超融会时序数据库 YMatrix 在数字汽?和???脑的理论

西风

导读：明天分享的主题是 YMatrix 在数字汽?和???脑的理论，首先引见时序和物联网开展趋向，基于传统技术架构提出我司研发的产品——YMatrix 超融会时序数据库的一些技术特征，最初针对数字汽?和???脑案例做一个分享。
明天的引见会环抱上面三点来展开：
时序和超融会数字汽车工厂大脑01
时序和超融会
1. 全?数字化时期到来，拐点泛起


上图是美国 Statista 机构于 2021 年公布的一项统计讲演，从讲演中能够显著看出，从 2020 年开始，寰球联网的物联网装备曾经超过了非物联网装备；预计到 2025 年，寰球物联网装备的数量可达非物联网装备数量的 3 倍以上。由此能够看出，将来由“物”发生的数据要远远超过“人”发生的数据。
相似地，DB-Engines 的排名也体现出了类似的趋向：


上图中，时序数据库的趋向遥遥当先于其余类型的数据库。这一点阐明了两件事件：
（1）用户对时序数据库的关注度十分高。
（2）业内现有的产品无奈很好地知足物联网、工业互联网等新兴场景的需要。
另外，?肯锡在《物联?：捉住减速机遇》中指出：到 2026 年，IoT 数据市场范围将达到 1000 亿美?，?且“IoT 最?场景在中国”；?物联?场景中最典型的数据是“时序数据”。
2. 甚么是时序数据
① 时序数据简介
时序数据是时间序列数据，即带有时间戳的数据序列。这个序列中的?个数据同样成为数据点（data point），?个数据点一般为?个（timestamp，value）对。


能够有得多时间序列，每个时间序列有??的节拍。


以冰箱为例，冰箱的温度能够组成时序数据的一条线，而电压、电流则构成此外的一条时序数据；两条时序数据的节拍能够是不同的。
② 时序数据的存储和查问
每一个条时间线（即时间序列）都会有不同的动态属性，经过动态属性能够区别时间线。


最典型的动态属性就是名字，不然无奈区别时间序列是甚么含意。上图中，以 CPU 使用率为例，在不同的时间点，都可采集到 CPU 的使用状况；至于对应的是哪一台 CPU，这样的信息是经过动态的属性——IP 来标注的。


如上图所示，时间序列数据的存储，个别是包孕动态属性和静态目标两个部份来存储。
时间序列数据的查问多是多种多样的，例如，查问某一指按时间线的最新值，或者查问某一时间序列在指按时间段内的目标变动，以及某段时间内多个时间线的目标值或者聚合值的查问等。


③ 时序数据的罕用剖析场景
对不同时间线之间的相干性进行探究和剖析，这个场景在物联网、车联网、工业互联网等十分常见。


以前的时序数据次要运用场景在 APM（运用零碎监控）中（典型运用产品如 Prometheus），这种产品更多地是关注一类目标（例如 CPU，拜候次数等），到了物联网时期，咱们的关注点更多地在于一个实体。以某台数控机床为例，经过监测数控机床上刀片的角度、力度等信息，以反映该数控机床的形态；再以常见的汽车为例，将车速、地位等信息绑定在该实体上，该实体的不同属性之间会存在很强的相干性。
因此，时序数据存在多种不同的处置形式：能够着重剖析某繁多目标的时序特点，也能够片面剖析某个实体内多个序列之间的特点。


以上图的冰箱为例，两台不同品牌不同型号的冰箱，每台冰箱都有温度、湿度、耗电量这 3 项目标，每个目标跟着时间的推移都会记载一个目标值；同时，每个冰箱都会有一些标签。这是物联网中常见的一类场景。
3. 时序数据建模
如前文所述，时序数据存在两种解读形式：一种是把目标作为中心，另外一种是把实体（即装备）作为中心。基于这两种解读形式，能够衍生出三种常见的数据建模?式：窄表模式、宽表模式及树型模式。
①窄表模式
???个数据点，能够? KV 数据模型，也能够?瓜葛数据模型。留意窄表不是字?意思的字段个数多少，?是??只表现?个数据点。


如上图所示，将时间、装备编号、城市作为主键，每笔记录一个数据点（风速或风向）；可用 OpenTSDB 等数据库存储。
②宽表模式
??表现多个数据点，通常采?瓜葛数据模型。能够??张表，也能够?多张表。留意宽窄定义不依据字段个数，?是??表现?个数据带仍是多个数据点。宽表也能够只要 5、6 个字段。


