目前随着国产化的需求，企业数据库处理也面临着三座大山：第一是“过去”：业务数据孤岛；其次是“现在”：MPP数据库解决了
结构化业务数据的分析问题；最后是“未来”：大数据的挑战，全数据、多模型、异构、新技术…
企业的数据库也随之面临着处理变快Velocity，数据延时长，无法实时指导运营；类型变多Variety，数据源增多，结构化半结构化和非结构化数据类型；
负载变大Volume，数据量大，应用增多，数据库无法存储数据，承载负担；价值变高Value，传统数据模型无法有效支持深度挖掘，无法快速发现数据价值 这四大挑战。
在数据库技术发展过程中，演变的里程碑：
由此，大数据引发了处理架构的多元化。目前数据处理的有效架构：混搭架构，多种技术。
那么GBase UP具备哪些性能优势呢？
MPP VS. Hadoop - 性能对比
TPC-DS基准测试的特点：
• 共99个测试案例，遵循SQL99和SQL 2003的语法标准，SQL案例比较复杂
• 测试案例包含各种业务模型（如分析报告，迭代式联机分析，数据挖掘等）
• 分析的数据量大，并且测试案例是在回答真实的商业问题
• 几乎所有的测试案例都有很高的IO负载和CPU计算需求
MPP VS. Impala - 性能对比
TPC-H基准测试的特点：
• 同数据、同环境下的性能，Impala与MPP对比，根据数据特点不同，Impala较MPP会有低于7~12.3倍的性能差异
• Impala优化手段极其复杂，需要专业人士才能完成
• 不支持高精度decimal类型, 因此在实际生产环境中基本不可用
• 没有事务能力，加载和执行insert过程中可以看到脏数据，因此在实际生产环境中基本不可用
• 750G左右的数据，MPP加载17分钟，Impala +kudu加载需要23.5小时， 因此在实际生产环境中基本不可用
• 查询执行不稳定，执行SQL有时报错，当不执行任何任务时，也发现后台在做大量的IO操作，此时执行任何SQL都会报错（包括执行select count(*)这样简单的SQL）， 因此在实际生产环境中基本不可用。
Hadoop价值：非结构化数据 & 深度机器学习
Hadoop
• 非结构化数据接入和实时分析
• 历史数据查询分析
Spark
• 流数据处理
• 深度机器学习
• 图算法引擎
• R语言非结构数据算法分析
MPP和Hadoop混搭方案进行数据处理
GBase MPP擅长：
• 报表
• 即席查询
• 结构化数据模型化处理（涉及表关联，星型化/雪花形化）/ETL/ELT
• 结构化的OLAP：多表关联、复杂查询、大数据查询、大数据插入
Hadoop擅长：
• 批处理/多表全表扫描
• 实时流处理
• 图计算
• 简单查询和迭代的算法（如聚类分类算法）
• 非结构化数据存储和转换
