WO2023035356A1 - 基于云上分析场景的混合查询方法和***、存储介质 - Google Patents

基于云上分析场景的混合查询方法和***、存储介质 Download PDF

Info

Publication number
WO2023035356A1
WO2023035356A1 PCT/CN2021/123289 CN2021123289W WO2023035356A1 WO 2023035356 A1 WO2023035356 A1 WO 2023035356A1 CN 2021123289 W CN2021123289 W CN 2021123289W WO 2023035356 A1 WO2023035356 A1 WO 2023035356A1
Authority
WO
WIPO (PCT)
Prior art keywords
query
index
information
aggregated
meta
Prior art date
Application number
PCT/CN2021/123289
Other languages
English (en)
French (fr)
Inventor
陈畅
刘能
马洪宾
李扬
韩卿
Original Assignee
上海跬智信息技术有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 上海跬智信息技术有限公司 filed Critical 上海跬智信息技术有限公司
Priority to EP21930626.3A priority Critical patent/EP4174678A4/en
Priority to US18/092,273 priority patent/US20230153286A1/en
Publication of WO2023035356A1 publication Critical patent/WO2023035356A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2272—Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2264—Multidimensional index structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2433—Query languages
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2453—Query optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution

Definitions

  • the invention belongs to the technical field of data processing, and in particular relates to a hybrid query method, system and storage medium based on analysis scenarios on the cloud.
  • precalculated data query systems generally provide SQL, or a language similar to SQL, like general query systems.
  • the precomputed query system expects to select different aggregation indexes.
  • This provides a great choice for the distributed physical execution model: when a query selects a highly aggregated aggregated index (in layman's terms, it is an aggregated index with a small number of data rows), such as a For the aggregated index aggregated according to the age dimension, the amount of data to be accessed to complete this query is very small (normally 2 rows), and if the query selects a low aggregation level aggregated according to the insurer + date dimension Aggregated index (in layman's terms, there are a lot of data rows), the amount of data that needs to be accessed is still large.
  • the present invention provides a hybrid query method based on analysis scenarios on the cloud, comprising steps:
  • a query mode corresponding to the meta information is determined, wherein the query mode includes a storage-computing separation or a query mode of the MPP architecture.
  • said acquiring query information, obtaining its index based on the query information specifically includes:
  • Query information is extracted as an index based on the syntax tree.
  • the aggregation index specifically includes:
  • the new aggregated index is constructed based on the new data increment of the dimension and the measure, and the old aggregated index whose usage frequency is decreased, specifically includes:
  • the meta-information obtained based on pre-computation is compared with the meta-information of the aggregation index, specifically including:
  • the aggregated index is hit, otherwise there is no hit.
  • the query method corresponding to the meta information is determined, wherein the query method includes a storage-computing separation or an MPP architecture query method, specifically including:
  • rule base of the cost includes that when the two meta-information are the same, the query method of separating storage and calculation is preferred, otherwise the query mode of the MPP architecture is preferred;
  • the rule base of the cost further includes:
  • the aggregation is completed in the database of the MPP architecture, and the query result is returned.
  • a hybrid query system based on analysis scenarios on the cloud characterized in that it includes:
  • a query input module is used to obtain query information, and obtain its index based on the query information
  • a pre-calculation module configured to obtain the meta-information of the index based on the pre-computation, and compare it with the meta-information of the aggregation index;
  • the query selection module is used to select the storage-computing separation or the query mode of the MPP architecture according to whether the aggregation index is hit, and return the query result.
  • the query input module specifically includes:
  • Query information is extracted as an index based on the syntax tree.
  • the query input module specifically includes:
  • the query input module specifically includes:
  • the pre-calculation module specifically includes:
  • the aggregated index is hit, otherwise there is no hit.
  • the query selection module specifically includes:
  • rule base of the cost includes that when the two meta-information are the same, the query method of separating storage and calculation is preferred, otherwise the query mode of the MPP architecture is preferred;
  • the query selection module specifically includes:
  • the aggregation is completed in the database of the MPP architecture, and the query result is returned.
  • An electronic device includes a memory and a processor, the memory stores a computer program, and the computer program is executed in the processor to implement any one of the above methods.
  • a storage medium storing a computer program, wherein the computer program is executed in a processor to implement any one of the above methods.
  • the present invention provides an optimization strategy for the query system based on the pre-computation theory by classifying two common distributed computing architectures of the pre-computation query system, and dynamically and intelligently selects the
  • the optimal distributed computing structure realizes sub-second high-performance query response as a result, can support higher high-concurrency dimensional search to meet business needs, and at the same time ensure the technical effect of query system stability.
  • Fig. 1 is the flow chart of the mixed query method based on the analysis scene on the cloud of the present application
  • Fig. 2 is the analysis result schematic diagram of the SQL query statement of the present application
  • Fig. 3 is the bar schematic diagram based on the test result of user 2 of the present application.
  • FIG. 4 is a bar schematic diagram of the test results based on user 4 of the present application.
  • the term “storage medium” may refer to various media capable of storing computer programs such as ROM, RAM, magnetic disk or optical disk.
  • the term “processor” can be CPLD (Complex Programmable Logic Device: Complex Programmable Logic Device), FPGA (Field-Programmable Gate Array: Field Programmable Gate Array), MCU (Microcontroller Unit: Micro Control Unit), PLC (Programmable Logic Controller: programmable logic controller) and CPU (Central Processing Unit: central processing unit) and other chips or circuits with data processing functions.
  • electronic equipment can refer to any equipment with data processing function and storage function, which can generally include fixed terminals and mobile terminals.
  • Fixed terminals such as desktop computers, etc.
  • Mobile terminals such as mobile phones, PADs, and mobile robots.
  • technical features involved in different embodiments of the present invention described later may be combined with each other as long as they do not constitute a conflict with each other.
  • This embodiment provides a hybrid query method based on analysis scenarios on the cloud, as shown in Figure 1, including steps:
  • the acquisition of query information is based on the query information to obtain its index, as shown in Figure 2, specifically including:
  • the extraction of query information based on the syntax tree as an index specifically includes:
  • the aggregation index specifically includes:
  • the constructing an aggregated index based on the frequency of use of dimensions and metrics includes:
  • S152 Determine the user's query habits based on the analysis results, including but not limited to the dimension type selected by the user and the measurement range selected by the user;