实际存储的时分，能够将动态属性表和时序数据表离开存储，以进步存储效力。
③树形模式
与窄表区分是以层级?式组织动态属性（元数据）。
树形模式的实质也是一种窄表模式，在窄表的根底上对动态数据做了层级化处置，而静态数据的处置形式和窄表相反。


综合比较这3 种存储模式的优劣，能够看出：


窄表模式写入效力高，查问效力低，特别是多装备多维度的查问。宽表模式查问效力高，然而写入效力低，特别是装备测点的分批次写入。树形模式能够以为是窄表模式和宽表模式的一种折衷。4. 时序数据是企业海量多样化数据的?部份
①传统?案形成繁杂、低效、孤岛化的现状


在物联网畛域，将来的数据维度也将呈现愈来愈多样化的趋向：
跟着运转装备无休止地发生数据，时序数据的数据量将日趋增大；瓜葛型数据依然占有很大的一席之地，个别会存储大量低价值的数据；其余包孕文本数据、GIS 数据、Json 数据（半构造化数据）、Lidar 数据（点云数据）、视频帧数据、图象数据等诸多等类型的数据。基于以上多样化的数据，采取怎么样的技术架构以解决企业多样化数据的写入、存储和剖析的问题，会带来得多的应战。


目前一些大型企业采用的常见的计划，是针对不同的数据类型，使用不同的数据库产品进行存储；关于买卖型数据（TP），使用 Oracle/MySQL 存储；关于剖析型数据（AP），使用 Greenplum 等数据库存储；关于时序数据、图数据等公用数据库，使用相应的数据库产品存储；另外，通常还会使用诸如 Hadoop/Flink 等各种各样的大数据产品。
使用这样的架构和技术栈，会形成数据的孤岛化，每减少一种数据产品的使用，就会带来一个新的数据孤岛；有孤岛就会有深井存在，因此很难建设全局的 whole picture；因此想要进行片面的数据剖析，需求首先穿墙打洞汇总数据造成数据湖，然而这样会使全部流程变得繁杂低效，并且各类数据的品质也会错落不?。
②YMatrix：?机能超融会数据库


上图中，左图展现的就是传统的全架构技术栈，关于不同的数据使用不同的产品去存储，以撑持不同的业务，这样会把繁杂留给用户，会致使业务运用过程当中纷简约杂且非常低效。
基于以上痛点，YMatrix 提出了一种全新的形式，即超融会高机能数据库，如下图所示。基于这样的形式，业务端和数据库端边界划分明晰，业务端对数据的使用也将会变得十分简略；比拟于传统的繁杂架构，YMatrix 构造简略明晰明了。
YMatrix 架构图如下，欢送实测，实测链接如下：
http://ymatrix.cn/download


从 YMatrix 架构图能够看出，全部数据库会少量共用根底设施。包罗认证办理、事务管制、监控备份等，也包罗优化器，以及各种通用组件等；同时，会按照不同的场景使用不同的引擎，例如 TP 引擎、AP 引擎等，目前时序引擎曾经投入使用并失掉了客户良好的反馈，下一步会将内存引擎落实。
经过上述的形式，在数据库中经过不同的引擎以反对不同的业务场景，同时各个不同的引擎之间能够间接关联，完成数据架构的“超融会”。
前文所述是逻辑架构图，关于散布式和线性扩展，YMatrix 采取经典的 MPP 架构，即大范围并行处置，反对从单节点到数百节点，最大可反对 100PB 原始数据量级。


③小结
新时期需求新技术栈，以满?新业务、新场景、新数据和新?户；关于物联网相干行业，以及传统行业的数字化转型，企业需求卓着的数据基座?不是单品数据库，需求的是?站式的?数据平台，而不是将各个运用像拼图同样拼接。


