分布式数据库或成为新增量
以下文章來源于華泰證券：http://www.microbell.com/repinfodetail_775272.html
作者：謝春生、郭雅麗
數據庫行業螺旋上升，分布式數據庫或成新增量
縱觀計算機行業發展歷程，計算載體經歷了從大型機到小型機，再到分布式數據中心的演變。在數據庫領域，小型機時代促成了 Oracle?等關系型數據庫興起，分布式架構時代 AWS、Snowflake?等分布式數據庫興起。在計算載體變革的過程中，數據庫市場往往不是簡單的代替舊市場，而是不斷創造新的增量。據 Gartner，2018 年全球數據庫管理系統市場規模達 461?億美元， 預計于 2024?年整體市場規模達千億美元，但與此同時關系型數據庫市場規模增長漸趨平緩。伴隨著分布式計算架構的興起，分布式數據庫或成為數據庫市場新的增量，以史為鑒，該領域也有望誕生新的龍頭。
數據、計算場景變革推動分布式數據庫時代到來
隨著智能終端的普及及云計算的興起，據 IDC 全球數據產生量從 2010 年的1.2ZB?上升至 2018?年的 33ZB。另一方面，數據類型不斷豐富，非結構化數據逐漸增加。應運而生的分布式數據庫能夠較好的滿足大數據分析的需 ?求。而隨著 Snowflake、Databricks?等廠商推出分布式數據庫產品滿足云計算、大數據的使用需求，分布式數據庫時代到來的趨勢逐步確定。
開源或商業閉源模式均導向企業級服務，自研內核具有穩定性優勢
數據庫在 IT 架構中向下對接操作系統，直接調度硬件，向上則需支撐大量不同形態的上層應用。與應用軟件相比，數據庫作為基礎軟件更加注重穩定性。開源與商業閉源模式的商業策略，最終均需要導向優質的產品及企業級服務，為客戶創造價值，獲得客戶及行業認可。另一方面，自研內核有助于數據庫廠商從源頭解決問題，并且能掌握迭代控制權，同樣是影響穩定性的重要因素，因此自研內核廠商有望憑借穩定性在企業級服務市場獲得優勢。
數據庫的六大評判維度
我們認為評判數據庫有六大維度，除了上文提到的商業架構、內核基礎外，還包括品牌基因、技術架構、商業落地、人才體系。其中品牌基因影響技術路線、側重領域、應用場景等。技術架構方面，分析型、大數據場景驅動分布式數據庫發展。商業落地方面，金融、電信等的落地場景由于具備高并發、宕機代價高的特點，因此在這一領域的商業落地案例一定程度上能夠說明數據庫產品穩定性高。人才體系則體現了數據庫廠商的生態建設成效。
?
風險提示：市場競爭加劇，芯片及 AI 行業發展導致 IT 投資傾斜。
?
數據庫行業：行業螺旋上升，分布式數據庫時代到來
數據庫發展需要關注增量市場，分布式數據庫或成新機遇
數據庫的發展與計算載體緊密相關。數據庫是計算機行業的基礎核心軟件，所有應用軟件的運行和數據處理都要與其進行數據交互。數據庫的開發難度，不僅體現在與其他基礎器件的適配，更在于如何實現對數據高效、穩定、持續的管理。從數據庫的發展歷程來看， 計算架構的變化，計算載體的變化、計算場景的變化，以及計算數據格式的變化都對數據庫的發展帶來的一定的影響。或者說，在以上計算環境變化下，其需要的數據庫類型也發生了變化。
從計算載體來看，數據的計算從原來的大型機、到小型機、個人電腦 PC、互聯網、移動互聯網、云計算，以及未來更多終端的物聯網智能終端。計算的載體更加多樣化。
從計算場景來看，數據計算也從單獨的單機計算，到互聯網多群體交互的聯網計算和云計算，以及萬物互聯的高并發、低時延的物聯網計算。
從計算架構來看，傳統的 IT 架構也正逐步向云架構遷移。我們也經歷了從 C-S 架構到 B-S 架構，而目前的云原生、分布式計算架構正對傳統計算架構帶來深刻變革。而新的計算架構也對計算的基礎軟件（操作系統、數據庫、芯片等）提出更高的需求。
圖表1： 計算的變化
在以上計算環境的變化下，我們看到，聯網的數據也在發生深刻變化。
