目錄

9 ?智能關(guān)鍵技術(shù)方案

智能關(guān)鍵技術(shù)一：自治運(yùn)維系統(tǒng)

智能關(guān)鍵技術(shù)二：庫(kù)內(nèi)AI引擎

智能關(guān)鍵技術(shù)三：智能優(yōu)化器

10 ?驅(qū)動(dòng)接口關(guān)鍵技術(shù)方案

---

GaussDB架構(gòu)介紹（二）從數(shù)據(jù)持久化存取層(DataNode)關(guān)鍵技術(shù)方案、全局事務(wù)管理層（GTM）關(guān)鍵技術(shù)方案、集群管理層（CM）關(guān)鍵技術(shù)方案、OM運(yùn)維管理關(guān)鍵技術(shù)方案等方面介紹了GaussDB架構(gòu)，本篇將從智能關(guān)鍵技術(shù)方案、驅(qū)動(dòng)接口關(guān)鍵技術(shù)方案繼續(xù)解讀GaussDB架構(gòu)。

9 ?智能關(guān)鍵技術(shù)方案

智能關(guān)鍵技術(shù)一：自治運(yùn)維系統(tǒng)

GaussDB 自治運(yùn)維系統(tǒng)“DBMind”的整體系統(tǒng)框圖如下圖所示，包含四個(gè)維度：

數(shù)據(jù)采集層

數(shù)據(jù)采集層主要功能實(shí)現(xiàn)指標(biāo)數(shù)據(jù)采集，采集頻率分為秒級(jí)采集和分鐘級(jí)采集。其中秒級(jí)采集包括操作系統(tǒng)資源信息采集和數(shù)據(jù)庫(kù)實(shí)例信息采集，例如操作系統(tǒng)層面CPU、內(nèi)存、IO讀寫(xiě)、網(wǎng)絡(luò)資源信息采集，數(shù)據(jù)庫(kù)實(shí)例狀態(tài)、數(shù)據(jù)庫(kù)內(nèi)關(guān)鍵指標(biāo)（內(nèi)存、連接數(shù)、TPS、QPS、讀寫(xiě)頻率等）；分鐘級(jí)采集包括審計(jì)日志采集、數(shù)據(jù)庫(kù)日志采集和全量SQL流水采集。

DBMind數(shù)據(jù)平臺(tái)提供Agent進(jìn)程用于采集上述指標(biāo)；若客戶系統(tǒng)配置普羅米修斯進(jìn)行信息采集，DBMind提供openGauss-exporter，內(nèi)置數(shù)據(jù)庫(kù)多維度指標(biāo)采集以及二次數(shù)據(jù)計(jì)算，實(shí)現(xiàn)與用戶既有普羅米修斯平臺(tái)對(duì)接。

數(shù)據(jù)庫(kù)采集端程序需要部署在同數(shù)據(jù)庫(kù)物理機(jī)節(jié)點(diǎn)，數(shù)據(jù)庫(kù)多節(jié)點(diǎn)集群環(huán)境中，每個(gè)物理節(jié)點(diǎn)部署一個(gè)Agent采集端（或者普羅米修斯采集端）。數(shù)據(jù)庫(kù)采集端程序通常占用資源很少，通過(guò)配置文件可以制定不同指標(biāo)采集頻率，以免占用資源影響數(shù)據(jù)庫(kù)業(yè)務(wù)正常運(yùn)行。

圖1 DBMind整體系統(tǒng)框架圖

• 數(shù)據(jù)計(jì)算層

數(shù)據(jù)計(jì)算層提供數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)分析及元數(shù)據(jù)管理能力。其中數(shù)據(jù)存儲(chǔ)用于接收來(lái)自數(shù)據(jù)采集層發(fā)生來(lái)的數(shù)據(jù)，存儲(chǔ)數(shù)據(jù)源可以是多種維度或者類(lèi)型，包括普羅米修斯、時(shí)序數(shù)據(jù)庫(kù)（OpenTSDB）、MongoDB、SQLite等，DBMind內(nèi)置對(duì)接接口，AI模塊與存儲(chǔ)數(shù)據(jù)源的交互，獲取數(shù)據(jù)并進(jìn)行處理。DBMind默認(rèn)提供SQLite數(shù)據(jù)庫(kù)，方便普通開(kāi)發(fā)者來(lái)使用AI自治功能；在企業(yè)業(yè)務(wù)中，存儲(chǔ)層設(shè)計(jì)要復(fù)雜的多，可以使用多個(gè)開(kāi)源組件組合使用，例如普羅米修斯+時(shí)序數(shù)據(jù)庫(kù)，或者kafka+時(shí)序數(shù)據(jù)庫(kù)等多種方案。

