SIGMOD會議位列數據庫方向的三大頂級會議之首（其次是VLDB及ICDE）。2019 SIGMOD于6月30日至7月5日在荷蘭阿姆斯特丹舉辦。本文由OceanBase團隊為讀者帶來最權威、最前沿的大會獨家報道。

SIGMOD是數據庫方向排名前三的會議之一(另外兩個是VLDB和ICDE)，2019 SIGMOD于6月30日至7月5日在荷蘭阿姆斯特丹舉行。阿姆斯特丹是一座非常美麗的城市，以郁金香、運河、風車和梵高而聞名。今年的SIGMOD在歐洲舉辦，參加總人數比往年少，而歐洲參加人數比往年多。海洋基地團隊的核心成員也有幸親自參加了這個數據庫的盛大活動。

來自世界各地的與會者聚集在海洋基地展臺前討論技術

隨著SIGMOD每年在全球的舉辦，我們可以感受到OceanBase在中國學者和工程師中的知名度越來越高。很多同學都了解到，OceanBase在很多金融機構都有很多申請案例，甚至歐洲的同學都希望到千里之外的中國來做OceanBase的實習生。我們也越來越感覺到，中國人正在逐漸形成一股在數據庫領域不容忽視的力量。

西格蒙德分為研究會議和工業(yè)會議。其中，Research Session共投稿430篇，錄用88篇，錄用率22%；工業(yè)會議提交了53篇論文，雇用了16篇論文?？偟膩碚f，今年的SIGMOD是很小的一年，很難看到讓人眼前一亮的論文。

最重磅 | 兩大議題：機器學習&區(qū)塊鏈

今年的兩個主題演講是麗莎·格圖爾的“負責任的數據科學”和C·莫漢的“公共和私人區(qū)塊鏈的現(xiàn)狀:神話和現(xiàn)實”。

這兩篇論文與傳統(tǒng)數據庫關系不大。第一個與機器學習有關，一直是SIGMOD近年來的熱點。第二個是區(qū)塊鏈。今年的西格蒙德還專門參加了一個關于區(qū)塊鏈的特別會議。

C.莫漢認為聯(lián)盟鏈大有可為，但觀眾中有人提出了反對的問題，說不要因為公鏈難就回避問題，要潛心研究。

最權威 | 最佳論文/獎項花落誰家

SIGMOD 2019的10年最佳論文(測試時間獎)被授予文章隱私綜合查詢:數據管理中隱私處理的隱私保護數據分析的可擴展平臺。這也符合近兩年互聯(lián)網大數據時代全社會對于隱私保護的關注。谷歌和Facebook等互聯(lián)網巨頭受到了美國和歐洲相關監(jiān)管機構的挑戰(zhàn)。

SIGMOD還有一個獎項叫做系統(tǒng)獎。2015-2018年的贏家分別是Postgres(2015)、monetab(2016)、SQLite(2017)、Hive和Pig(2018)，今年的贏家是Aurora(2019)?？梢娺@些制度在世界范圍內都有影響，我們也期待中國的制度在未來能拿這個獎。

最獨家 | Anastasia榮獲終身成就獎

今年的E.F. Codd創(chuàng)新獎頒給了Anastasia Ailamaki，類似于數據庫研究領域的終身成就獎，表彰為數據庫研究事業(yè)做出重要貢獻的人。

安娜斯塔西婭·艾拉馬基(Anastasia Ailamaki)，EPFL大學教授，威斯康星大學哲學博士，是大衛(wèi)·德威特和馬克·希爾(Mark Hill)的弟子，他們是數據庫和計算機體系結構領域的兩只大牛。她提出了一個非常有趣的話題——架構意識數據管理。

她認為除了可擴展性之外，單線程的極限性能是數據庫實現(xiàn)的一個關鍵點。為此，數據庫的系統(tǒng)架構和編碼設計需要充分考慮計算機架構的特點。1998年，提出了這些方向的課題和研究。但是20年過去了，這方面的工作并沒有改善，相關研究方向的學生越來越少，工程產品的性能也不盡如人意。

每個人對計算機編程的理解是上升而不是下降的，很少有人能夠用該架構實現(xiàn)更好的性能設計和實現(xiàn)。其實這也是我們日常工作中經常思考的問題。實事求是地說，我們今天的系統(tǒng)軟件開發(fā)人員在理解底層架構方面可能缺乏理論知識和實踐經驗，這體現(xiàn)在上層編碼的實現(xiàn)上。

