阿里巴巴新一代自研云数据库POLARDB与超图软件SuperMap GIS实现 “引擎级”深度对接,构建了自治、弹性、高可用的云原生时空数据管理平台联合解决方案,推出了业界首个“云原生数据库+云原生GIS”的全国产化平台。

1、阿里云POLARDB

POLARDB是阿里云自主研发的国内首个云原生数据库,兼容三种数据库引擎:MySQL、PostgreSQL、Oracle。采用了存储计算分离、软硬一体化等创新设计,满足大规模业务场景上云需求。

POLARDB集成Ganos时空引擎,基于属性-时间-空间一体化数据管理、4D移动对象建模以及空间异构计算并行加速构建时空PaaS基础服务。

2、超图SuperMap GIS

SuperMap GIS是北京超图软件股份有限公司研发的,具有完全自主知识产权的大型地理信息系统软件平台。

最新推出的SuperMap GIS 10i产品构建形成大数据GIS、人工智能GIS、新型三维GIS、云原生GIS和跨平台GIS“BitCC”五大技术体系。在GIS基础软件领域的中国市场份额稳居第一,用户遍布100多个国家和地区。

3、1+3+N联合方案

双方联合开发的云原生时空数据管理平台包含1+3+N布局:

1:统一云原生数据库和云原生GIS,完成近600个GIS标准案例库严格测试,获得双方兼容性认证,为用户构建自治、弹性、高可用的云原生时空大数据管理平台提供了强有力的基础软件平台支撑。

3:三个重磅特性:

  1. 支持全空间建模与时空多模,可综合管理地表地下、室内室外、空/天以及时空各类地物对象;
  2. 独具一库多平台兼容性,平台高度兼容Oracle和PostgreSQL,而GIS空间数据同时兼容Ganos和SuperMap接口访问,已有应用程序均可平滑迁移;
  3. 双引擎融合性能加速,SuperMap空间数据引擎与Ganos时空引擎通过深度融合获得极致性能提升。

N:多形态输出:

支持公有云和私有IDC环境部署,其中IDC支持专有云、纯软许可或POLARDB BOX一体机方式输出,充分满足安全合规需求。

4、不一样:“引擎级”深度对接

为提升GIS平台在千万以及亿级空间记录下的查询分析性能,此次双方平台的对接采用了“计算下推”的深度融合模式。

SuperMap GIS平台的空间数据引擎SDX+将空间查询和分析计算直接下推到POLARDB, POLARDB利用空间并行查询优化以及云原生时空引擎Ganos的调度,实现模型的高效映射、空间索引快速过滤以及近百个查询分析的计算下推。

经某时空信息云平台实际应用环境验证,较传统商用数据库对接方式有成倍的性能提升。

5、结语

POLARDB与SuperMap的深度融合,践行了阿里云的被集成战略,顺应了“一横一竖”的平台策略。

通过“一竖”完成垂直整合,即SuperMap借助技术集成POLARDB提升了系统整体性能和跨数据库平台兼容性,而POLARDB借助SuperMap拓宽了空间业务能力宽度。

一横是通过品牌叠加,共同打造了时空数据服务的平台生态,为联合开拓数字政府、城市大脑、智慧城市/园区/建筑等强GIS数字化领域应用提供了地上地下、室内室外领先、专业的全空间数字化解决方案能力。“一横一竖”整合,扩大了空间数据服务的“面积”。

本文作者:Roin123

原文链接

本文为云栖社区原创内容,未经允许不得转载。

开放融合 | “引擎级”深度对接!POLARDB与SuperMap联合构建首个云原生时空平台的更多相关文章

  1. 比MySQL快6倍 深度解析国内首个云原生数据库POLARDB的“王者荣耀”

    随着移动互联网.电子商务的高速发展,被使用最多的企业级开源数据系统MySQL面临着巨大挑战——为迎接“双11"的高并发要提前做好分库分表;用户不断激增要将读写分离才能应对每天上亿次的访问,但 ...

  2. 深度解析国内首个云原生数据库POLARDB的“王者荣耀”

    随着移动互联网.电子商务的高速发展,被使用最多的企业级开源数据系统MySQL面临着巨大挑战--为迎接"双11"的高并发要提前做好分库分表;用户不断激增要将读写分离才能应对每天上亿次 ...

  3. 开放应用模型(OAM):全球首个云原生应用标准定义与架构模型

    Kubernetes 项目作为容器编排领域的事实标准, 成功推动了诸如阿里云 Kubernetes (ACK)等云原生服务的迅速增长.但同时我们也关注到,Kubernetes 的核心 API 资源比如 ...

