Kyligence架构图

在大数据时代之前，是商业智能（BI）时代。它基于许多相同的原则，但更侧重于形式化的数据模型和数据分析。自从大数据诞生以来，一个问题就一直存在着：BI方法能否与大数据的数量和随之而来的极端粒度相兼容？

OLAP redux

一家认为答案是肯定的公司是https://kyligence.io/“target=”\u blank“rel=”noopener noreferrer nofollow“data component=”externalLink“>Kyligence，其基础是大数据平台上的开源OLAP（在线分析处理），Apache Kylin确实融合了这两种方法。最初，Kylin和Kyligence是基于https://hadoop.apache.org/“target=”\u blank“rel=”noopener noreferrer nofollow“data component=”externalLink“>Hadoop和配置单元（类似于大型计算机上OLAP的早期版本数据播放器https://www.atscale.com/“target=”\u blank“rel=”noopener noreferrer nofollow“data component=”externalLink“>AtScale），但是Hadoop的MapReduce基金会在提供能够支持真正交互分析的性能方面带来了挑战。

<强>也读：AtScale扩展了COVID-19数据语义模型，但今天，Kyligence宣布https://kyligence.io/kyligence-cloud/“target=”\u blank“rel=”noopener noreferrer nofollow“data component=”externalLink“>Kyligence云4，完全为现代大数据栈重新构建（包括Apache Spark和Parquet），还有云。它可以在微软的基于云的基于Amazon S3的数据湖，还可以查询云数据仓库和其他数据源。存储和计算是分开扩展的，服务的计费模型是基于数据量的。

现代和经典的混合

为了实现优化的性能，Kyligence将Apache Parquet的柱状存储格式与分布式聚合索引相结合。后者基本上是预先计算的聚合，这是OLAP的标志。Kyligence还利用了该公司所称的“智能查询路由”，即在需要细节级数据时直接查询后端数据源。对于基于大数据的BI来说，这是一种正确的方法：预先计算尽可能减少查询时间的位置，然后转到源存储库获取详细级别的数据和/或在适当的时候将查询工作下推到后端平台。

由于这种方法，Kyligence说它的聚合层“提供了次秒的查询响应时间”与“旧式”OLAP不同，后者要求在设计多维数据集时指定此类聚合，Kyligence使用机器学习辅助方法，观察针对后端数据发出的查询，并动态自动创建聚合，Kyligence的想法是恢复OLAP所能带来的性能提升，而不是强加分析师和用户通常与OLAP方法相关联的建模负担。另一方面，正式的设计和建模也是一种选择，它支持公司所称的统一语义层（BI从业者熟悉的术语）。Kyligence表示，一个客户已经将超过100TB的数据迁移到一个Kyligence多维数据集，而另一个客户只将大约1200个IBM Cognos多维数据集移植到两个Kyligence多维数据集。

可以使用SQL、MDX或RESTful API查询Kyligence，从而允许标准BI工具进行查询。该公司为主要的BI平台提供优化的连接器。这些连接器使用直接连接方法，从而允许查询流到Kyligence，并避免在Kyligence已经提供的基础上构建具体化的工具端BI模型。

Kyligence Cloud 4立即在AWS和Azure上可用，包括通过Azure Marketplace。

Starburst获得1亿美元的C系列融资

Data lake focused Dremio筹集了1.35亿美元D轮融资

Data-driven 2021:通过注册，在数据、分析和人工智能领域迎来新的一年，您同意https://redventures.com/CMG-terms-of-use.html“target=”\u blank“rel=”noopener noreferrer nof