最全面 | 四大研究領域論文全解讀

從廣義上看，高校的學術研究方向，以歐洲(TUM，CWI等)為代表。主要在新硬件、存儲、內存、矢量引擎編譯和執(zhí)行以及數據庫優(yōu)化的傳統(tǒng)方向上做一些工作。開源社區(qū)正在更積極地接受SQL，傳統(tǒng)的商業(yè)數據庫公司正忙于數據庫云化。在這次會議上，微軟提出了三篇關于數據庫云的相關論文。根據Oracle 19c的新功能開發(fā)點，它們都圍繞著云的部署、自動化操作和維護以及數據庫管理而工作?？傮w來說，確實符合當前數據庫研究的趨勢和行業(yè)的發(fā)展現(xiàn)狀。

然而，傳統(tǒng)關系數據庫內核的突破性工作越來越少，許多研究工作是多個領域結合的結果。云數據庫、新硬件、自治數據庫、AI+數據庫、地圖數據庫、今年的新區(qū)塊鏈成為SIGMOD 2019的討論熱點。接下來，從與會者的關注度來看，我們列出了一些會議論文，供讀者參考。

研究領域1:學術數據庫

1.高速緩存無關的高性能相似連接

本文中，Anastasia所描述的面向計算機體系結構的數據庫設計方向，是為了解決在傳統(tǒng)IO界限不再是當前內存數據庫瓶頸的情況下，如何使算法更好地適應L3緩存、CPU寄存器和TLB表的問題。所以相似性連接的問題可以通過緩存不經意的方式解決，比如帶連接(也是實現(xiàn)的帶連接(Oracle 12c)和N路連接等。此外，與大多數僅實現(xiàn)緩存感知的實現(xiàn)相比，該算法被修改以適應已知的緩存大小，從而實現(xiàn)更好的性能。在系統(tǒng)硬件發(fā)生變化或有多個用戶競爭確定可用緩存大小的前提下，該算法也可以在緩存明顯的情況下高效執(zhí)行。

主要貢獻是提出了f(ast)g(energic)f(ORM)希爾伯特曲線連接的方法，充分利用了SIMD和MIMD的能力，實現(xiàn)了高效執(zhí)行。實驗表明，運行時間和緩存缺失都比現(xiàn)有算法好得多。在下一步中，他們計劃在更多的數據庫操作符上使用類似的算法，如k-近鄰和nway-join，以便高效地使用CPU緩存和寄存器，實現(xiàn)最終的算法性能。實際上，本文對于行業(yè)內的數據庫實現(xiàn)是一個很好的工程實踐的例子，相關算法的實現(xiàn)具有很好的參考價值。

2.亥伯龍:構建最大的內存搜索樹

這是繼去年SIGMOD Best Paper之后的又一篇論文，討論了如何通過Trie實現(xiàn)數據庫的索引結構。眾所周知，一般來說，最常見的數據庫索引有B+樹、hash、位圖等。近年來，人們對用Trie實現(xiàn)數據庫索引進行了大量的研究，主要目的是實現(xiàn)效率和內存使用之間的平衡。從效率上來說，既要支持范圍查詢，又要支持點查詢。本文的主要貢獻是通過降低開銷、減少內部碎片和優(yōu)化內存管理的實現(xiàn)，實現(xiàn)了優(yōu)異的點查詢性能和良好的范圍查詢性能，同時與其他類似的實現(xiàn)相比，內存使用量大大減少。這是實現(xiàn)索引結構的又一次有意義的嘗試。

3.為快速RDMA網絡設計分布式基于樹的索引結構

本文介紹了在大集群、大內存的條件下，如何更好地利用這一硬件特性，建立分布式索引，利用RDMA技術來提高分布式場景下的性能。在目前的網絡附加內存(NAM)架構下，集群的總內存非常大，因此在處理如此海量數據的情況下，構建的大量索引需要分布存儲在多臺機器的內存中，因此在傳統(tǒng)的操作方法下，索引的查詢和更新必然會產生額外的網絡開銷。RDMA技術提出已有多年，本文最大的貢獻是針對索引場景，詳細討論了粗粒度、細粒度和混合策略三種索引內部結構設計方法，并利用RDMA方法對各種索引的性能進行了評估。這是一個非常實用的方向，可以在我們分布式數據庫的工程產品實踐中借鑒。新的硬件，尤其是基于高速網絡的遠程高效訪問機制，是對無共享系統(tǒng)架構的一大獎勵。