02
数字汽车
1. 汽?数字化是汽?业演进的次要趋向之?
①数字汽车简介
前文具体引见了时序数据和超融会，并引见了 YMatrix 数据库的架构和功用。上面将会引见两个实际的案例运用。第一个案例是数字汽车。
在汽车行业，数字化和智能化是次要趋向。基于这样的趋向，又演化出两个畛域：自动驾驶和智能座舱。因为自动驾驶畛域波及诸多法律法规要素的牵制，因此智能座舱成为数字化的首要畛域。前几年智能座舱能够成为一台汽车的中心竞争力，但如今假如没有足够先进的数字化技术做撑持，很难造成足够的竞争力。
而经过汽车的数字化，能够发展多种业务，包罗车辆驾控、车辆后市场办事、出行办事、生态办事等，将用户的数据、车辆的数据和场景的数据整合到一同，为客户提供全新的更优质的体验。


2. YMatrix 在数字汽车畛域的运用
①整体架构
下图是 YMatrix 在数字汽车畛域一个运用案例的简化架构图：


最左侧是少量的汽车，时辰发生时序的数据；时序数据经过 GB32960、JT/T808、MQTT 等规范将数据发送出来；企业通常使用 Kafka 等工具承接这些数据；不同的消费者会拉取 Kafka 中不同 Topic 的数据，做相应的数据解析，发送给对应的数据库集群；YMatrix 为完成高吞吐、低提早的负载平衡，提供一种专门的组件——MatrixGate，能够完成负载平衡，也能够对短时装备毛病进行数据修复，以确保业务的正常运转；MatrixGate 接纳到数据后，以秒级乃至毫秒级的提早，便可写入到 YMatrix 高可用集群内；用户经过 SQL 从 YMatrix 中抓取数据以完成智能座舱、画像剖析、行动预警、实时查问等业务剖析和运用。这样的架构，比较传统的基于 Redis、OpenTSDB、HBase、Hive、HDFS 等多种产品集成的架构，要简洁得多。
②数据建模
数据分红得多类，其中一大类是车机信号，即每辆车的地位信息、车速、胎压等信息；将以上信息寄放在一张表中，包罗 vin 号、时间戳、800+ 常见目标等，并经过 JSON 存储每辆车的新增目标或者不罕用目标。
除了车机信号，零碎还能够存储各种瓜葛型数据，包罗?主信息、颐养记载、借贷信息等。


③存储模型
关于车机信号表：
采?自研的时序优化 MARS 存储引擎按天分区，进行冷热分级存储。热数据存储在当地磁盘，冷数据采?内部表存储（例如 S3、HDFS 等）以升高存储开消分区?动办理，完成分区?动创立和?动转化使?继续会萃完成最新值查问，取代 Redis 集群关于其余瓜葛表，通常采?传统的瓜葛存储引擎进行存储便可，关于数据量大的历史数据表，则使用 OLAP 引擎。
④数据查问
数据查问通常包罗一下查问形式，YMatrix 都予以反对。
单?某个目标最新值、多个目标最新值单?某个时段某个目标明细数据、某个时段多个目标明细数据单?某个时段某个目标聚合值、某个时段多个目标聚合值多?某个目标最新值、多个目标最新值多?某个时段某个目标明细数据、某个时段多个目标明细数据多?某个时段某个目标聚合值、某个时段多个目标聚合值常?目标 + ?常?目标⑤初级查问
市场上大多同类型数据库都只能做简略的查问，包罗点查、明细查问、会萃查问等，但是很难反对更高阶的查问；而这些高阶的查问在一切时序场景简直都会用到，特别是在物联网、车联网、工业互联网畛域，对海量的时序数据做数据剖析和数据挖掘的过程当中，会用到得多高阶功用。
目标对?：同装备不同目标的收集时间点通常不会准确统一，常有误差存在；此时往往需求根据指按时间窗口对数据进?对齐和剖析，这均可以间接经过 SQL 来完成。对?是机器学习中?经常?的操作，经过 SQL 完成，能够?幅晋升开发效力。
下图就是乱序、非同频收集数据的对齐，经过函数 time_bucket 完成数据的对齐。


跳变差值：毛病剖析时，需求查问某个时段的某个或者某几个信号的跳变状况：譬如摘取?个症结目标，判别是不是碰撞，发?碰撞后，疾速查问碰撞前?段时间的相干信号的跳变差值。场景常?于平安告警业务。得多客户罕用 Flink 一类流式数据产品完成相似功用，个别需求上百行 Flink 代码，外加少量测试。
在 YMatrix 零碎中，使用如下一条惯例 SQL 语句，便可完成这种功用，因此?幅晋升开发效力。


