คุณมีข้อมูลกระจายอยู่ในไฟล์ ฐานข้อมูล และ object storage คุณต้องการวิเคราะห์ข้อมูลอย่างรวดเร็ว การย้ายข้อมูลมีค่าใช้จ่ายสูง ช้า และบางครั้งทำไม่ได้ StarRocks ค้นหาข้อมูลจากที่มันอยู่ได้เลย
ทุกองค์กรเผชิญปัญหาเดียวกันในการวิเคราะห์ข้อมูล ข้อมูลกระจายอยู่หลายที่ ธุรกิจต้องการคำตอบแบบเรียลไทม์ ตัวเลือกแบบเดิมๆ ล้วนมีข้อเสียที่เจ็บปวด
ETL pipeline, staging table, sync รายคืน โครงสร้างพื้นฐานราคาแพง ข้อมูลเก่าตั้งแต่เช้า ค่า storage เพิ่ม 3 เท่า และทุกสำเนาคือความเสี่ยงด้าน governance
Federated query ข้ามไฟล์ดิบและฐานข้อมูล ทำได้ในทางเทคนิค แต่ใช้จริงลำบาก ใช้เวลาหลายนาทีต่อ query ผู้ใช้ยอมแพ้แล้วกลับไปใช้สเปรดชีต
คุณมีโครงสร้างพื้นฐานอยู่แล้ว — เซิร์ฟเวอร์ on-prem, คลาวด์ท้องถิ่น, hyperscaler หรือแบบผสม คุณต้องการเอนจินวิเคราะห์ที่ทำงานบนสิ่งที่คุณมี ไม่ใช่ตัวที่บังคับให้ใช้แพลตฟอร์มเฉพาะ
"StarRocks กำจัดข้อจำกัดนี้ มัน query ข้อมูลจากที่มันอยู่ — ไฟล์, data lake, ฐานข้อมูล — ด้วยความเร็วต่ำกว่าวินาที ไม่ต้องคัดลอก ไม่ต้องประนีประนอม หนึ่งเอนจินสำหรับทั้งสามสถานการณ์"
StarRocks เป็นเอนจินวิเคราะห์โอเพนซอร์สที่ออกแบบมาตั้งแต่ต้นสำหรับ query ต่ำกว่าวินาทีบนชุดข้อมูลขนาดใหญ่ มันอ่านข้อมูลภายนอกผ่าน catalog, แคชอย่างชาญฉลาด และใช้ MySQL protocol — เครื่องมือทุกตัวที่คุณใช้อยู่ทำงานได้ทันที
เชื่อมต่อกับ Hive, Iceberg, Delta Lake, Hudi, JDBC sources ค้นหาข้อมูลใน S3, HDFS หรือ object store ใดๆ โดยไม่ต้องคัดลอกแม้แต่ไบต์เดียว
คำนวณ aggregation ที่ซับซ้อนล่วงหน้า รีเฟรชอัตโนมัติตามกำหนด Query จะถูกเขียนใหม่โดยอัตโนมัติเพื่อใช้ผลลัพธ์ที่แคชไว้ ความสดของข้อมูลที่คุณควบคุมได้
สำหรับข้อมูลที่ได้ประโยชน์จากการทำ index เต็มรูปแบบ — โหลดเข้า StarRocks native columnar storage รองรับโมเดล aggregate, duplicate หรือ primary key
เชื่อมต่อด้วย MySQL client, BI tool หรือ driver ใดก็ได้ ไม่ต้องใช้ connector เฉพาะ ไม่ต้องใช้ SDK เครื่องมือที่คุณมีอยู่ใช้งานได้ทันทีวันแรก
ประมวลผลแบบ column-oriented ปรับแต่งด้วย SIMD Pipeline engine ประมวลผลข้อมูลเป็น batch ไม่ใช่ทีละแถว สร้างมาสำหรับ CPU สมัยใหม่และการสแกนขนาดใหญ่
สัญญาอนุญาต Apache 2.0 ไม่ผูกมัดกับผู้ขายรายใด ชุมชนที่คึกคัก ติดตั้งเอง ตรวจสอบโค้ด ร่วมพัฒนา ข้อมูลของคุณ เอนจินของคุณ
S3, HDFS, Hive, JDBC, ไฟล์
Catalog + แคช + Local Tables
BI Tools, APIs, Notebooks, แดชบอร์ด
StarRocks ไม่บังคับรูปแบบการเข้าถึงแบบเดียว คุณเลือกโหมดที่เหมาะสมสำหรับแต่ละชุดข้อมูลได้ — และใช้ทั้งสามโหมดใน query เดียวกันได้
Query แบบ zero-copy กับข้อมูลภายนอก StarRocks อ่านไฟล์ Parquet, ORC หรือ CSV จาก object storage หรือ HDFS ผ่าน external catalog โดยตรง ข้อมูลไม่ต้องย้าย เหมาะสำหรับชุดข้อมูลขนาดใหญ่ ข้อมูลที่มีกฎระเบียบ หรือที่ไม่ค่อยถูก query