4.BriskStream:在共享內存多核架構上擴展數據流處理

本文是新加坡國立大學的學生在如何處理大規(guī)模系統(tǒng)中的多核NUMA(非統(tǒng)一內存訪問)體系結構，以便更好地處理流程計算方面所做的一些工作。以甲骨文為代表的傳統(tǒng)數據庫領域是上規(guī)模的重要實踐者，NUMA是上規(guī)模硬件設計的重要設計點。Oracle做了大量的優(yōu)化，保證了多Socket上OLAP查詢的負載均衡，保證了內存的本地訪問，提高了系統(tǒng)的整體性能。在流計算領域，目前這方面的工作不多。

作者提出了一種稱為相對位置感知調度(RLAS)的執(zhí)行優(yōu)化策略，該策略可以真正提升NUMA架構下數百個內核的計算性能，其性能比開源DSPS高出一個數量級。從分布式數據庫系統(tǒng)的角度來看，NUMA也將是未來的一個方向。隨著計算機體系結構的進一步發(fā)展和單機縱向擴展設計的不斷發(fā)展，引入NUMA體系結構可能會變得更加普遍。當時沒有必要用特別高端的硬件CPU架構來設計NUMA感知，很有可能普通PC服務器使用的CPU也會有這樣的架構。如何使代碼在這種架構下表現(xiàn)得更好也是架構感知設計中的一個重要考慮因素。

5.一個可嵌入的分析數據庫

本文是一篇來自CWI數據庫實驗室的演示短文，創(chuàng)意來自SQLite。因為對分析查詢的支持效率不高，所以他們做了一個完整的數據庫系統(tǒng)，沒有特別的創(chuàng)新思路，就是根據各方面現(xiàn)有的成熟理論，搭建了一個有自己的解析器和優(yōu)化器的系統(tǒng)。查詢引擎等。，采用了矢量處理引擎，并進行了一些工程優(yōu)化。同時，他們意識到了Hyper的MVCC思想，并提供了更好的OLTP支持。之所以提到這篇論文，是因為歐洲學術界的學生不應該為了追求創(chuàng)新而創(chuàng)新，而應該構建一個解決實際問題的體系，這是非常值得稱道的。目前，DuckDB可以運行全部22個TPC-H查詢和99個TPC-DS查詢中的97個，項目的學生還在不斷開發(fā)這個系統(tǒng)。

研究領域2:開源數據庫/大數據產品

6.阿帕奇蜂巢:從MapReduce到企業(yè)級大數據倉庫

Apache Hive在項目開始時是一個用于大數據分析的系統(tǒng)。在本文中，Hive轉向了擁抱傳統(tǒng)關系數據庫的思想，這充分證明了技術是為業(yè)務服務的。既然企業(yè)客戶是這個市場的大款，那么企業(yè)客戶需要解決的所有問題和喜歡的解決方案，都是技術解決方案需要考慮的方向。在本文中，Hive進行了以下增強，以更好地滿足企業(yè)數據庫市場的需求，并與傳統(tǒng)數據庫供應商競爭:

1.在1的支持下。SQL和ACID，基于Hive的Metastore做了事務管理器，實現(xiàn)了讀提交隔離；

2.優(yōu)化器技術，不采用自己的實現(xiàn)方案，集成方解石，也是開源生態(tài)的自然選擇。從開發(fā)周期、工作量、生態(tài)維護來看，自行開發(fā)的針對自身系統(tǒng)的優(yōu)化器投入了不少；

3.執(zhí)行引擎優(yōu)化，從MapReduce到Tez的轉換，加入LLAP的支持，可以緩存數據；

4.多數據源支持。我們可以看到Hive想要在企業(yè)市場分一杯羹的野心，但是企業(yè)市場對開源服務的支持和企業(yè)自身技術能力的門檻是非常重要的考慮因素，這個開源產品還有很長的路要走。

