StarRocks可以满足企业级用户的多种分析需求。本文介绍StarRocks的应用场景及其解决方案。
适用场景
OLAP多维分析
- 用户行为分析
- 用户画像、标签分析、圈人
- 高维业务指标报表
- 自助式报表平台
- 业务问题探查分析
- 跨主题业务分析
- 财务报表
- 系统监控分析
实时数仓
- 电商大促数据分析
- 教育行业的直播质量分析
- 物流行业的运单分析
- 金融行业绩效分析、指标计算
- 广告投放分析
- 管理驾驶舱
- 探针分析APM（Application Performance Management）
高并发查询
- 广告主报表分析
- 零售行业渠道人员分析
- SaaS行业面向用户分析报表
- Dashboard多页面分析
统一分析
通过使用一套系统解决多维分析、高并发查询、预计算、实时分析查询等场景，降低系统复杂度和多技术栈开发与维护成本。
使用StarRocks统一管理数据湖和数据仓库，将高并发和实时性要求很高的业务放在StarRocks中进行分析，也可以使用External Catalog和外部表进行数据湖上的分析。
典型场景的解决方案
OLAP通用场景解决方案
业务背景：该方案适用于多种业务场景，包括GMV、订单、物流、客户分析、推荐系统、用户画像场景。支持离线导入和实时导入两种方式来处理数据。
原有解决方案：通过多种OLAP引擎满足不同的场景。烟囱式搭建各自业务，导致运维难度大，开发人员需要投入大量的时间和精力。
统一OLAP引擎：使用StarRocks统一OLAP引擎来满足各类分析需求。相较于原有解决方案，我们的解决方案运维更加简单，并且使用MySQL协议，可以对接各种BI工具，从而实现数据的快速分析和处理。
实时数据分析场景解决方案
步骤如下：
实时摄入：通过直接读取Kafka数据来实现。提供了Flink-Connector来支持Flink数据流的直接写入，并保证了exactly-once语义。此外，还支持Flink CDC来捕捉TP数据更新，并实时地将结果更新到StarRocks中。
数据分析：实现了实时数据分析生成的数据可以直接用于Serving，从而实现了实时和离线数据的统一融合。
实时数据建模：提供了实时数据建模聚合表，以支持实时聚合能力。强大的引擎和优化器保证了数据库在实时数据建模时的高效性。
实时更新：采用了delete-and-insert的实时更新策略，且在读取时无需进行主键合并，相较于采用了merge-on-read（unique）的合并策略，性能提升了3~15倍。
湖仓分析场景解决方案
查询层：复用了当前StarRocks的CBO和查询引擎能力，使得查询计算性能达到了Trino的3~5倍。
元数据管理：
支持Multi-Catalog管理，无缝对接HMS，同时支持自定义Catalog，便于和云厂商的DLF对接。
支持通用的Parquet、ORC、CSV等标准格式，实现了延迟物化和小文件合并读写。
支持多种数据湖格式，例如Hudi、Iceberg、DeltaLake和Paimon。
步骤如下：
实时摄入：屏蔽了底层数据源的细节，支持异构数据源数据联合分析，同时支持实时和离线数据的联合分析。
查询加速：采用了就近计算策略，例如表达式下推和聚合下推，以及分部署读取/数据源针对性优化策略。支持向量化解释ORC、Parquet格式，字典过滤、延迟物化等技术。
测试结果：进行了TPC-H和Hive查询等测试，与Presto（OR）相比，在同等条件下，性能提升了3~5倍以上，并且仅使用Presto资源的三分之一即可获得相同的性能体验。
- 本页导读 （1）