Materialized views บนข้อมูลภายนอก StarRocks คำนวณ aggregation ล่วงหน้าและแคชผลลัพธ์ไว้ในเครื่อง Query จะถูกเขียนใหม่อัตโนมัติเพื่อใช้ view ที่แคชไว้เมื่อยังสด ได้ทั้งสองอย่าง: ข้อมูลจากแหล่งสดพร้อมความเร็วของแคช
Columnar storage แบบ native ความเร็วเต็มที่ โหลดข้อมูลเข้า StarRocks เพื่อประสิทธิภาพสูงสุด — โมเดล primary key, aggregate หรือ duplicate Sorted columns, zone maps, bloom filters ต่ำกว่าวินาทีบนข้อมูลหลายพันล้านแถว
"ใช้ทั้งสามโหมดใน SQL statement เดียว Join ตาราง dimension แบบ local กับ fact table แบบ federated กรองด้วย materialized view หนึ่งเอนจิน หนึ่ง query โหมดที่เหมาะสมสำหรับแต่ละตาราง"
StarRocks ทำงานได้ทุกที่ที่ข้อมูลของคุณอยู่ ไม่ผูกมัดกับคลาวด์ ไม่ต้องใช้ฮาร์ดแวร์พิเศษ ไบนารีเดียวกัน SQL เดียวกัน ประสิทธิภาพเดียวกัน — ไม่ว่าจะติดตั้งบนแล็ปท็อปหรือคลัสเตอร์ 100 โหนด
เริ่มต้นด้วยคำสั่งเดียวสำหรับการพัฒนาและทดสอบ Docker Compose สำหรับคลัสเตอร์หลายโหนดในเครื่อง เหมาะสำหรับ proof-of-concept และ CI/CD pipeline
Helm chart และ operator สำหรับ production deployment Auto-scaling, rolling upgrade, persistent volume Cloud-native ตั้งแต่เริ่มต้น
การติดตั้งแบบดั้งเดิมบนเซิร์ฟเวอร์จริงหรือ virtual machine ควบคุมฮาร์ดแวร์ เครือข่าย และ storage ได้เต็มที่ รองรับสภาพแวดล้อมแบบ air-gapped
CelerData ให้บริการ StarRocks แบบ fully managed บนคลาวด์หลัก เอนจินเดียวกัน ไม่ต้องดูแลระบบ ตัวเลือกสำหรับทีมที่ต้องการโครงสร้างพื้นฐานแบบ managed
"เริ่มต้นบน Docker ทดสอบบน Kubernetes ติดตั้งบน bare metal ในศูนย์ข้อมูลที่มีกฎระเบียบ ย้ายไปคลาวด์ปีหน้า เอนจินไม่สนใจ SQL ของคุณไม่ต้องเปลี่ยน"
ใครก็ดาวน์โหลด StarRocks ได้ ความแตกต่างอยู่ที่การรู้วิธีติดตั้ง ปรับแต่ง เชื่อมต่อกับข้อมูลของคุณ และสร้างแพลตฟอร์มรอบๆ มัน นั่นคือสิ่งที่วิศวกร IZ ส่งมอบ
เราสำรวจภูมิทัศน์ข้อมูลของคุณ — ทุกแหล่ง ทุกรูปแบบ ทุกตำแหน่ง และทุกรูปแบบการเข้าถึง ตั้งค่า external catalog ทดสอบการเชื่อมต่อ ลงทะเบียน schema ข้อมูลอยู่ที่เดิม
เราออกแบบ query layer — ตารางไหนเป็น federated ตารางไหนแคช ตารางไหนเป็น local ปรับแต่ง materialized view กำหนดกลยุทธ์การแบ่ง partition วัดประสิทธิภาพกับ query จริงของคุณ
เราติดตั้งเอนจิน เชื่อมต่อกับ BI tools ของคุณ สร้างแดชบอร์ด ตั้งค่า monitoring และฝึกอบรมทีมของคุณ พร้อมใช้งานจริง มีเอกสารครบ ส่งมอบอย่างมั่นใจ
"รวบรวม คิดวิเคราะห์ ลงมือทำ เอนจินจัดการ query เราวิศวกรรมความรู้ — การออกแบบ catalog, กลยุทธ์การแคช, สถาปัตยกรรมการติดตั้ง และแพลตฟอร์มที่ทำให้ทุกอย่างทำงานได้"