7.一個SQL來統(tǒng)治他們所有人——一個有效的和語法上慣用的方法來管理流和表

本文是美國能源部Beam/Flink/方解石和橡樹嶺國家實驗室的貢獻者Apache的幾個頂級開源項目的聯(lián)合項目。從標題中可以看出，主要的建議和工作是使用統(tǒng)一的SQL語言來同時支持當前的時間點關系查詢和流處理查詢。他們建議擴展現(xiàn)有的SQL標準。主要思想是將現(xiàn)有的關系擴展為可以隨時間維度變化的關系，然后引入事件時間處理的語義和流數據時間維度的物化控制。事實上，數據庫領域一直都有關于流關系數據處理的研究，比如OpenCQ、clause、NiagaraCQ系統(tǒng)，這些都獲得了SIGMOD十年獎?，F(xiàn)在做流處理的社區(qū)希望在不改變現(xiàn)有SQL操作符的情況下，通過擴展SQL標準來實現(xiàn)統(tǒng)一處理。這應該是一種有益的嘗試。如果關系數據庫社區(qū)能夠接受這個觀點，我相信未來的關系數據庫產品能夠給客戶帶來更大的價值。

8.基礎數據庫記錄層:多租戶結構化數據存儲

FoundationDB是底層支持事務的分布式鍵值存儲，2015年被蘋果收購用于iCloud存儲服務。收購之前，F(xiàn)oundationDB有一些公開的設計文檔，我借用了這個系統(tǒng)的表組設計。在分布式系統(tǒng)中，經常會發(fā)生同一事務同時操作多個表的情況。例如，一個事務需要同時修改事務基本表和事務擴展信息表?；A數據庫會將這些表放在一個表組中，以避免分布式事務。Google扳手中的表組和實體組解決了類似的問題，但是語法有些不同。本文的記錄層是一個建立在基礎數據庫上的開源庫，它封裝了數據類型、模式、索引、多租戶等功能。

研究領域3:資深商業(yè)數據庫供應商

對于傳統(tǒng)的數據庫廠商來說，近幾年的關鍵詞其實是一片云化。在傳統(tǒng)數據庫市場格局已經基本定型的情況下，數據庫云化是一個重新洗牌市場、重塑新的市場領導者的契機。在過去的6月份，高德納發(fā)表了一份題為“DBMS市場的未來是云”的報告，其中明確斷言未來的數據庫市場將是云的世界。根據Gartner的統(tǒng)計，過去兩年數據庫市場的增長率分別為13%和18.4%(這是過去十年來最快的增長率)，其中68%來自云數據庫市場，其余32%來自用戶本地數據庫服務的增長，更多是由于數據庫價格的上漲和現(xiàn)有系統(tǒng)的升級——換句話說，本地數據庫服務的新增長非常小。

在云數據庫的戰(zhàn)場上，我們既看到了微軟SQL Server這樣的傳統(tǒng)數據庫廠商，也看到了以提供數據庫云服務起家的新市場新貴——亞馬遜AWS。在過去的兩年里，他們兩個在云數據庫市場上表現(xiàn)最引人注目，他們共同貢獻了云數據庫增長份額的75%。與過去相比，數據庫的老霸主甲骨文在向云化轉型的道路上并不那么平坦。雖然其市場份額不斷被分割，但云服務主管托馬斯·庫里安(Thomas Kurian)和其他幾位管理骨干的離開給整個云化進程蒙上了陰影。

這些市場的變化也可以在今年的SIGMOD中看到。比如微軟今年一口氣提交了三篇論文，都是關于云在數據庫上的部署、運維；AWS的極光數據庫因“重新定義云服務環(huán)境下關系數據庫的存儲系統(tǒng)”獲得2019年ACM SIGMOD系統(tǒng)獎。相比之下，甲骨文去年只在SIGMOD上發(fā)表了一篇來自甲骨文實驗室的研究論文，云數據庫的產出并不多(雖然據了解相關研究和工程實施在不斷推進)。

9.蘇格拉底:云中的新服務器

近兩年來，在云數據庫的架構上選擇單機模式+存儲-計算分離是大勢所趨，亞馬遜的Aurora就是一個典型的例子。介紹了存儲計算分離的數據庫服務:蘇格拉底。蘇格拉底是SQL Server的存儲計算分離架構。與本地存儲架構相比，蘇格拉底具有增加存儲容量(4tb = >: 100TB)、提高可用性(99.99% = >: 99.999%)的優(yōu)勢，存儲容量更加靈活。