若企業(yè)業(yè)務(wù)中，處理少量業(yè)務(wù)集群節(jié)點(diǎn)，可通過(guò)下面方案實(shí)現(xiàn)：

圖2 小規(guī)模節(jié)點(diǎn)管控層方案

在圖2方案，使用nginx進(jìn)行業(yè)務(wù)分流，mgrsrv服務(wù)對(duì)數(shù)據(jù)進(jìn)行初步處理后，將數(shù)據(jù)寫(xiě)入關(guān)系型數(shù)據(jù)庫(kù)。基于可靠性考慮，對(duì)于三個(gè)組件，分別加入備機(jī)進(jìn)行可靠性保護(hù)。

若企業(yè)業(yè)務(wù)處理上萬(wàn)業(yè)務(wù)節(jié)點(diǎn)的數(shù)據(jù)，圖2方案無(wú)法滿足客戶業(yè)務(wù)訴求。故在方案設(shè)計(jì)時(shí)，需要引入分布式消息中間件、數(shù)據(jù)庫(kù)中間件（DDM），同時(shí)因?yàn)閚ginx掛載節(jié)點(diǎn)有上限，需要對(duì)mgrsvr進(jìn)行分區(qū)管理。

圖3 大規(guī)模節(jié)點(diǎn)管控層方案

如圖3所示，consumer服務(wù)可以和mgrsvr部署在同一個(gè)節(jié)點(diǎn)上，mq集合代表分布式消息中間件，通?？梢圆捎瞄_(kāi)源軟件rocketmq或者rabbitmq，引入消息中間件目的是降低目標(biāo)數(shù)據(jù)庫(kù)的壓力。DDM是華為云的數(shù)據(jù)庫(kù)中間件，若采用開(kāi)源軟件，也可使用mycat或者dble等，可進(jìn)行存儲(chǔ)大規(guī)模被采集的數(shù)據(jù)。在整體業(yè)務(wù)角度，縱向通過(guò)分層設(shè)計(jì)，橫向通過(guò)分區(qū)設(shè)計(jì)，保證全部業(yè)務(wù)可通過(guò)管控層完成數(shù)據(jù)處理。

在數(shù)據(jù)計(jì)算層除了時(shí)序存儲(chǔ)數(shù)據(jù)庫(kù)外，還可以設(shè)計(jì)其他存儲(chǔ)單元，例如算法模型庫(kù)和故障規(guī)則庫(kù)。其中算法模型庫(kù)存儲(chǔ)自治管理服務(wù)生成的AI模型，例如參數(shù)推薦訓(xùn)練模型；在算法模型庫(kù)中，可以存儲(chǔ)傳統(tǒng)機(jī)器學(xué)習(xí)（例如監(jiān)督學(xué)習(xí)）模型、強(qiáng)化學(xué)習(xí)模型。故障規(guī)則庫(kù)是記錄數(shù)據(jù)庫(kù)常見(jiàn)故障案例，將這些案例通過(guò)拆解和分析，生成規(guī)則引擎。

自治服務(wù)層

自治服務(wù)層包含三個(gè)主要部分：SQL診斷和調(diào)優(yōu)、自治安全、數(shù)據(jù)庫(kù)智能運(yùn)維。其中SQL診斷和調(diào)優(yōu)提供多種SQL治理和調(diào)優(yōu)能力，包括慢SQL發(fā)現(xiàn)、SQL表現(xiàn)評(píng)估、智能索引推薦、智能查詢重寫(xiě)等服務(wù)。自治安全通過(guò)AI技術(shù)實(shí)現(xiàn)敏感信息發(fā)覺(jué)、SQL注入檢測(cè)和異常行為分析。數(shù)據(jù)庫(kù)智能運(yùn)維功能實(shí)現(xiàn)在數(shù)據(jù)庫(kù)系統(tǒng)、OS系統(tǒng)和數(shù)據(jù)庫(kù)集群層面的運(yùn)維和調(diào)優(yōu)，其中數(shù)據(jù)庫(kù)系統(tǒng)服務(wù)包括數(shù)據(jù)庫(kù)參數(shù)智能推薦、智能巡檢、數(shù)據(jù)庫(kù)分布鍵推薦和智能業(yè)務(wù)調(diào)度；在操作系統(tǒng)層面，實(shí)現(xiàn)慢盤(pán)檢測(cè)和恢復(fù)、網(wǎng)絡(luò)丟包檢測(cè)；在數(shù)據(jù)庫(kù)集群層面，基于故障或者負(fù)載需求，提供自動(dòng)擴(kuò)縮容、異常節(jié)點(diǎn)修復(fù)服務(wù)。