  • the new aggregated index is constructed based on the new data increment of the dimension and the measure, and the old aggregated index whose usage frequency is reduced, specifically includes:
  • the meta-information obtained based on the pre-computation is compared with the meta-information of the aggregation index, specifically including:
  • the query method corresponding to the meta information is determined, wherein the query method includes a storage-computing separation or a query method of the MPP architecture, specifically including:
  • the cost rule base also includes:
  • This embodiment provides a hybrid query system based on analysis scenarios on the cloud, which is characterized in that it includes:
  • a query input module is used to obtain query information, and obtain its index based on the query information
  • a pre-calculation module configured to obtain the meta-information of the index based on the pre-computation, and compare it with the meta-information of the aggregation index;
  • the query selection module is used to select the storage-computing separation or the query mode of the MPP architecture according to whether the aggregation index is hit, and return the query result.
  • the query input module specifically includes:
  • Query information is extracted as an index based on the syntax tree.
  • the query input module specifically includes:
  • the query input module specifically includes:
  • the pre-calculation module specifically includes:
  • the aggregated index is hit, otherwise there is no hit.
  • the query selection module specifically includes:
  • rule base of the cost includes that when the two meta-information are the same, the query method of separating storage and calculation is preferred, otherwise the query mode of the MPP architecture is preferred;
  • the query selection module specifically includes:
  • the aggregation is completed in the database of the MPP architecture, and the query result is returned.
  • the acquired query information is to calculate the sum (sum(amount)) of the policy amount of the insurance salesperson (seller_id) on a certain day (date).
  • SQL1 will involve a large amount of data scanning.
  • the acquiring query information and obtaining its index based on the query information specifically include:
  • the cost rule base also includes:
  • the aggregation index specifically includes:
  • the new aggregated index is constructed based on the new data increment of the dimension and the measure, and the old aggregated index whose usage frequency is reduced, specifically includes:
  • the meta-information obtained based on the pre-computation is compared with the meta-information of the aggregation index, specifically including:
  • the query method corresponding to the meta information is determined, wherein the query method includes a storage-computing separation or a query method of the MPP architecture, specifically including:
  • the optimizer rule finds that the aggregation operation is above the table scan through pattern matching, and can push the aggregation operation to the table scan to reduce the data transmitted from the MPP engine back to the computing engine. According to different SQL, the reduction of data can reach GB level.
  • a stress test is performed based on the data set of user 2, and the test results are shown in FIG. 3 .
  • Kyligence refers to products that do not use this technology
  • Kyligence with Tiered Storage refers to the latest products that use this technology.
  • the fixed query here refers to the query that can use the aggregated index, and it can be seen that there is no improvement.
  • Ad-hoc queries here refer to queries that cannot be accelerated by aggregation indexes. After using this technology, MPP is used to accelerate transparently. Under the concurrent pressure test of two users, the performance is improved by 3 times.
  • a stress test is performed based on the data set of user 4, and the test results are shown in FIG. 4 .
  • Kyligence refers to products that do not use this technology
  • Kyligence with Tiered Storage refers to the latest products that use this technology.
  • the fixed query here refers to the query that can use the aggregated index, and it can be seen that there is no improvement.
  • Ad-hoc queries here refer to queries that cannot be accelerated by aggregation indexes. After using this technology, MPP is used to accelerate transparently. Under the concurrent pressure test of two users, the performance is also improved by nearly 2 times.
  • the embodiment of the present invention also includes an electronic device, including a memory and a processor, the memory stores a computer program, and when the computer program is executed in the processor, it is used to realize the above-mentioned hybrid query based on the analysis scene on the cloud method, which includes:
  • the present invention also provides a readable storage medium, where a computer program is stored in the readable storage medium, and when the computer program is executed by a processor, it is used to realize the above-mentioned cloud-based analysis scene mixing
  • the query method which includes:
  • the readable storage medium may be a computer storage medium, or a communication medium.
  • Communication media includes any medium that facilitates transfer of a computer program from one place to another.
  • Computer storage media can be any available media that can be accessed by a general purpose or special purpose computer.
  • a readable storage medium is coupled to the processor such that the processor can read information from, and write information to, the readable storage medium.
  • the readable storage medium can also be a component of the processor.
  • the processor and the readable storage medium may be located in application specific integrated circuits (Application Specific Integrated Circuits, ASIC). Additionally, the ASIC may be located in the user equipment.
  • ASIC Application Specific Integrated Circuits
  • the processor and the readable storage medium can also exist in the communication device as discrete components.
  • the readable storage medium may be read only memory (ROM), random access memory (RAM), CD-ROM, magnetic tape, floppy disk, and optical data storage devices, among others.
  • the present invention also provides a program product, which includes execution instructions, and the execution instructions are stored in a readable storage medium.
  • At least one processor of the device may read the execution instruction from the readable storage medium, and the at least one processor executes the execution instruction so that the device implements the methods provided in the foregoing various implementation manners.
  • the processor can be a central processing unit (English: Central Processing Unit, CPU), and can also be other general-purpose processors, digital signal processors (English: Digital Signal Processor, DSP )wait.
  • a general-purpose processor may be a microprocessor, or the processor may be any conventional processor, or the like.
  • the steps of the method disclosed in conjunction with the present invention can be directly implemented by a hardware processor, or implemented by a combination of hardware and software modules in the processor.
  • each module or each step of the present invention described above can be realized by a general-purpose computing system, and they can be concentrated on a single computing system, or distributed in a network composed of multiple computing systems
  • they can be implemented with executable program codes of the computing system, so that they can be stored in the storage system and executed by the computing system, or they can be made into individual integrated circuit modules, or they can be integrated into Multiple modules or steps are fabricated into a single integrated circuit module to realize.
  • the present invention is not limited to any specific combination of hardware and software.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种基于云上分析场景的混合查询方法和***、存储介质。该方法包括获取查询信息，基于查询信息得到其索引；基于预计算获取索引的元信息，与聚合索引的元信息对比；基于对比的结果，确定元信息对应的查询方式，其中，所述查询方式包括存算分离或MPP架构的查询方式。本申请解决了在超高维的环境中，如何让预计算查询***能够最高效，更稳定地利用预计算的结果，最快速地响应客户的查询，同时避免产生大量的冗余数据的技术问题。

