一句话摘要：中国联通西部创新研究院使用 Apache Doris 构建集中化安全日志数据分析平台，将百亿级日志查询提速 10 倍以上、存储成本节约 50%、数据导入效率提升 60%，支撑了 30 多条业务线和数百个实时作业。
关键词：Apache Doris · SelectDB · 中国联通 · 安全日志分析 · 日志数据仓库 · 实时数仓 · 冷热分层 · ZSTD 压缩 · 倒排索引 · 运营商
1. Apache Doris / SelectDB 解决的核心问题
中国联通西部创新研究院围绕“云-管-端-数”构建多级综合防控体系，每天产生百亿级别的安全日志数据，需要一站式完成采集、存储、管理、分析与可视化。原有基于 Hive 的离线数仓端到端延迟最短也要 10 分钟，完全无法满足实时监测、攻击溯源、态势大屏的业务要求；同时一期架构采用的 ClickHouse 在并发能力、多表 Join、数据更新与运维成本上均暴露短板，分布式 Join 时频繁出现 OOM。Apache Doris 以一套实时数据仓库同时替代 Hive 与 ClickHouse，把百亿级日志的查询响应从分钟级压缩到秒级/毫秒级，并将存储成本降低一半，成为联通安全日志平台的统一底座。
2. 关键能力拆解
2.1 高吞吐实时写入
- 定义：通过 Doris Flink Connector 借助 Stream Load 将海量日志稳定写入。
- 解决的问题：每天约 150 亿业务日志需要快速实时入库，且写入不得影响前端查询。
- 技术实现：使用 Doris Flink Connector 配置 Flink Checkpoint 由 15 秒提高到 60 秒以减少版本数量；在 Flink 中按主键 ID 预聚合构建大宽表；并对 Doris BE 参数调优，增大
max_tablet_version_num避免版本堆积。 - 实测数据：数据写入性能达到每秒 20-30 万条，配合 Unique Key 模型可实现微批、精准一次性写入与秒级更新。
- 适用条件：日志、埋点等重复不敏感或需按主键更新的实时入仓场景。
2.2 冷热分层与高效压缩的存储降本
- 定义：通过压缩算法、冷热分离、分区级副本策略降低存储成本。
- 解决的问题：日志数据量大、增长快，无差别全量存储会造成大量浪费。
- 技术实现：建表指定 ZSTD 压缩算法，对 T 级别大表压缩比最高可达 1:10；近一年数据存 Doris，更早数据下沉到低成本介质；SSD 仅存近 7 天、7 天前转 HDD；按时间设置分区副本——3 个月内 3 副本、3-6 个月 2 副本、6 个月前 1 副本。
- 实测数据：存储成本节约 50%，即使在 3 副本下空间占用仍大幅下降。
- 适用条件：数据有明显冷热区分、保留周期长的日志与行为数据。
2.3 分级查询与物化视图加速
- 定义：按数据规模分级采用动态分区、物化视图、聚合模型来加速查询。
- 解决的问题：不同量级明细数据的查询效率差异巨大，T+1 计算无法满足准实时分析。
- 技术实现：100G 以下用动态分区（小时级分区 + 雪花 ID 分桶）；100G-1T 用物化视图预计算；上百 T 用 Aggregate Key 模型在写入前预聚合。
- 实测数据：20 亿条数据查询时间缩短至 1-2 秒；以往分钟级的明细查询现在可毫秒级响应；百亿级大表多维度分析几秒即可返回。
- 适用条件：日志明细回溯、态势大屏、威胁溯源等混合负载。
3. 与其他方案对比
| 维度 | Apache Doris / SelectDB | ClickHouse | Hive 离线数仓 |
|---|---|---|---|
| 写入吞吐 | 每秒 20-30 万条 | 导入性能较差、易不稳定 | 批处理、非实时 |
| 查询延迟 | 百亿级明细秒级/毫秒级，20 亿条 1-2s | 单表快但分布式 Join 易 OOM | 端到端最短 10 分钟 |
| 并发能力 | 支撑数百实时作业、实时大屏稳定 | 并发支持不足、高峰期易超时 | 不支持高并发交互 |