監(jiān)控展示層

DBMind提供監(jiān)控展示層，通過(guò)WEB形式，方便用戶直觀感受運(yùn)維管理帶來(lái)的遍歷。在展示界面方面，集成Grafana實(shí)現(xiàn)實(shí)施數(shù)據(jù)或指標(biāo)的展示，同時(shí)AI趨勢(shì)預(yù)測(cè)，給出后續(xù)時(shí)段的數(shù)據(jù)走向。告警界面展示系統(tǒng)中可能存在的問(wèn)題或故障，分為致命、嚴(yán)重、一般，界面中只顯示致命問(wèn)題。

為方便用戶系統(tǒng)觀察集群狀態(tài)，提供健康指數(shù)報(bào)告和詳細(xì)綜合報(bào)告。健康指數(shù)報(bào)告給出當(dāng)前系統(tǒng)的健康評(píng)分等級(jí)，默認(rèn)80分以上屬于運(yùn)行健康狀況，小于60分則存在嚴(yán)重隱患，急需修復(fù)。綜合報(bào)告詳細(xì)描述系統(tǒng)各維度信息，包括集群狀態(tài)、負(fù)載運(yùn)行情況、常見(jiàn)數(shù)據(jù)庫(kù)指標(biāo)項(xiàng)信息。

智能關(guān)鍵技術(shù)二：庫(kù)內(nèi)AI引擎

GaussDB 庫(kù)內(nèi)AI引擎架構(gòu)如下圖：

圖4 DB4AI架構(gòu)圖

用戶接口層

在用戶接口層，實(shí)現(xiàn)SQL-like語(yǔ)法，提供Create Model、Predict等關(guān)鍵字，支持AI算法訓(xùn)練和預(yù)測(cè)。當(dāng)前支持的AI算法包括：GD（梯度下降法）、KMeans（聚類(lèi)）、XGBoost、決策樹(shù)等。

查詢優(yōu)化層

查詢優(yōu)化層提供AI訓(xùn)練執(zhí)行計(jì)劃和AI預(yù)測(cè)執(zhí)行計(jì)劃，該計(jì)劃依據(jù)內(nèi)部統(tǒng)計(jì)信息和AI算子調(diào)用關(guān)系，生成相應(yīng)執(zhí)行計(jì)劃?？梢园袮I算子看做執(zhí)行器中的計(jì)算單元，例如Join、AGG等，AI算子執(zhí)行代價(jià)基于執(zhí)行邏輯、獲取的數(shù)據(jù)行數(shù)、算法復(fù)雜度共同決定。同時(shí)在執(zhí)行計(jì)劃生成后，可通過(guò)Explain語(yǔ)句查看詳細(xì)的執(zhí)行開(kāi)銷(xiāo)，分析路徑選型的正確性。

AI底座和執(zhí)行層

在AI底座中，提供超參優(yōu)化能力，即用戶不指定超參數(shù)或者指定超參數(shù)的范圍，自動(dòng)選擇適合的參數(shù)，該功能極大提升用戶使用的效率，同時(shí)達(dá)到最佳的訓(xùn)練性能。

在執(zhí)行器中，提供多種AI算子，例如GD算子可支持邏輯回歸、分類(lèi)；KMeans算子支持聚類(lèi)。在每個(gè)算子實(shí)現(xiàn)過(guò)程中，遵循執(zhí)行器算子實(shí)現(xiàn)邏輯，下層對(duì)接Scan算子，上次提供AI算子的訓(xùn)練或推理結(jié)果。在訓(xùn)練完成后，訓(xùn)練模型將實(shí)時(shí)保存到系統(tǒng)表中，用戶可以查詢gs_model_warehouse系統(tǒng)表來(lái)獲取模型信息。