Description

基于云上分析场景的混合查询方法和***、存储介质 技术领域
本发明属于数据处理技术领域，尤其涉及一种基于云上分析场景的混合查询方法和***、存储介质。
背景技术
在数字化背景下，典型的大数据的应用场景需要面对的数据的规模呈指数级增长。即便如此，人们还是希望能从数据中更精确，更高效，更便捷，更密集地挖掘商业价值。这就对处理这些数据的查询***提出了很高的要求。典型的传统分布式查询计算框架需要占用更多的内存资源，网络资源，CPU资源才能满足日益增长的业务需求，因此一些基于预计算理论的查询***开始得到重视，例如Apache Kylin,Apache Druid等。这类预计算***能够利用空余的计算、存储资源提前完成部分的计算，并且将这些计算结果保存在可持久化的存储介质中，当用户查询到来的时候，只需要进行少量的数据再加工便可以回答用户的查询，因此这类***在查询的响应速度，吞吐量等方面都有非常大的优势。另外，为了保持对业务***(包括BI工具，报表，数据分析算法等)的兼容性，预计算数据查询***一般也像通用查询***一样，提供SQL，或者近似SQL的语言。
对于不同的查询，预计算查询***预期选中的聚合索引是不同的。这就给分布式物理执行模型提供了很大选择余地：当某个查询选中的是一个被聚合程度很高的聚合索引(通俗地说就是数据行数很少的聚合索引)的时候，如一个按照年龄维度聚合的聚合索引，那么完成这个查询所需访问的数据量是很小的(正常情况下就是2行)，而如果查询选中的是一个按照承保人+日期维度聚合的低聚合程度的聚合索引(通俗地说就是数据行数很多)，那么需要访问的数据量仍然很大。
在大规模的联机多维分析中，预计算查询***存在两个基础性的难题：维度***和冷启动。举例来说，10个维度将产生1024个维度组合；而11个维度将产生2048个维度组合。Apache Kylin通过巧妙地选择要预计算地聚合索引，可以显著地提升平均响应时间，但是随着维度的增加，例如，当前一个典型地用户标签***往往至少500维起，这就使得无论如何选择都变得并不实用，特别是在云上的分布式环境中，这两个难题因为对象存储而放大。在这种超高维的环境中，如何让预计算查询***能够最高效，更稳定地利用预计算的结果，最快速地响应客户的查询，同时避免产生大量的冗余数据，就是本发明要解决的问题。
综上所述，现有技术存在如下技术问题：
在超高维的环境中，如何让预计算查询***能够最高效，更稳定地利用预计算的结果，最快速地响应客户的查询，同时避免产生大量的冗余数据。
发明内容
为解决上述技术问题，本发明提供一种基于云上分析场景的混合查询方法，包括步骤：
获取查询信息，基于查询信息得到其索引；
基于预计算获取索引的元信息，与聚合索引的元信息对比；
基于对比的结果，确定元信息对应的查询方式，其中，所述查询方式包括存算分离或MPP架构的查询方式。
优选的，所述获取查询信息，基于查询信息得到其索引，具体包括：
获取SQL查询语句；
获取SQL分析器，将SQL查询语句分析为语法树；
基于所述语法树提取查询信息作为索引。
优选的，所述聚合索引，具体包括：
获取历史查询信息的数据量；
如果历史查询信息的数据量达到预设阈值，获取所述历史查询信息的维度和度量；
基于维度和度量的使用频率构建聚合索引，将聚合索引的元信息加载到对象存储中；
基于维度和度量的新数据增量构建新聚合索引，以及删除使用频率下降的旧聚合索引；
基于预计算将新聚合索引的元信息加载到对象存储中，更新聚合索引的元信息。
优选的，所述基于维度和度量的新数据增量构建新聚合索引，以及删除使用频率下降的旧聚合索引，具体包括：
在收到构建新聚合索引的请求后，基于用户选择确定是否构建新聚合索引；
如果确定构建新聚合索引，则每隔预设时间基于维度和度量的新数据增量构建新聚合索引，如果确定不构建新聚合索引，则停止；
异步删除旧聚合索引，即标记为可删除，在后续的垃圾清理过程中物理删除。
优选的，所述基于预计算获取索引的元信息，与聚合索引的元信息对比，具体包括：
在索引中提取其元信息；
将索引的元信息与获取的对象存储中的聚合索引的元信息对比；
当索引的元信息与聚合索引的元信息相同，则命中聚合索引，否则没有命中。
优选的，所述基于对比的结果，确定元信息对应的查询方式，其中，所述查询方式包括存算分离或MPP架构的查询方式，具体包括：
获取代价的规则库，其中，代价的规则库包括当两个元信息相同，优先选择存算分离的查询方式，否则优先选择MPP架构的查询方式；
获取对比结果，基于代价的规则库进行选择；
获取存算分离或MPP架构的查询结果。
优选的，所述代价的规则库，还包括：
将查询语句的识别下推到MPP架构的数据库；
在所述数据库中识别查询语句中的聚合和过滤部分；
在MPP架构的数据库完成聚合，返回查询结果。
一种基于云上分析场景的混合查询的***，其特征在于，包括：
查询输入模块，用于获取查询信息，基于查询信息得到其索引；
预计算模块，用于基于预计算获取索引的元信息，与聚合索引的元信息对比；
查询选择模块，用于根据是否命中聚合索引，选择存算分离或MPP架构的查询方式并返回查询结果。
优选的，所述查询输入模块，具体包括：
获取SQL查询语句；
获取SQL分析器，将SQL查询语句分析为语法树；
基于所述语法树提取查询信息作为索引。
优选的，所述查询输入模块，具体包括：
获取历史查询信息的数据量；
