin -T /data/tpch3/dbgen/customer.tbl -H "column_separator:|" -H "columns: c_custkey, c_name, c_address, c_nationkey, c_phone, c_acctbal, c_mktsegment, c_comment, temp" http://127.0.0.1:8030/api/tpch200/customer/_stream_load
#如果导入的csv文件很大，可以先设置最大导入的文件大小
curl -X POST http://127.0.0.1:8030/api/update_config?streaming_load_max_mb=10240

执行结果：

总结：Doris数据导入非常快，并且轻松完成了所有任务，本次测试内存128GB，Doris导入列式压缩后实际空间大约60GB，因此大部分请求都是在内存中可以计算完成，如果数据量更大，Doris可能会发生内存不足的现象。

Starrocks

Starrocks与Doris在早期是同一个内核引擎，也是FE+BE的架构，现在已经是独立开源产品演进。Starrocks最新版本支持存储计算完全分离的架构，可以把数据存储在S3、HDFS、MinIO等共享对象存储上，通过增加无数据的CN节点完成计算扩展，如下图所示。

本次测试采用单机FE+BE架构部署

starrocks操作与doris基本一致，可以使用stream load的模式导入csv数据，性能可以达到200MB/s

curl  --location-trusted -u admin:admin -T /data/tpch3/dbgen/customer.tbl -H "column_separator:|" -H "columns: c_custkey, c_name, c_address, c_nationkey, c_phone, c_acctbal, c_mktsegment, c_comment, temp" http://127.0.0.1:8030/api/tpch200/customer/_stream_load

执行结果：

总结：Starrocks数据导入非常快，并且轻松完成了所有任务。

DuckDB（0.10.2）

DuckDB是2019年荷兰人发布的一个高性能的嵌入式开源分析性数据，它的定位类似面向OLAP的SQLite，非常轻巧，不需要安装，可以嵌入到多种语言中。比如在java中，只需要引入duckdb的jar包，就可以在代码里创建一个本地文件存储的duckdb数据仓库。DuckDB性能非常出色，本次测试中表现非常亮眼，一个仅15MB的小型嵌入式数据库达到了大型MPP系统的性能。

duckdb在tpc-h和tpc-ds方面都附加的插件，可以直接使用，非常方便

https://duckdb.org/docs/extensions/tpch

#安装tpch插件
INSTALL tpch;


#加载插件
LOAD tpch;


#生成200GB数据
CALL dbgen(sf = 200);


#运行具体的TPC-H任务
PRAGMA tpch(1);
PRAGMA tpch(2);
...
PRAGMA tpch(22);

使用默认的tpc-h生成数据比较慢，也可以使用COPY语法导入使用TPC-H官方工具生成的数据，不需要知道分隔符，duckdb默认会自动识别CSV的格式，非常方便。

COPY customer FROM '/data/tpch3/dbgen/customer.tbl';

执行结果：

总结：整体表现非常优秀，轻松完成了所有任务，作为一个后起新秀，嵌入式的OLAP数据库，表现非常出色，如果数据库可以在单机内管理，duckdb是非常有竞争力的产品。

总结

从测试结果看：

• Starrocks、Doris、DuckDB是目前OLAP引擎中第一梯队，可以轻松处理TPC-H的任务。
• ClickHouse是非常流行的开源数据仓库，在单表查询方面比较强，但是多表关联计算能力容易较弱，并且容易发生内存不足现象。
• MySQL、PostgreSQL、达梦数据库主要还是面向OLTP场景，在本次TPC-H测试中表现欠佳。
• Oracle作为老牌数据库，测试中表现非常稳定，数据量在增加也不会出现内存不足的现象，但是由于行式存储引擎的缺陷，在性能上与列式存储引擎有巨大的差距，更适合复杂的HTAP场景。

为了公平起见，本次TPC-H测试使用了完全相同的硬件，所有产品都是单机部署，重点是测试各个产品的单机处理能力，没有测试Starrocks、Doris、ClickHouse这些MPP产品的分布式处理能力。计划在未来的工作中继续完善。

关于作者

叶正盛，NineData 创始人 &CEO，资深数据库专家，原阿里云数据库产品管理与解决方案部总经理。NineData（www.ninedata.cloud）是云原生数据管理平台，提供数据库 DevOps（SQL IDE、SQL 审核与发布、性能优化、数据安全管控）、数据复制（迁移、同步、ETL）、备份等功能，可以帮助用户更安全、高效使用数据。

原文链接：
https://mp.weixin.qq.com/s/s4QLlNVY87ue39e_ACQjOQ