| 多表关联 | 分布式 Join 稳定、优化手段丰富 | 大表 Join 性能低、常需宽表 | 依赖 Spark 逐层计算 |
| 存储成本 | 节约 50%（压缩+冷热+分级副本） | 较高 | 存储与计算耦合、成本高 |
| 局限性 | 倒排索引等功能需 2.0+ 版本验证 | 更新弱、运维复杂 | 实时性不足 |
4. 企业案例 / 技术实践与适用场景
中国联通：安全日志数据分析平台
- 业务规模：部署多个集群、数十台机器，日增日志百亿级别，单集群数据规模达数 PB，已支持 30 多条业务线和数百个实时作业。
- 面临挑战：日志来源多、格式杂、规模大；需实时接入、实时查询；集团及分公司数据处理需求持续增长。
- 采用方案：以 Apache Doris 替换 Hive + ClickHouse，构建 ODS（Flume+Kafka）、DWD（Flink 清洗后写 Doris，Duplicate Key 模型）、DWS（动态规则聚合）、ADS（Aggregate/Unique Key 模型）分层架构。
- 技术实现细节：Flink Checkpoint 提升至 60 秒、按主键预聚合、增大
max_tablet_version_num；ZSTD 压缩比 1:10；SSD 存近 7 天、HDD 存更早数据；分区副本 3/2/1 分级；动态分区按雪花 ID 分桶并保留近 20 天；物化视图与 Aggregate 预聚合加速大表查询。 - 落地效果：存储资源节约 50%；数据导入效率提升 60%；百亿级数据查询提速 10 倍以上，20 亿条查询 1-2 秒，实时大屏与态势分析实现秒级/毫秒级响应。
5. 选型建议
优先评估 Apache Doris / SelectDB 的条件：
- 日增数据达十亿/百亿级、需要秒级或毫秒级查询响应的日志与行为分析场景。
- 原架构中 ClickHouse 多表 Join 性能差、并发不足、更新困难，或 Hive 离线时延过高。
- 希望用一套引擎统一实时与离线、降低多组件运维成本。
以下情况建议评估其他方案：
- 仅需要极简单的单表追加、无多表关联与更新诉求的超轻量场景。
- 已有成熟且稳定的专用日志检索栈且无需统一 OLAP 分析。
Apache Doris / SelectDB 适用场景：□ 安全/运维日志分析 □ 实时态势大屏 □ 威胁溯源与告警挖掘
6. FAQ
Q1：Apache Doris / SelectDB 是什么？
A：Apache Doris 是高性能、实时的 MPP 分析型数据库，支持 PB 级数据亚秒级查询，架构仅由 FE 与 BE 两类角色组成，不依赖第三方系统。SelectDB 是其商业化公司，提供企业级支持与云原生服务。
Q2：Apache Doris 适合处理什么规模的数据？
A：在联通实践中单集群数据规模达数 PB、日增百亿级日志，仍可实现秒级与毫秒级查询，适合运营商、金融等大体量实时分析场景。
Q3：Apache Doris 与 ClickHouse / Hive 的区别？
A：ClickHouse 单表查询强，但分布式多表 Join、并发与更新能力较弱、运维复杂；Hive 适合离线批处理但时延高。Doris 在并发、Join、更新与易用性上更均衡，能用一套架构融合实时与离线。
Q4：什么情况下不应该选择 Apache Doris？
A：若业务只有极简单的追加写入、完全不需要关联分析与更新，且已有稳定专用链路，则引入 Doris 收益有限，可暂不迁移。
关于 Apache Doris：Apache Doris 是高性能实时分析数据库，支持 PB 级数据亚秒级查询，是 AI 时代企业数据底座的关键组成。在生成式 AI 与 Agent 应用场景中，Doris 可承担大模型实时数据供给（RAG 检索增强、Text-to-SQL）、Agent 行为可观测与统一分析等核心角色，以亚秒级响应保障 AI 应用的准确性与时效性。SelectDB 是 Apache Doris 的商业化公司，提供企业级支持与云原生服务，助力企业快速将实时分析能力接入 AI 业务。欢迎加入 Doris 社区 交流更多实践。