如果历史查询信息的数据量达到预设阈值，获取所述历史查询信息的维度和度量；
基于维度和度量的使用频率构建聚合索引，将聚合索引的元信息加载到对象存储中；
基于维度和度量的新数据增量构建新聚合索引，以及删除使用频率 下降的旧聚合索引；
基于预计算将新聚合索引的元信息加载到对象存储中，更新聚合索引的元信息。
优选的，所述查询输入模块，具体包括：
在收到构建新聚合索引的请求后，基于用户选择确定是否构建新聚合索引；
如果确定构建新聚合索引，则每隔预设时间基于维度和度量的新数据增量构建新聚合索引，如果确定不构建新聚合索引，则停止；
异步删除旧聚合索引，即标记为可删除，在后续的垃圾清理过程中物理删除。
优选的，所述预计算模块，具体包括：
在索引中提取其元信息；
将索引的元信息与获取的对象存储中的聚合索引的元信息对比；
当索引的元信息与聚合索引的元信息相同，则命中聚合索引，否则没有命中。
优选的，所述查询选择模块，具体包括：
获取代价的规则库，其中，代价的规则库包括当两个元信息相同，优先选择存算分离的查询方式，否则优先选择MPP架构的查询方式；
获取对比结果，基于代价的规则库进行选择；
获取存算分离或MPP架构的查询结果。
优选的，所述查询选择模块，具体包括：
将查询语句的识别下推到MPP架构的数据库；
在所述数据库中识别查询语句中的聚合和过滤部分；
在MPP架构的数据库完成聚合，返回查询结果。
一种电子设备，包括存储器和处理器，所述存储器存储计算机程序， 其特征在于，所述计算机程序在所述处理器中执行可实现以上任一种方法。
一种存储介质，存储计算机程序，其特征在于，所述计算机程序在处理器中执行可实现以上任一种方法。
本发明通过归类预计算查询***常见的两种分布式计算架构，为基于预计算理论的查询***提供一种优化策略，根据预计算结果的元信息，以及查询本身的特性，动态智能地选择最优的分布式计算结构，实现了亚秒级高性能的查询响应作为结果，可以支撑更高的高并发维度搜索以满足业务需求，同时保证查询***的稳定性的技术效果。
附图说明
图1为本申请的基于云上分析场景的混合查询方法的流程图；
图2为本申请的SQL查询语句的分析结果示意图；
图3为本申请的基于用户2的测试结果的条形示意图；
图4为本申请的基于用户4的测试结果的条形示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，在本发明的描述中，除非另有明确的规定和限定，术语“存储介质”可以是ROM、RAM、磁碟或者光盘等各种可以存储计算机程序的介质。术语“处理器”可以是CPLD(Complex Programmable Logic Device：复杂可编程逻辑器件)、FPGA(Field－Programmable Gate Array：现场可编程门阵列)、MCU(Microcontroller Unit：微控制单元)、PLC(Programmable Logic Controller：可编程逻辑控制器)以及CPU(Central Processing Unit：中央处理器)等具备数据处理功能的芯片或电路。术语“电子设备”可以是具有数据处理功能和存储功能的任何设备，通常可以包括固定终端和移 动终端。固定终端如台式机等。移动终端如手机、PAD以及移动机器人等。此外，后续所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
下面，本发明提出部分优选实施例以教导本领域技术人员实现。
实施例一
本实施例提供一种基于云上分析场景的混合查询方法，如图1所示，包括步骤：
S100、获取查询信息，基于查询信息得到其索引；
S200、基于预计算获取索引的元信息，与聚合索引的元信息对比；
S300、基于对比的结果，确定元信息对应的查询方式，其中，所述查询方式包括存算分离或MPP架构的查询方式。
在进一步的实施例中，所述获取查询信息，基于查询信息得到其索引，如图2所示，具体包括：
S110、获取SQL查询语句；
S120、获取SQL分析器，将SQL查询语句分析为语法树；
S130、基于所述语法树提取查询信息作为索引。
在更进一步的实施例中，所述基于所述语法树提取查询信息作为索引，具体包括：
S131、基于所述语法树获取查询信息的维度和度量；
S132、获取索引的维度和度量与所述查询的维度和度量进行比较；
S133、选择相匹配的索引，其中，相匹配的索引为预设的基础索引。
在进一步的实施例中，所述聚合索引，具体包括：
S140、获取历史查询信息的数据量；
S150、如果历史查询信息的数据量达到预设阈值，获取所述历史查询信息的维度和度量；
S160、基于维度和度量的使用频率构建聚合索引，将聚合索引的元信息加载到对象存储中；
S170、基于维度和度量的新数据增量构建新聚合索引，以及删除使用频率下降的旧聚合索引；
S180、基于预计算将新聚合索引的元信息加载到对象存储中，更新聚合索引的元信息。
在进一步的实施例中，所述基于维度和度量的使用频率构建聚合索引，具体包括：
S151、基于智能优化***分析用户行为；
S152、基于分析结果确定用户的查询习惯，其中包括但不限于用户选择的维度类型、用户选择的度量范围；
S153、基于用户的查询习惯构建聚合索引。
在更进一步的实施例中，所述基于维度和度量的新数据增量构建新聚合索引，以及删除使用频率下降的旧聚合索引，具体包括：
S161、在收到构建新聚合索引的请求后，基于用户选择确定是否构建新聚合索引；