Aurora是公共云上第一個存儲和計算分離系統(tǒng)，論文發(fā)表在SIGMOD 2017上，名為《亞馬遜aurora:高吞吐量云原生關系數據庫的設計考慮》。極光提出了“日志即數據庫”的設計理念，其中數據庫實例只將重做日志寫到底層存儲，日志回放等操作分散到底層存儲，大大降低了網絡開銷。蘇格拉底在這方面與奧羅拉在原則上是相似的。XLog服務用于存儲日志，頁面服務器用于存儲物理頁面，數據庫計算層將重做日志寫入XLog服務，頁面服務器從XLog服務讀取日志并回放。蘇格拉底的特點是將XLog Service與Page Server分離，整體架構清晰。

值得一提的是，以前版本的SQL Server是一個基于HADR系統(tǒng)的邏輯復制獨立技術庫。顯然，作為一個高度可用的邏輯復制解決方案，HADR無法解決SQL Server作為獨立云數據庫的可擴展性挑戰(zhàn)，這也是蘇格拉底系統(tǒng)的設計目的。與此架構的前身——極光相比，蘇格拉底在概念上似乎鮮有創(chuàng)新，但作為Azure云數據庫產品的重要補充，具有明確的市場價值。

10.微軟Azure數據庫中百萬數據庫的自動索引

索引是關系數據庫最重要的優(yōu)化方法之一，尤其是OLTP場景，因為當涉及到數據庫操作和調優(yōu)時，索引的創(chuàng)建是最重要的問題。關于指數建議的論文有很長的研究歷史。與那些研究論文相比，本文在理論上沒有太大的創(chuàng)新，但作為工程實踐的總結，值得一讀。

作者提出了云數據庫時代自動索引創(chuàng)建面臨的四大挑戰(zhàn):索引創(chuàng)建服務的可擴展性，如何為索引建議生成輸入(如何識別有價值的工作負載)，如何避免優(yōu)化器估計錯誤時的性能回滾，如何盡可能避免影響系統(tǒng)的正常運行。在系統(tǒng)架構上，作者引入了控制平面模塊，在全局層面上對整個索引創(chuàng)建的所有環(huán)節(jié)進行控制、調度、監(jiān)控和管理，我認為這是必要的。隨著云數據庫的應用場景越來越廣泛，用戶也越來越多。如何大規(guī)模地同時管理多個數據庫實例是一個重要的研究方向。我們還會看到，越來越多的數據庫單實例(如index advisor)的功能被抽象到整個云數據庫運行環(huán)境中，數據庫管理平臺和數據庫內核之間的能力邊界需要重新定義。

同時論文還提到了一個重要的經驗，那就是自動創(chuàng)建索引的功能不影響用戶的正常應用是非常重要的。只有不作惡，才能讓更多的用戶放心使用“自動創(chuàng)建索引”的功能，整個功能才能真正大面積推廣，這也是這個項目成功落地的關鍵。

11.人工智能遇到人工智能:利用查詢執(zhí)行來改進索引推薦

和前一篇論文一樣，這篇文章是微軟研究院的，解決了SQL Server的索引推薦問題，但是方法有些不同，感覺有點“一魚多食”。這篇論文可以看作是對前一篇論文的擴展閱讀。正如上一篇文章中提到的，優(yōu)化器在估計成本模型時實際上會犯各種錯誤，這也導致索引的創(chuàng)建可能適得其反，并引入性能回歸。那么有沒有不依賴優(yōu)化器的索引推薦方法呢？本文嘗試用機器學習的方法來判斷“好”指標和“壞”指標。由于測試場景有限，我們不確定這種依賴機器學習算法的推薦方法的通用性。然而，機器學習算法作為優(yōu)化器的補充或替代仍然值得繼續(xù)關注。