存儲(chǔ)層

在存儲(chǔ)層，DB4AI提供數(shù)據(jù)集管理功能，即用戶可以抽取某個(gè)表或多個(gè)表中的列信息，組成一個(gè)數(shù)據(jù)集，用于后續(xù)模型訓(xùn)練。數(shù)據(jù)集管理功能類(lèi)似git模式提供多版本管理，目的是保障訓(xùn)練數(shù)據(jù)的一致性。同時(shí)在這過(guò)程中，可通過(guò)特征處理和數(shù)據(jù)清洗保障數(shù)據(jù)的可用性。

同時(shí)對(duì)已生成的模型進(jìn)行管理，包括模型評(píng)估、定期模型驗(yàn)證、模型導(dǎo)入、模型導(dǎo)出等能力，在驗(yàn)證模型失效后，模型漂移功能可以進(jìn)行模型刷新，保障模型可用。

異構(gòu)計(jì)算層

DB4AI框架支持異構(gòu)計(jì)算層，實(shí)現(xiàn)CPU和AI算力的統(tǒng)一調(diào)度，滿足數(shù)據(jù)庫(kù)語(yǔ)句執(zhí)行和AI訓(xùn)練的完美結(jié)合。在實(shí)現(xiàn)方面，CPU算力，特指ARM及X86芯片，可用于基礎(chǔ)機(jī)器學(xué)習(xí)算子調(diào)用及并行計(jì)算執(zhí)行；AI算子，例如昇騰及GPU芯片，可用于重度分析算子（Join、AGG）及深度學(xué)習(xí)算子使用，加速大數(shù)據(jù)及多層網(wǎng)絡(luò)場(chǎng)景下計(jì)算需求。

智能關(guān)鍵技術(shù)三：智能優(yōu)化器

貝葉斯網(wǎng)絡(luò)模型原理

貝葉斯網(wǎng)絡(luò)是一種概率圖模型，拓?fù)浣Y(jié)構(gòu)通常為一個(gè)有向無(wú)環(huán)圖。貝葉斯網(wǎng)絡(luò)的優(yōu)勢(shì)在于能夠利用條件獨(dú)立假設(shè)對(duì)多變量數(shù)據(jù)進(jìn)行建模，并且自適應(yīng)變量之間的相關(guān)性，具體是指每個(gè)變量的概率分布只和與它直接連接的父親節(jié)點(diǎn)有關(guān)。使用這種方法能夠比基于簡(jiǎn)單的獨(dú)立性假設(shè)的模型獲得更高的建模準(zhǔn)確率，也能夠比完整的聯(lián)合分布建模獲得更高的執(zhí)行效率。在關(guān)系數(shù)據(jù)表中，每一列數(shù)據(jù)都可以成為一個(gè)變量，比如下表中包含A,B,C三列數(shù)據(jù)：

表1

A	B	C
A1	B1	C1
A1	B1	C1
A1	B1	C1
A2	B1	C1
A2	B2	C2
A2	B2	C2

分別使用基于獨(dú)立性假設(shè)的單列建模和基于條件獨(dú)立假設(shè)的貝葉斯網(wǎng)絡(luò)計(jì)算查詢 SELECT * FROM table WHERE A=A1 AND B=B1 AND C=C1的選擇率：

單列建模：P(A=A1, B=B1, C=C1)=P(A1)P(B1)P(C1)=0.5 * 0.67 * 0.67=0.22

貝葉斯網(wǎng)絡(luò)：P(A=A1, B=B1, C=C1)= P(A1)P(B1|A1)P(C1|B1)=0.5*1.0*1.0=0.5

可以看出貝葉斯網(wǎng)絡(luò)在列相關(guān)性強(qiáng)的場(chǎng)景下能夠更加準(zhǔn)確地估計(jì)出多列查詢選擇率（和基數(shù)）。

貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)搜索

貝葉斯網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)決定于變量之間的互相關(guān)性，直觀上看，將互相關(guān)性強(qiáng)的變量進(jìn)行連接并計(jì)算條件概率有助于提高分布建模準(zhǔn)確性。假設(shè)有兩列數(shù)據(jù)A和B，互相關(guān)性定義如下：