驾驶循环划分：对一切?的运转数据进行全天驾驶循环划分，常?于?级剖析、模型训练等；此类功用不局限于汽车畛域，在装备运维畛域的工况切分等场景也会少量运用。一辆车天天可能会阅历若干个驾驶循环，讲一切驾驶循环放到一同剖析是没无意义的，因此需求经过运转数据划分出每个驾驶循环，对每个驾驶循环进行分别剖析。
该功用假如经过 Java 或 Python 完成，个别需求少量代码，繁杂清醒可能多达上千行代码，外加少量的测试。
在 YMatrix 中，经过如下?条 SQL 便可完成，节俭千?代码 + 测试，?幅晋升开发效力。


3. 计划成果


1.4 亿数据点/秒?吞吐低提早写?400+ 并发毫秒级前往?峰数据提早 2 ?时缩短到 10 秒，500 倍晋升开发效力晋升 100 倍（客户反馈从 3 天到 10 分钟）硬件本钱节俭 80%精简技术栈：超融会数据库 YMatrix 交换 Hadoop 全家桶 OpenTSDB、HBase、HDFS、Hive、Redis 等4. 智能设备运维
和数字汽车类似，YMatrix 在智能设备运维畛域也有得多运用案例。某泵机设备制作业巨头对散布在寰球各地的产品进?智能化革新，使其对产品的使?进程了如指掌，为期客户提供运维办理、预测培修、动?优化等。该客户在使用 YMatrix 数据库以前，使用的是 MySQL + 时序数据库 + Greenplum + Spark 等多种数据产品集成的形式；使用 YMatrix 数据库，硬件节俭一半，机能晋升 6 倍以上。
客户经过 YMatrix 所做的查问清单如下：
装备数据明细预测?泥泵机是不是发?堵管统计最?频排量预测最好油? vs 转速臂架异样：泄露，发卡摹拟泵?（有多节机械臂）?作形态摹拟泵??作形态衍?，常?姿势统计泵?异样检测


03
工厂大脑
1. 工厂大脑简介
①第四次?业?命曾经开启


第四次?业?命曾经开启，其中心就是智能化；而智能化离不开数据、模型和软件。


上表将智能化分红了不同的等级，最简略的等级是数字孪生，即在数字世界创立物理世界的孪生提体；接着是 CPS（赛博物理零碎），在数字孪生的根底上完成人机交互，而智能制作就是将 CPS 运用到更高维的生态中；工业互联网则是诸多智能制作的串连，将供给链、上上游整个买通，完成全部工厂的智能制作。
能够看出，不论哪个层级，都离不开数据+模型+软件；因此数据+模型+软件是第四次?业?命的根底。
②工厂大脑
数据 + 模型算法构成为了工厂大脑；在工业 4.0 时期，工厂大脑是智能制作的中枢。
下图呈现了一站式的工业大数据平台。传统制作业企业包孕 ERP 零碎、MES 零碎、数据库等多种零碎，往往会针对某一项特定的业务构建一套零碎；因此，针对多项业务，往往会建设多套零碎，例如人力零碎、财务零碎等多种多样的零碎。
SAP 的 ERP 零碎完成了经营零碎的整合，但是依然无奈防止数据孤岛的存在。跟着万物互联的到来以及信息化的深化，数字化将深化到装备域这一层，将会波及得多装备的数据；如斯多的数据假如散落到各个角落，智能完成“片断式”的建模，将很难完成全量的数据模型，也就很难完成真实的工厂大脑。
经过 YMatrix 零碎，能够使用通用的基于 SQL 的形式，将碎片化的数据汇总到 YMatrix 中运转。关于大型企业，ERP 零碎或 MES 零碎的数据能够经过 ETL/CDC 办法汇总，而装备数据能够经过 IoT 网关等伎俩汇总；关于中小型企业或者新兴的企业中，特别是数字化原生的企业，会将企业的一切数据存入一个数据库中，节俭了 ETL、CDC 等进程。而 YMatrix 数据库自身就是基于 PostgresSQL 产品开发的一款散布式数据库，具备了瓜葛型数据库的一切功用。