  4. 云原生数据库崛起,阿里云POLARDB当选世界互联网领先科技成果!

    第六届世界互联网大会来了!千年水乡古镇乌镇又一次吸引了全世界的目光. 刚刚,阿里云自研数据库POLARDB在会上当选世界互联网领先科技成果.POLARDB解决了企业在云时代的数据库难题,帮助企业在数小 ...

  5. 内核融合:GPU深度学习的“加速神器”

    ​编者按:在深度学习"红透"半边天的同时,当前很多深度学习框架却面临着共同的性能问题:被频繁调用的代数运算符严重影响模型的执行效率. 本文中,微软亚洲研究院研究员薛继龙将为大家介绍 ...

  6. python递归练习:生成一个n级深度的字典,例如:[1,2,3,4,5,6] 可以生成{1: {2: {3: {4: {6: 5}}}}},写一个函数定义n级

    结果#encoding = utf-8#题目:#生成一个n级深度的字典,例如:[1,2,3,4,5,6] 可以生成{1: {2: {3: {4: {6: 5}}}}},写一个函数定义n级a=[1,2, ...

  7. 正式开放 | 阿里云 10 亿级镜像服务正式支持 Helm Charts,云原生交付再加速!

    作者 | 阿里巴巴高级开发工程师 谢于宁(予栖) 2018 年 6 月,Helm 正式加入了 CNCF 孵化项目: 2018 年 8 月,据 CNCF 的调研表明,有百分之六十八的开发者选择了 Hel ...

  8. 云栖干货回顾 | 云原生数据库POLARDB专场“硬核”解析

    POLARDB是阿里巴巴自主研发的云原生关系型数据库,目前兼容三种数据库引擎:MySQL.PostgreSQL.Oracle.POLARDB的计算能力最高可扩展至1000核以上,存储容量可达100TB ...

  9. 深度解读阿里巴巴云原生镜像分发系统 Dragonfly

    Dragonfly 是一个由阿里巴巴开源的云原生镜像分发系统,主要解决以 Kubernetes 为核心的分布式应用编排系统的镜像分发难题.随着企业数字化大潮的席卷,行业应用纷纷朝微服务架构演进,并通过 ...

随机推荐

  1. session应用:

    <%@ page language="java" import="java.util.*" pageEncoding="UTF-8" ...

  2. 4 November in ss

    Contest A. 输油管道问题 某石油公司计划建造一条由东向西的主输油管道.该管道要穿过一个有 \(n\) 口油井的油田.从每口油井都要有一条输油管道沿最短路经 (或南或北) 与主管道相连.如果给 ...

  3. grid布局快速入门

    Grid布局快速入门 常用Grid布局属性介绍 下面从一个简单Grid布局例子说起.CSS Grid 布局由两个核心组成部分是 wrapper(父元素)和 items(子元素). wrapper 是实 ...

  4. MySQL常用的一些语句,索引,字段等

    1.库相关:建库:character set:指定编码COLLATE:排序规则 utf8mb4_general_ci 大小写不敏感CREATE DATABASE `test_db` default c ...

  5. jquery 自定义类

    jQuery自定义类封装: (function ($) { $.DragField = function (arg) { var name = "你好"; //这个是私有变量,外部 ...

  6. 用 Flask 来写个轻博客 (29) — 使用 Flask-Admin 实现后台管理 SQLAlchemy

    目录 目录 前文列表 扩展阅读 Flask-Admin BaseView 基础管理页面 ModelView 实现效果 前文列表 用 Flask 来写个轻博客 (1) - 创建项目 用 Flask 来写 ...

  7. Python 进阶_迭代器 & 列表解析

    目录 目录 迭代器 iter 内建的迭代器生成函数 迭代器在 for 循环中 迭代器与字典 迭代器与文件 创建迭代器对象 创建迭代对象并实现委托迭代 迭代器的多次迭代 列表解析 列表解析的样例 列表解 ...

  8. 关于之前提到的python开发restful风格的接口

    此处不做详细说明. https://gitee.com/alin2017/my-i-demo.git 附上git地址,有兴趣的可以去clone一下. 里面针对代码都有相应的注释, 对于每一个文件也有r ...

  9. 《单词的减法》state1~state17(第一遍学习记录)

    单词的减法 2016.05.18 state 1 accordingly 因此,相应地,对应地 advisory 顾问的,劝告的 annoy 打扰,干扰,使恼怒 anticipate/particip ...

  10. pytorch与numpy中的通道交换问题

    pytorch网络输入图像的格式为(C, H, W),而numpy中的图像的shape为(H,W,C) 所以一般需要变换通道,将numpy中的shape变换为torch中的shape. 方法如下: # ...