針對(duì)例1中的數(shù)據(jù)，可以計(jì)算出A和B列的互相關(guān)性：

在本功能中，對(duì)于P(a,b)，P(a)和P(b)的計(jì)算通過(guò)使用哈希表統(tǒng)計(jì)獲得，首先計(jì)算單列統(tǒng)計(jì)頻率，然后計(jì)算兩列統(tǒng)計(jì)頻率，最后掃描兩列統(tǒng)計(jì)表并且通過(guò)訪問(wèn)單列統(tǒng)計(jì)表獲得單列頻率，使用公式計(jì)算出相關(guān)性。最后計(jì)算總體相關(guān)性。

得到的臨時(shí)表ab_mutual_correlation結(jié)構(gòu)如下所示：

表2

counta	countb	countab
3	4	3
3	4	1
3	2	2

遍歷上述臨時(shí)表，對(duì)每一行求得互相關(guān)性，然后求和之后就是A和B列的整體相關(guān)性。

貝葉斯網(wǎng)絡(luò)對(duì)于每個(gè)節(jié)點(diǎn)父親節(jié)點(diǎn)的數(shù)量是沒(méi)有要求的，但是父親節(jié)點(diǎn)越多，條件概率建模的難度也越大，消耗的空間和時(shí)間代價(jià)也會(huì)相應(yīng)變大。所以在本子系統(tǒng)中，我們只采用樹(shù)型的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。這種結(jié)構(gòu)中每個(gè)節(jié)點(diǎn)只有一個(gè)父親節(jié)點(diǎn)，所以只需要保存本節(jié)點(diǎn)可以另一個(gè)父親節(jié)點(diǎn)的條件概率即可，示例如下：

圖5

在有了樹(shù)型限制之后，結(jié)構(gòu)搜索空間就少了很多，現(xiàn)在的目標(biāo)就是找到一顆總互相關(guān)性最大的生成樹(shù)，這里本系統(tǒng)采用chow-liu算法，也是一種加權(quán)最大生成樹(shù)算法，算法流程如下：

圖6 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)搜索流程圖

根據(jù)搜索出的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)造出包含所有邊的字符串，比如”a,b,a,c”或者”a,b,b,c”傳入貝葉斯網(wǎng)絡(luò)算子進(jìn)行模型創(chuàng)建。

貝葉斯網(wǎng)絡(luò)訓(xùn)練

圖7 貝葉斯網(wǎng)絡(luò)訓(xùn)練流程圖

貝葉斯網(wǎng)絡(luò)訓(xùn)練過(guò)程中，算子首先會(huì)遍歷一遍樣本數(shù)據(jù)，獲得每列數(shù)據(jù)不同值統(tǒng)計(jì)；然后對(duì)于每列數(shù)據(jù)，根據(jù)是否是連續(xù)數(shù)據(jù)類(lèi)型進(jìn)行數(shù)據(jù)分桶或者高頻值抽取以減小存儲(chǔ)和計(jì)算代價(jià)；對(duì)數(shù)據(jù)分桶采用等高分桶，盡量使每個(gè)桶內(nèi)的頻度是相似的，每個(gè)桶中范圍值下界被存儲(chǔ)在數(shù)據(jù)列表中，NULL值單獨(dú)作為一個(gè)值放在列表最后；連續(xù)值高頻值抽取會(huì)將頻度最高的K各元素放置在數(shù)據(jù)列表中，除此之外的其他元素都被表示為一個(gè)通配符號(hào)放在列表最后；為了減少查找匹配代價(jià)，字符串類(lèi)型數(shù)據(jù)會(huì)存儲(chǔ)一個(gè)額外的哈希值；列表中每個(gè)元素表示結(jié)構(gòu)如下所示：

typedef struct ValueInTuple {    Datum data;    Oid type;    bool isnull;    uint32_t hashval;} ValueInTuple;

概率建模過(guò)程中，針對(duì)形如P(離散值|離散值)的條件概率使用概率表記錄每種值的概率；針對(duì)P(離散值|連續(xù)值)，將連續(xù)值通過(guò)范圍分桶當(dāng)做離散值處理；針對(duì)P(連續(xù)值|離散值)，使用高斯分布對(duì)連續(xù)值分布進(jìn)行建模；針對(duì)P(連續(xù)值|連續(xù)值)，使用高斯分布對(duì)條件連續(xù)值進(jìn)行離散化分桶處理，對(duì)目標(biāo)連續(xù)值進(jìn)行高斯分布建模。

