OceanBase Lakebase 架构解析：独立部署与智能叠加层模式的技术实践

作为企业级的数据基座我们非常清楚很多客户内部已经有运行了很长时间的数据系统这些系统承载着企业大量的历史数据资产。所以OceanBase Lakebase 在设计上并不要求客户推倒重来也不要求把所有数据都迁移进来之后才能使用。我们为 OceanBase Lakebase 设计了两种部署模式独立部署模式 适合全新的业务场景。如果用户面对一个新的 AI 应用场景可以搭建一套全新的端到端基础设施OceanBase Lakebase 能以较小的初始资源快速拉起一套系统面向新场景提供包括存储和计算在内的所有能力。智能叠加层模式适合需要复用已有存储和数据资产的场景。比如客户已经在数据湖里沉淀了大量数据OceanBase Lakebase 可以和已有系统并行运行通过数据连接把客户已有系统中的数据和自身管理的新数据有机结合起来向上层应用提供一致性的访问界面。简单来说新业务可以快速建设老系统可以平滑增强。用户根据实际场景灵活选择。智驾企业每天都会从工程车、测试车采集大量视频、图像、传感器、GPS 等数据。真正的问题不是数据存不下来而是如何从这些海量数据中快速找到有价值的片段。比如极端工况、碰撞风险、异常道路、恶劣天气这些对模型训练非常关键但如果依赖人工筛选链路会非常长效率也很低。OceanBase Lakebase 在这个场景的核心价值是让数据存得下、算得动、用得起。它在这里要做的是把视频和多模态数据变成可处理、可搜索的数据资产。系统支持视频拆分、事件切片、关键帧抽取、场景识别和特征向量化再结合向量搜索、结构化查询和多模搜索让业务团队从海量行车数据中快速找到需要的样本。对于智驾企业来说OceanBase Lakebase 不只是一个存储系统而是支撑模型持续迭代的数据底座。它帮助客户把海量行车数据变成训练样本和测试样本降低数据准备成本加速模型迭代。证券类企业并不是没有数据恰恰相反它们的数据非常丰富。既有行情、交易、财务、客户等结构化数据也有研报、公告、制度文件、新闻舆情等非结构化数据。真正的挑战在于这些数据类型复杂加工难度大整合效率不高。OceanBase Lakebase 在这个场景中可以作为多种类型数据的处理与服务中枢。它可以统一对接多类异构数据源并对研报、公告、制度文件等内容进行智能解析、语义理解和内容提取建立索引。比如在报告智能化解析场景中系统可以对研报、行业报告、公司研究报告进行自动解析提取标题、摘要、标签、行业、证券信息和研究机构等关键内容让投研资料更容易沉淀和复用。在制度文件管理场景中它可以对监管制度、合规文件、反洗钱相关文件进行分类、识别、摘要和标签提取支撑后续的制度检索和合规问答。单纯的交易型数据库无法完整覆盖多模态数据处理需求单纯的数据湖也很难满足企业级管理、搜索和服务化要求。AI 时代需要的是一个新的湖库一体数据底座既能管好结构化数据也能处理多模态数据既能面向人提供分析能力也能面向 Agent 提供可调用的数据能力。过去 OceanBase 已经形成了完善的数据库产品体系支撑了大量客户核心系统的稳定运行。在这个基础上面向 AI 时代新的数据处理需求我们进一步构建了以 OceanBase Lakebase 为核心的 AI 数据库。从一体化数据库到 AI 湖库我们希望既能支撑好企业核心系统的稳定运行又能支撑好 AI 场景下新应用的快速落地。Lakebase 是 OceanBase 面向这个方向迈出的一步。我们希望通过 Lakebase帮助企业把分散的数据接进来、管理好、处理好、搜索到并最终服务于 AI 应用和业务创新。这条路一定会有很多技术同行者也一定还有大量工程问题需要持续解决。但方向是清楚的未来企业的数据基础设施必须能够同时理解结构化逻辑和非结构化语义。OceanBase 希望在这个方向上和客户一起把底座做深把场景做实。▼ 点击「阅读原文」查看 AI 数据库立即试用 OceanBase 企业版体验国产数据库能力立即试用 OceanBase 企业版体验国产数据库能力