S162、如果确定构建新聚合索引，则每隔预设时间基于维度和度量的新数据增量构建新聚合索引，如果确定不构建新聚合索引，则停止；
S163、异步删除旧聚合索引，即标记为可删除，在后续的垃圾清理过程中物理删除。
在进一步的实施例中，所述基于预计算获取索引的元信息，与聚合索引的元信息对比，具体包括：
S210、在索引中提取其元信息；
S220、将索引的元信息与获取的对象存储中的聚合索引的元信息对比；
S230、当索引的元信息与聚合索引的元信息相同，则命中聚合索引，否则没有命中。
在进一步的实施例中，所述基于对比的结果，确定元信息对应的查询方式，其中，所述查询方式包括存算分离或MPP架构的查询方式，具体包括：
S310、获取代价的规则库，其中，代价的规则库包括当两个元信息相同，优先选择存算分离的查询方式，否则优先选择MPP架构的查询方式；
S320、获取对比结果，基于代价的规则库进行选择；
S330、获取存算分离或MPP架构的查询结果。
在更进一步的实施例中，所述代价的规则库，还包括：
S321、将查询语句的识别下推到MPP架构的数据库；
S322、在所述数据库中识别查询语句中的聚合和过滤部分；
S323、在MPP架构的数据库完成聚合，返回查询结果。
从以上的描述中，可以看出，本发明实现了如下技术效果：
1、通过归类预计算查询***常见的两种分布式计算架构，实现了为基于预计算理论的查询***提供一种优化策略的技术效果；
2、通过预计算结果的元信息以及查询本身的特性，实现了动态智能地选择最优的分布式计算结构的技术效果；
3、通过实现亚秒级高性能的查询响应，实现了支撑更高的高并发维度搜索以满足业务需求，同时保证查询***的稳定性的技术效果。
实施例二
本实施例提供一种基于云上分析场景的混合查询的***，其特征在于，包括：
查询输入模块，用于获取查询信息，基于查询信息得到其索引；
预计算模块，用于基于预计算获取索引的元信息，与聚合索引的元信息对比；
查询选择模块，用于根据是否命中聚合索引，选择存算分离或MPP架构的查询方式并返回查询结果。
在进一步的实施例中，所述查询输入模块，具体包括：
获取SQL查询语句；
获取SQL分析器，将SQL查询语句分析为语法树；
基于所述语法树提取查询信息作为索引。
在进一步的实施例中，所述查询输入模块，具体包括：
获取历史查询信息的数据量；
如果历史查询信息的数据量达到预设阈值，获取所述历史查询信息的维度和度量；
基于维度和度量的使用频率构建聚合索引，将聚合索引的元信息加载到对象存储中；
基于维度和度量的新数据增量构建新聚合索引，以及删除使用频率下降的旧聚合索引；
基于预计算将新聚合索引的元信息加载到对象存储中，更新聚合索引的元信息。
在更进一步的实施例中，所述查询输入模块，具体包括：
在收到构建新聚合索引的请求后，基于用户选择确定是否构建新聚合索引；
如果确定构建新聚合索引，则每隔预设时间基于维度和度量的新数据增量构建新聚合索引，如果确定不构建新聚合索引，则停止；
异步删除旧聚合索引，即标记为可删除，在后续的垃圾清理过程中物理删除。
在进一步的实施例中，所述预计算模块，具体包括：
在索引中提取其元信息；
将索引的元信息与获取的对象存储中的聚合索引的元信息对比；
当索引的元信息与聚合索引的元信息相同，则命中聚合索引，否则没有命中。
在进一步的实施例中，所述查询选择模块，具体包括：
获取代价的规则库，其中，代价的规则库包括当两个元信息相同，优先选择存算分离的查询方式，否则优先选择MPP架构的查询方式；
获取对比结果，基于代价的规则库进行选择；
获取存算分离或MPP架构的查询结果。
在更进一步的实施例中，所述查询选择模块，具体包括：
将查询语句的识别下推到MPP架构的数据库；
在所述数据库中识别查询语句中的聚合和过滤部分；
在MPP架构的数据库完成聚合，返回查询结果。
实施例三
基于本实施例提供的一种基于云上分析场景的混合查询方法，通过步骤：
S100、获取查询信息，基于查询信息得到其索引；
在这个实施例中，获取的查询信息为计算保险销售员(seller_id)在某日(date)的保单金额总和(sum(amount))。
S200、基于预计算获取索引的元信息，与聚合索引的元信息对比；
由于销售员的数量可能很多，因此，没有查询历史时，初始并不会产生维度为(seller_id，date)，度量为保单金额总和(sum(amount))的聚合索引，因此这个查询语句不会命中聚合索引。
S300、基于对比的结果，确定元信息对应的查询方式，其中，所述 查询方式包括存算分离或MPP架构的查询方式。
这条查询会击中基础索引，如果只是将数据从MPP中读出，并在数据端聚合，SQL1会涉及大量的数据扫描。
在进一步的实施例中，所述获取查询信息，基于查询信息得到其索引，具体包括：
S110、获取SQL查询语句；
分析下面的查询语句：SQL1分析编号为10003的销售员在1月1日的成交总额：select sum(amount)from transactions where date＝’1.1’and seller_id＝‘10003’。
S120、获取SQL分析器，将SQL查询语句分析为语法树，如图2所示；
S130、基于所述语法树获取查询信息作为索引。
在更进一步的实施例中，所述代价的规则库，还包括：
S321、将查询语句的识别下推到MPP架构的数据库；
S322、在所述数据库中识别查询语句中的聚合和过滤部分；