訓(xùn)練完成之后，將模型序列化成一個(gè)二進(jìn)制字符串。

貝葉斯網(wǎng)絡(luò)模型推理

圖8 貝葉斯網(wǎng)絡(luò)推理流程圖

貝葉斯網(wǎng)絡(luò)從第一個(gè)位置開(kāi)始獲得一個(gè)未訪問(wèn)節(jié)點(diǎn)，如果該節(jié)點(diǎn)存在未訪問(wèn)父親節(jié)點(diǎn)，那么就遞歸訪問(wèn)父親節(jié)點(diǎn)；如果父親節(jié)點(diǎn)都已經(jīng)被訪問(wèn)，那么利用條件獨(dú)立性假設(shè)，利用概率表或者是高斯函數(shù)局部計(jì)算出當(dāng)前節(jié)點(diǎn)的條件概率并且和父親節(jié)點(diǎn)的概率相乘作為聯(lián)合概率。然后判斷當(dāng)前節(jié)點(diǎn)是否是葉子節(jié)點(diǎn)，如果是葉子節(jié)點(diǎn)則將聯(lián)合概率和選擇率相乘，否則繼續(xù)尋找下一個(gè)未被訪問(wèn)過(guò)的節(jié)點(diǎn)。最后返回選擇率。

模型參數(shù)緩存策略

在基數(shù)估計(jì)的時(shí)候需要獲得相應(yīng)的模型參數(shù)，這個(gè)過(guò)程需要從磁盤(pán)讀取以及反序列化兩種操作，涉及到磁盤(pán)訪問(wèn)以及內(nèi)存申請(qǐng)操作，效率較低，所以在模型數(shù)量不多的情況下可以利用全局共享緩存將其存在內(nèi)存中，下次訪問(wèn)效率就會(huì)變高，但是在模型數(shù)量變多之后就需要緩存替換策略以保證內(nèi)存使用是可控的。本子系統(tǒng)采用的是異步批量替換策略，在模型訪問(wèn)親和性高的場(chǎng)景下，當(dāng)前一段時(shí)間所需要的模型都放置在內(nèi)存中，不會(huì)帶來(lái)額外的性能損失，訪問(wèn)申請(qǐng)的也都是共享鎖支持高并發(fā)；當(dāng)負(fù)載偏移之后，新的模型會(huì)被訪問(wèn)，從磁盤(pán)中被加載到內(nèi)存，內(nèi)存中的數(shù)量就會(huì)超過(guò)閾值，這種情況下系統(tǒng)按照每個(gè)模型的最近訪問(wèn)時(shí)間歸一化之后的概率選擇1/3的舊模型替換出內(nèi)存。這種一次性替換多個(gè)模型的方法可以避免每次讀操作都要申請(qǐng)互斥鎖維護(hù)鏈表并且降低替換操作觸發(fā)的次數(shù)。并發(fā)analyze場(chǎng)景通過(guò)互斥鎖進(jìn)行共享緩存訪問(wèn)控制。

10 ?驅(qū)動(dòng)接口關(guān)鍵技術(shù)方案

接口驅(qū)動(dòng)兼容開(kāi)源openGauss, 支持JDBC、ODBC、Python、GO等主流數(shù)據(jù)庫(kù)驅(qū)動(dòng)接口，適用于Java/C/C++/python/go 應(yīng)用程序開(kāi)發(fā)者。對(duì)于高級(jí)開(kāi)發(fā)者而言，亦可采用libpq動(dòng)態(tài)庫(kù)接口的方式，對(duì)數(shù)據(jù)庫(kù)進(jìn)行接入訪問(wèn)。

以上內(nèi)容為智能關(guān)鍵技術(shù)方案、驅(qū)動(dòng)接口關(guān)鍵技術(shù)方案的相關(guān)內(nèi)容，下篇圖文將接著分享GaussDB云原生架構(gòu)、關(guān)鍵技術(shù)方案的精彩內(nèi)容，敬請(qǐng)期待！