2. 数据建模
数据建模次要分红两大类：瓜葛数据和装备相干数据。
（1）瓜葛数据：包罗 ERP、MES 等零碎的数据，采?经典的二维表?式存储。
（2）装备相干数据：
动态信息：使用瓜葛表存储。目标数据：使用公用时序引擎存储，将?类装备存储成?张表。培修数据：使用瓜葛表存储。数据查问包孕诸多类的查问：
（1）最新值查问
（2）明细查问
（3）聚合查问
（4）多维查问
（5）?级查问（譬如窗?函数）
（6）多表关联类型查问
另外，愈来愈多的客户采取 in-database-machine-learning 的形式，即在数据库内间接完成机器学习模型。传统的完成形式是用 Python 或 Spark 完成机器学习模型，但是 Python 和 Spark 都无奈存储数据，需求到远端（如数据库）拉取数据；假如数据量较大，效力会十分低。YMatrix 零碎的完成形式“反其道而行之”，将 Python/R 等算法下推到数据库中执?，经过 SQL 调用算法相干代码以完成 ML，大大晋升了开发效力和运转效力。
3. 计划成果
经过 YMatrix 零碎，完成了数据从下到上的买通：最上层是装备，经过 DCS\SCADA 等形式获得时序数据，间接存入 YMatrix；管制层和履行层的数据以构造化的 MES 数据为主，存入 YMatrix。关于监控数据，因为此类数据因为占用内存较大，假如仅作可视化用，不倡议存入数据库，而是存到散布式存储中；该数据的 Metadata 能够存入数据库。经营管控层以 ERP 数据为主，将数据存入 YMatrix 中。由此能够看出，一套 YMatrix 零碎完成了全部制作业的买通，能够呈现全部工厂的全貌数据。