S323、在MPP架构的数据库完成聚合，返回查询结果。
通过规则库的影响，我们识别SQL1中的聚合和过滤部分可以下推给MPP数据库，从而在MPP数据库完成聚合，仅仅只返回一条数据，大大减少了要传输的数据，从而提高了性能。
在进一步的实施例中，所述聚合索引，具体包括：
S140、获取历史查询信息的数据量；
S150、如果历史查询信息的数据量达到预设阈值，获取所述历史查询信息的维度和度量；
S160、基于维度和度量的使用频率构建聚合索引，将聚合索引的元信息加载到对象存储中；
S170、基于维度和度量的新数据增量构建新聚合索引，以及删除使用频率下降的旧聚合索引；
S180、基于预计算将新聚合索引的元信息加载到对象存储中，更新聚合索引的元信息。
随着时间的推移，如果这样的查询非常频繁(通长有一个阈值，比如每天有100条这样的查询)，***就会认为预先为这种模式的查询构建聚合索引可以提高整体性能，那么在预计算完成后，当再次执行该SQL时，将会被路由到存算分离的***。
在更进一步的实施例中，所述基于维度和度量的新数据增量构建新聚合索引，以及删除使用频率下降的旧聚合索引，具体包括：
S161、在收到构建新聚合索引的请求后，基于用户选择确定是否构建新聚合索引；
S162、如果确定构建新聚合索引，则每隔预设时间基于维度和度量的新数据增量构建新聚合索引，如果确定不构建新聚合索引，则停止；
S163、异步删除旧聚合索引，即标记为可删除，在后续的垃圾清理过程中物理删除。
在进一步的实施例中，所述基于预计算获取索引的元信息，与聚合索引的元信息对比，具体包括：
S210、在索引中提取其元信息；
S220、将索引的元信息与获取的对象存储中的聚合索引的元信息对比；
S230、当索引的元信息与聚合索引的元信息相同，则命中聚合索引，否则没有命中。
在进一步的实施例中，所述基于对比的结果，确定元信息对应的查询方式，其中，所述查询方式包括存算分离或MPP架构的查询方式，具 体包括：
S310、获取代价的规则库，其中，代价的规则库包括当两个元信息相同，优先选择存算分离的查询方式，否则优先选择MPP架构的查询方式；
S320、获取对比结果，基于代价的规则库进行选择；
S330、获取存算分离或MPP架构的查询结果。
优化器规则通过模式匹配发现了聚合操作在表扫描之上，就可以将聚合操作推到表扫描中以减少从MPP引擎传回计算引擎的数据。根据不同的SQL，数据的减少量可以达到GB级。
实施例四
在此实施例中，基于用户2的数据集进行了压测，测试结果如图3所示。
这里Kyligence是指没有使用这项技术的产品，Kyligence with Tiered Storage是指使用了使用这项技术的最新产品。这里的固定式查询是指可以利用聚合索引的查询，可以看到并没有任何提升。这里的Ad-hoc查询是指无法利用聚合索引加速的查询，使用此项技术后，透明地利用MPP加速，在两用户的并发压测下，性能提升了3倍。
实施例五
在此实施例中，基于用户4的数据集进行了压测，测试结果如图4所示。
这里Kyligence是指没有使用这项技术的产品，Kyligence with Tiered Storage是指使用了使用这项技术的最新产品。这里的固定式查询是指可以利用聚合索引的查询，可以看到并没有任何提升。这里的Ad-hoc查询是指无法利用聚合索引加速的查询，使用此项技术后，透明地利用MPP加速，在两用户的并发压测下，性能也提升了近2倍。
实施例六
本发明实施例，还包括一种电子设备，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序在所述处理器中执行时用于实现上述的基于云上分析场景的混合查询方法，该方法包括：
S100、获取查询信息，基于查询信息得到其索引；
S200、基于预计算获取索引的元信息，与聚合索引的元信息对比；
S300、基于对比的结果，确定元信息对应的查询方式，其中，所述查询方式包括存算分离或MPP架构的查询方式。
实施例七
本实施例中，本发明还提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现上述的基于云上分析场景的混合查询方法，该方法包括：
S100、获取查询信息，基于查询信息得到其索引；
S200、基于预计算获取索引的元信息，与聚合索引的元信息对比；
S300、基于对比的结果，确定元信息对应的查询方式，其中，所述查询方式包括存算分离或MPP架构的查询方式。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific Integrated Circuits，ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存 储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，DSP)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算***来实现，它们可以集中在单个的计算***上，或者分布在多个计算***所组成的网络上，可选地，它们可以用计算***可执行的程序代码来实现，从而，可以将它们存储在存储***中由计算***来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (15)

