gydtep

目前的话还没有一个厂商能够非常好的支持OpenTelemetry的统一后端，现在还是需要自己去使用各个厂商的产品来实现。而这个带来的另一个问题是各个数据的关联会更加复杂，还需要去解决每个厂商之间的数据关联性问题。当然这个问题相信在1-2年肯定会解决掉，现在有众多厂商开始在努力实现OpenTelemetry所有类型数据的统一方案。

gydtep

人工智能、深度学习浪潮直观的反映出行业往深度智能阶段发展的趋势走向，这并非偶然现象，几大应用市场需求的驱动，上游深度学习芯片和算法的开源，行业所具备的天然的海量数据训练集特征等多维因素一起推动了安防走向深度智能化。

gydtep

带宽容量进一步扩大

AI视频监控系统的海量数据会占据很大带宽容量，如果与客户的其他业务共用网络通道，将影响其他业务网络通信质量。边缘计算等新一代技术的应用将在一定程度上减少数据流量，但视频取证等功能仍然会占据较大的带宽，因此服务器等全部基础设施将会进一步提高。

gydtep

一种策略在于创建一种在模型和数据的大小与数据传输成本之间取得平衡的体系结构。对于大型模型，留在云中更有意义。有多种方法可以减小模型大小以帮助解决问题，但是，如果要处理非常大的模型，则可能需要在云中运行它。

gydtep

一种策略在于创建一种在模型和数据的大小与数据传输成本之间取得平衡的体系结构。对于大型模型，留在云中更有意义。有多种方法可以减小模型大小以帮助解决问题，但是，如果要处理非常大的模型，则可能需要在云中运行它。

gydtep

DataWorks数据集成可以追溯到2011年的DataX1.0和2.0版本，随后3.0版本正式对外提供服务，再后来公有云、专有云、阿里内部功能三版合一，建立了Data Integration 服务。在2019年，DataWorks数据集成完成了商业化，独享资源组上线，按量付费、包年包月的付费方式也成功面向了用户。在2020年，全增量实时同步解决方案正式发布。

gydtep

MaxCompute交互式分析（Hologres）提出实时数仓“服务分析一体化”的概念，让一个大数据引擎既能满足 OLAP的实时洞察分析又能满足KV式的高QPS点查特征服务的需求，将实时分析和服务做到很好的融合，极大的简化了实时数仓架构的复杂度，助力客户实时的分析与决策。

gydtep

随着数字化转型的快速推进，数据量呈现爆发式的增长，而对数据计算的要求越来越高，低延时、低资源消耗、高效率、高精准度等。 如何从这些海量的历史数据和每日实时增量数据中快速汇总分析、挖掘出业务价值已成为业务最基本的需求。

gydtep

企业大数据IT运维经历了从单纯的运维工具到运维平台，再到自动化运维和故障预防式运维，到现在朝着智能化运维的方向进化。但现有的大数据运维分析手段依旧存在着原子工具繁多，上手成本高、工具之间的衔接困难，Monitoring(监控)、Logging(日志)、Tracing(定位追踪)无法互相依存发挥更大价值、真实业务中收益完全取决于使用者的架构能力等明显问题。

gydtep

稳定性方面，流量洪峰到来时，阿里云Elasticsearch自研限流Qos插件，实现索引级别的读写流控，当单个索引查询/写入压力过大时，对指定索引，按照业务的优先级进行适当的降级，将流量控制在合适范围内。