总体成果：
①经营数据（TB）+ ???产数据（GB）+ 装备数据（10万点/秒时序数据）
②数据库内完成模型训练和剖析，疾速部署、低本钱实行和可复制推?。
③All-in-One：MySQL + 时序库 + Hive + Spark → YMatrix，本钱节俭 60%+，机能晋升 6 倍。
04
Q&A环节
Q：YMatrix 的 SQL 是依靠于 PostgreSQL 完成的吗？
A：是的。YMatrix 的内核是 PostgreSQL 十二；目前 PostgreSQL 反对的规范 YMatrix 根本上都反对。
Q：YMatrix 的时序数据是反对散布式的吗？是开源的吗？
A：YMatrix 是反对散布式的。精确讲，YMatrix 未显著区别单机版和散布式版本，间接使用便可。至于开源方面，目前尚无开源，正在方案开源。另外，目前社区版能够进入 http://ymatrix.cn/download 收费下载使用。
Q：文中提到 YMatrix 反对 OLTP、OLAP、时序和内存等引擎，并可完成 Acid，是如何完成的？同一份数据要存多少份？
A：首先，内存引擎目前并未完成，是未来会完成的一项功用。至于完成形式，底层使用了不同的存储器。类比于 Redis，完成了内核的存储引擎，下层包装了履行器（有些乃至没有履行器，相似于 RPC）；MongoDB 也完成了存储引擎，以及下层履行器。因此，每个数据库都使用其特定的存储引擎，然而这些存储引擎的底层共用代码可能超过 80%，因此针对每个数据库都建设一个独自的存储引擎显然是不敷经济的。YMatrix 反其道而行之，建设通用的底层框架，在外部经过可插拔技术完成不同的存储引擎。举个例子，假定有 100 张表格，80 张表格使用TP引擎存储，10 张表使用 AP 引擎存储，10 张表使历时序引擎存储；表格之间能够完成 Join 等操作。关于 Acid 的存储，目前曾经完成存储引擎和 Acid 解耦，不同的存储引擎均可以经过 Xlog、Transaction 反对 Acid。
Q：文中提到数据以宽表方式存储，关于数据的字段有哪些好的理论教训？例如假如数据字段始终增长，YMatrix 会不会不反对？
A：数据建模包罗宽表、窄表和树形模式。宽表模式，关于罕用的目标，用相应的字段保留；关于不罕用的目标，能够经过 JSON 字段来保留；假如两个装备的大部份的字段都不相反，倡议存成两张表格，假如波及对比剖析，经过 SQL 的 Union 的形式便可完成合并。
Q：YMatrix 对 JSON 的反对，是反对到 String 类型，仍是能够下钻到 JSON 外部的数据类型？
A：得益于 PostgreSQL 社区关于 Json 的弱小反对才能，JSON 目前曾经造成了一套 SQL 规范——SQL-JSON，作为 PostgreSQL 2016 规范的一项新增特性；因此，YMatrix 对 JSON 的反对也是相对于完美的：使用 Binary 的形式存储 JSON，能够间接经过字段进行 JSON 拜候（而非传统的 String 形式），包罗该字段的子属性，另外还能够对 JSON 中的常见属性做索引。SQL-JSON 共包孕超过 20 种操作符，包孕近 30 种罕用函数。
Q：如果运用层但愿将其余类型的数据库（例如 MySQL 数据库）切换成 YMatrix，切换本钱如何？
A：切换本钱相对于较小，总体上可分为下列几类：第一类是 Schema 迁徙：Schema 大可能是规范的 SQL；不外因为 PostgreSQL 不包孕 Auto-Increment 属性，能够经过 Serial 伎俩完成相应的措施。第二类是数据导入：业内存在得多成熟的工具能够完成。第三类是特殊函数的完成：常见的函数个别都会有相应的完成；关于特殊函数、自定义函数等，在 YMatrix 中经过 Procedural language（如 C、Java、Python）等完成相应功用。整体来看，切换代价较小，本钱较低。
Q：数字工厂案例中提到的为客户升高 60% 的本钱，这个是 60% 如何计算的？
A：该案例是将客户原本的 MySQL + 时序库 + Hive + Spark 的计划，经过一套 YMatrix 零碎整个完成。原计划中，MySQL 使用的高可用集群包孕 2 个节点；时序库使用的 OpenTSDB 大约用到 6 个节点；Hive + Spark 又耗用若干个节点。但从硬件角度看，曾经超过 10 个节点；而改换成 YMatrix 零碎，仅需 2-4 个节点便可完成。本钱的升高次要来自技术栈的精简，详细升高水平可能会视详细状况有所不同。
Q：请简略比较 YMatrix 的 OLAP 的内核，和 Doris 以及 StarRocks 等剖析型引擎的优劣。
A：YMatrix 的底层是 PostgreSQL 零碎（PG十二），其散布式使用 Greenplum；Greenplum 是十分弱小的 MPP 数据库；CK、Doris、StarRocks 等都是新兴产品，各有优缺陷。CK 的典型运用场景是互联网畛域的用户画像场景；Greenplum 以及 YMatrix 合用于更繁杂的场景，例如银行业、制作业的报表等场景，可能会有十几张表进行 Join 的情景；此时需求履行器以及优化器足够弱小，在此方面 Greenplum 以及 YMatrix 具有显著的劣势。固然，详细要结合客户的使用场景进行选择。
Q：YMatrix 做 OLTP 数据库方面，理论机能如何？
A：在大众号以前发了一篇文章，是与 Intel 试验室联结协作；在 Intel 办事器上，完成 TPC-B，一个集群，主键查问超过百万 TPS，这是十分弱小的才能。上月刚刚在 十二8 核的集群上从新做了测试和优化，完成 TPC-B 主键查问超过 160 万 TPS；INSERT 和 UPDATE 大约在二三十万 TPS，TPC-B 默许 Transaction（4条SQL），大约几万 TPS 的程度。
另外，YMatrix 产品定位并非做 TP 数据库，并非交换 Oracle 在银行业务中去 IOE，而是更多看重将来的物联网和数字化场景，更多运用于融会场景。
明天的分享就到这里，谢谢大家。
分享佳宾：姚延栋 四维纵横 开创人&CEO
编纂整顿：王吉东 昆仑数据
出品平台：DataFunTalk
01/分享佳宾


姚延栋｜四维纵横开创人&CEO
北京四维纵横数据无限公司开创人&CEO。原 Greenplum 北京研发核心总经理，Greenplum 中国开源社区开创人，PostgreSQL 中文社区常委，壹零贰肆数字基金会（非营利组织）联结发动人，清华大学产教融会课程《散布式数据零碎根底及运用》产业方担任人、讲师，新动力汽车国度大数据同盟理事。
02/对于咱们
DataFun：专一于大数据、人工智能技术运用的分享与交流。发动于2017年，在北京、上海、深圳、杭州等城市举行超过100+线下和100+线上沙龙、论坛及峰会，已约请超过2000位专家和学者参预分享。其大众号 DataFunTalk 累计出产原创文章800+，百万+浏览，15万+精准粉丝。