  1. 一种基于云上分析场景的混合查询方法，其中，包括：
    获取查询信息，基于查询信息得到其索引；
    基于预计算获取索引的元信息，与聚合索引的元信息对比；
    基于对比的结果，确定元信息对应的查询方式，其中，所述查询方式包括存算分离或MPP架构的查询方式。
  2. 如权利要求1所述的方法，其特征在于，所述获取查询信息，基于查询信息得到其索引，具体包括：
    获取SQL查询语句；
    获取SQL分析器，将SQL查询语句分析为语法树；
    基于所述语法树提取查询信息作为索引。
  3. 如权利要求1所述的方法，其中，所述聚合索引，具体包括：
    获取历史查询信息的数据量；
    如果历史查询信息的数据量达到预设阈值，获取所述历史查询信息的维度和度量；
    基于维度和度量的使用频率构建聚合索引，将聚合索引的元信息加载到对象存储中；
    基于维度和度量的新数据增量构建新聚合索引，以及删除使用频率下降的旧聚合索引；
    基于预计算将新聚合索引的元信息加载到对象存储中，更新聚合索引的元信息。
  4. 如权利要求3所述的方法，其中，所述基于维度和度量的新数据增量构建新聚合索引，以及删除使用频率下降的旧聚合索引，具体包括：
    在收到构建新聚合索引的请求后，基于用户选择确定是否构建新聚合索引；
    如果确定构建新聚合索引，则每隔预设时间基于维度和度量的新数 据增量构建新聚合索引，如果确定不构建新聚合索引，则停止；
    异步删除旧聚合索引，即标记为可删除，在后续的垃圾清理过程中物理删除。
  5. 如权利要求1所述的方法，其中，所述基于预计算获取索引的元信息，与聚合索引的元信息对比，具体包括：
    在索引中提取其元信息；
    将索引的元信息与获取的对象存储中的聚合索引的元信息对比；
    当索引的元信息与聚合索引的元信息相同，则命中聚合索引，否则没有命中。
  6. 如权利要求1所述的方法，其中，所述基于对比的结果，确定元信息对应的查询方式，其中，所述查询方式包括存算分离或MPP架构的查询方式，具体包括：
    获取代价的规则库，其中，代价的规则库包括当两个元信息相同，优先选择存算分离的查询方式，否则优先选择MPP架构的查询方式；
    获取对比结果，基于代价的规则库进行选择；
    获取存算分离或MPP架构的查询结果。
  7. 如权利要求6所述的方法，其中，所述代价的规则库，还包括：
    将查询语句的识别下推到MPP架构的数据库；
    在所述数据库中识别查询语句中的聚合和过滤部分；
    在MPP架构的数据库完成聚合，返回查询结果。
  8. 一种基于云上分析场景的混合查询的***，其中，包括：
    查询输入模块，用于获取查询信息，基于查询信息得到其索引；
    预计算模块，用于基于预计算获取索引的元信息，与聚合索引的元信息对比；
    查询选择模块，用于基于对比的结果，确定元信息对应的查询方式， 其中，所述查询方式包括存算分离或MPP架构的查询方式。
  9. 如权利要求8所述的装置，其中，所述查询输入模块，具体包括：
    获取SQL查询语句；
    获取SQL分析器，将SQL查询语句分析为语法树；
    基于所述语法树提取查询信息作为索引。
  10. 如权利要求8所述的装置，其中，所述查询输入模块，具体包括：
    获取历史查询信息的数据量；
    如果历史查询信息的数据量达到预设阈值，获取所述历史查询信息的维度和度量；
    基于维度和度量的使用频率构建聚合索引，将聚合索引的元信息加载到对象存储中；
    基于维度和度量的新数据增量构建新聚合索引，以及删除使用频率下降的旧聚合索引；
    基于预计算将新聚合索引的元信息加载到对象存储中，更新聚合索引的元信息。
  11. 如权利要求10所述的装置，其中，所述查询输入模块，具体包括：
    在收到构建新聚合索引的请求后，基于用户选择确定是否构建新聚合索引；
    如果确定构建新聚合索引，则每隔预设时间基于维度和度量的新数据增量构建新聚合索引，如果确定不构建新聚合索引，则停止；
    异步删除旧聚合索引，即标记为可删除，在后续的垃圾清理过程中物理删除。
  12. 如权利要求8所述的装置，其中，所述预计算模块，具体包括：
    在索引中提取其元信息；
    将索引的元信息与获取的对象存储中的聚合索引的元信息对比；
    当索引的元信息与聚合索引的元信息相同，则命中聚合索引，否则没有命中。
  13. 如权利要求8所述的装置，其中，所述查询选择模块，具体包括：
    获取代价的规则库，其中，代价的规则库包括当两个元信息相同，优先选择存算分离的查询方式，否则优先选择MPP架构的查询方式；
    获取对比结果，基于代价的规则库进行选择；
    获取存算分离或MPP架构的查询结果。
  14. 一种电子设备，包括存储器和处理器，所述存储器存储计算机程序，其特征在于，所述计算机程序在所述处理器中执行可实现权利要求1-7中任一种方法。
  15. 一种存储介质，存储计算机程序，其特征在于，所述计算机程序在处理器中执行可实现权利要求1-7中任一种方法。
PCT/CN2021/123289 2021-09-10 2021-10-12 基于云上分析场景的混合查询方法和***、存储介质 WO2023035356A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP21930626.3A EP4174678A4 (en) 2021-09-10 2021-10-12 METHOD AND SYSTEM FOR HYBRID REQUEST BASED ON CLOUD ANALYSIS SCENARIO AND STORAGE MEDIUM
US18/092,273 US20230153286A1 (en) 2021-09-10 2022-12-31 Method and system for hybrid query based on cloud analysis scene, and storage medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111062067.4 2021-09-10
CN202111062067.4A CN113918561A (zh) 2021-09-10 2021-09-10 基于云上分析场景的混合查询方法和***、存储介质