12.利用列相關性設計簡潔的二級索引機制

當我們談到甲骨文和微軟時，我們總是提到IBM。相比較而言，IBM似乎并不太關注DB2，C·莫漢把主要精力放在了對區(qū)塊鏈的研究上。而本文來自現(xiàn)代關系數據庫鼻祖System-R的發(fā)源地IBM Almaden實驗室，仍然是傳統(tǒng)數據庫領域的純研究性文章，研究的核心問題也是數據庫用戶關心的問題——索引在空之間的占用率。索引構建是傳統(tǒng)數據庫優(yōu)化的重要手段。隨著數據庫負載的復雜化，創(chuàng)建的索引越來越多，使用的system 空也越來越多，這對用戶來說是一筆不小的開銷。為了解決這個問題，學術界過去提出了幾種不同的優(yōu)化思路。一個方向是選擇和優(yōu)化哪些索引符合用戶'空或存儲預算的約束；還有一種思路是從數據結構上壓縮、剪切索引，使單個索引的空利用率更高。本文作者在這里提供了一個新的思路，就是利用數據庫中經常存在的數據鍵的相關性，即本文中數據之間的“軟依賴”，來集成多個索引的數據存儲。本文的思路是通過一種稱為“TRS樹”的數據結構，建立一定范圍內相關數據的映射，從而減少冗余數據的存儲。由于數據相關性往往是近似的或模糊的，這樣的索引查詢數據往往會有假陽性。因此，最終結果需要在原始表中再次驗證，然后才能返回給用戶。數據庫中的數據關聯(lián)也是一個經常被研究的特性，比如數據關聯(lián)對優(yōu)化器的影響等。本文也為數據關聯(lián)的應用提供了新的思路。

研究領域4:數據庫與其他技術的結合與應用

13.匹配樹:一種數據感知索引結構

Learned Index是AI+System的一個熱門方向，利用AI對實際數據的規(guī)律進行統(tǒng)計，設計出更高效的索引結構。兩年前，Google Jeff Dean團隊提出了一個Learned BTree Index，但是這個結構有一個明顯的缺陷:插入和更新都不友好。試衣樹的想法似乎更有根據。也是一個BTree結構。中間節(jié)點與傳統(tǒng)的BTree相同，但葉節(jié)點不存儲全部數量，只存儲數據段的范圍。如何劃分數據段是通過機器學習統(tǒng)計實現(xiàn)的。

14.具有不透明性的快速通用分布式事務

本文是關于如何通過RDMA新硬件優(yōu)化分布式事務，以實現(xiàn)透明性和可擴展性。在2015年，有一篇相關的論文叫做“不妥協(xié):具有一致性、可用性和性能的分布式事務”，它走得更遠。其中，本文提到了一種利用Marzullo算法實現(xiàn)全局時鐘同步的方法，不依賴原子鐘等硬件，服務器之間的時鐘誤差在6毫秒左右。它與Google扳手系統(tǒng)中的TrueTime有一定的共同點，可以用來實現(xiàn)分布式系統(tǒng)的租用機制。

15.通過分片擴展區(qū)塊鏈系統(tǒng)

區(qū)塊鏈的一個大問題在于可擴展性。無論是公鏈還是聯(lián)盟鏈，區(qū)塊鏈的每個節(jié)點都必須存儲滿滿的數據，每筆交易都需要大部分節(jié)點提交。本文試圖解決可伸縮性問題，但解決方案并不通用。它做了一個基本假設:在區(qū)塊鏈有不超過一定比例的說謊節(jié)點。接下來，如何硬化區(qū)塊鏈，使每個碎片中的躺著的節(jié)點不超過一定的比例，并基于此假設優(yōu)化PBFT算法。

總結

不僅傳統(tǒng)的數據庫廠商選擇了數據庫云化的戰(zhàn)場，一些中小型的數據庫服務商也開始在云服務市場上發(fā)力，比如歷史悠久的列存儲數據庫MonetDB。在過去的兩年里，研究的重點一直放在云服務的發(fā)展上。版本；但一些新興的數據庫引擎，如近年來備受關注的分析型數據庫廠商雪花，單純基于云服務的運行環(huán)境開發(fā)，直接跳過了內部部署的產品形式，也得到了市場的高度認可，這是數據庫市場正在進行重組的顯著信號。

值得一提的是，雖然高德納的報告明確指出“云”是數據庫市場的未來，但也明確提到了一種被稱為“數據庫斯德哥爾摩綜合癥”的現(xiàn)象，即建立在傳統(tǒng)本地數據庫服務架構上的企業(yè)，即使看到了云服務的優(yōu)勢和趨勢，也可能為了規(guī)避風險而繼續(xù)使用本地數據庫服務。整個企業(yè)會有很長一段時間向云轉型——他們就像被綁架的人質，小心翼翼的維護著傳統(tǒng)數據庫解決方案的“鏈條”(綁匪)。因此，盡管云數據庫市場發(fā)展迅速，但為了贏得傳統(tǒng)企業(yè)用戶，云數據庫服務提供商需要做好長期戰(zhàn)斗的準備。從這個角度來說，大家還是有機會的。