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/092,273 Continuation US20230153286A1 (en) 2021-09-10 2022-12-31 Method and system for hybrid query based on cloud analysis scene, and storage medium

Publications (1)

Publication Number Publication Date
WO2023035356A1 true WO2023035356A1 (zh) 2023-03-16

Family

ID=79234598

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/123289 WO2023035356A1 (zh) 2021-09-10 2021-10-12 基于云上分析场景的混合查询方法和***、存储介质

Country Status (4)

Country Link
US (1) US20230153286A1 (zh)
EP (1) EP4174678A4 (zh)
CN (1) CN113918561A (zh)
WO (1) WO2023035356A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114547054A (zh) * 2022-02-15 2022-05-27 上海跬智信息技术有限公司 相关系数计算方法、装置、设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060294058A1 (en) * 2005-06-28 2006-12-28 Microsoft Corporation System and method for an asynchronous queue in a database management system
CN108763240A (zh) * 2018-03-22 2018-11-06 五八有限公司 基于olap的数据查询方法、装置、设备及存储介质
CN110399395A (zh) * 2018-04-18 2019-11-01 福建天泉教育科技有限公司 基于预计算的加速查询方法、存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407190B (zh) * 2015-07-27 2020-01-14 阿里巴巴集团控股有限公司 一种事件记录查询方法及装置
US10803060B2 (en) * 2016-09-01 2020-10-13 Amazon Technologies, Inc. Managed query service
CN108268612B (zh) * 2017-12-29 2021-05-25 上海跬智信息技术有限公司 一种基于olap预计算模型的预校验方法及预校验***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060294058A1 (en) * 2005-06-28 2006-12-28 Microsoft Corporation System and method for an asynchronous queue in a database management system
CN108763240A (zh) * 2018-03-22 2018-11-06 五八有限公司 基于olap的数据查询方法、装置、设备及存储介质
CN110399395A (zh) * 2018-04-18 2019-11-01 福建天泉教育科技有限公司 基于预计算的加速查询方法、存储介质

Also Published As

Publication number Publication date
EP4174678A1 (en) 2023-05-03
CN113918561A (zh) 2022-01-11
EP4174678A4 (en) 2023-08-30
US20230153286A1 (en) 2023-05-18

Similar Documents

Publication Publication Date Title
US10585887B2 (en) Multi-system query execution plan
US6801903B2 (en) Collecting statistics in a database system
US6957225B1 (en) Automatic discovery and use of column correlations in tables
US9135298B2 (en) Autonomically generating a query implementation that meets a defined performance specification
CN111971666A (zh) 优化sql查询计划的维度上下文传播技术
US11200223B2 (en) System and method for dependency analysis in a multidimensional database environment
US20150006542A1 (en) Automatic consistent sampling for data analysis
US20070185912A1 (en) Off-loading I/O and computationally intensive operations to secondary systems
US7203685B2 (en) Apparatus and method for estimating cardinality when data skew is present
CN108280234B (zh) 数据查询方法及装置
WO2023035356A1 (zh) 基于云上分析场景的混合查询方法和***、存储介质
US7925617B2 (en) Efficiency in processing queries directed to static data sets
US9069837B2 (en) Encapsulation of multiplicity and sparsity in multidimensional query execution systems
US20060173852A1 (en) Apparatus and method for highlighting discrepancies between query performance estimates and actual query performance
US8548980B2 (en) Accelerating queries based on exact knowledge of specific rows satisfying local conditions
US11762831B2 (en) Adaptive sparse indexing in cloud-based data warehouses
US7313553B2 (en) Apparatus and method for using values from a frequent values list to bridge additional keys in a database index
US20230315701A1 (en) Data unification
CN118035278A (zh) 一种数据库查询方法、装置、电子设备及存储介质
CN115221157A (zh) 数据处理方法及装置、计算机可读存储介质和电子设备

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2021930626

Country of ref document: EP

Effective date: 20220926

NENP Non-entry into the national phase

Ref country code: DE