數據的大小。目前聯網數據量也在高速增長。通信技術的發展帶動從 2G 到 3G、4G、5G 的演進，每代通信技術之間，聯網的數據規模也呈現（幾個）數量級的增加。對大容量、高性能計算提出更高要求。
數據的類型。計算場景的演變，我們對數據的定義也在發生變化。圖片、語音、視頻等非結構化數據成為增量數據的主要類型。聯網的數據類型也逐步從原來的結構化數據到非結構化數據演變，這就對計算的并發性提出了更高的要求。
數據的快慢。對數據的高速計算是計算機一直以來的追求。但原有的 IT 架構下，計算速度的提升存在一定的物理條件限制。經典的 IT 架構已經存在了幾十年的歷史，當時的 IT 架構并沒有完全考慮到目前計算場景的變化。因此，新的計算場景下，對數據高速計算的追求，需要我們從底層基礎軟件的變革開始。我們看到無論芯片、操作系統還是數據庫，都在經歷深刻變革。
圖表2： 數據的變化
在以上計算和數據多個維度變化的情況下，我們認為，數據庫行業也正在經歷歷史演進的深刻變革。在傳統計算環境和數據類型方面，傳統數據庫依然發揮比較重要的作用。但在面向未來新的計算場景方面，我們需要的可能是新型的數據庫產品。這種新型數據庫，是計算架構遷移、計算載體演進以及計算環境變化之后的產物；同時，也是數據規模大幅增加，數據結構變化之后所需要的產品。
圖表3： 數據庫發展
全球關系型數據庫市場增速漸趨平穩。數據庫是對數據的管理，數據庫誕生于上世紀 60 年代，傳統的數據庫產品面臨的是以事務型、交易處理為主的任務，事務支持性能較好的關系型數據庫如 Oracle、DB2 迅速興起。而近年來，傳統的關系型數據庫市場增長漸趨平穩，據Gartner，2018?年全球數據庫管理系統（DBMS）市場規模達?461?億美元，同比增長?18.4%，增速達到近十年峰值。但關系型數據庫市場增長漸趨平緩，據 T4.ai?預測，全球關系型數據庫市場規模 2018-2022E?CAGR?為 6%，較 2012-2017?的 11%或將有所下降。
數據量上升催生分析需求，數據庫市場新機遇顯現。隨著智能移動手機的普及及云計算的興起，全球數據產生量不斷上升，從 2010?年的 1.2ZB?上升至 2018?年的 33ZB。未來幾年內隨著各類智能物聯設備的推廣以及云計算的進一步應用，數據量有望進一步上升。隨著數據量上升，大數據分析的需求逐步顯現，傳統的關系型數據庫在高并發、分析等方面存在一定的劣勢，應運而生的分布式數據庫能夠較好的滿足大數據分析的需求，或形成數據庫市場新的增量。
圖表4：?全球數據庫市場規模
圖表5：?全球數據產生量
圖表6： 數據庫演進
數據庫發展歷程復盤：計算載體變革往往催生新興數據庫龍頭
階段一：大型機到小型機時代促成了 Oracle 的興起
上世紀 90 年代小型機興起促成 Oracle 興起。上世紀 80 年代到 90 年代，IBM PC 兼容機的出現使新興中小廠商能夠提供價格更低，并且同樣能兼容多種第三方軟件的計算機產品， IBM PC 兼容機市場份額也因此迅速增長，推動了計算機在美國家庭內普及。此后， Windows3.0 于 1990 年推出，提供了較為成熟的圖形界面操作系統，推動了計算機的普及。這一階段內，Oracle?數據庫等產品最終戰勝了主機數據庫占領了這一新增市場，從收入規模變化看，1990-2000 年 Oracle 營業收入高速增長，期間 CAGR 達到 27.3%。
圖表7： 90 年代美國計算機銷售快速增長
圖表8： 90 年代 Oracle 營業收入規模高速增長
技術積累幫助 Oracle 開拓小型機市場。基礎軟件從產品誕生到走向成熟往往需要十年左右的時間。以 Oracle 為例，公司于上世紀 80 年代初開始產品化，一直處于技術與商業的積累過程。直到 1992 年，公司推出旗艦產品 Oracle7，迅速把握小型機發展帶來的市場機遇，在與 IBM DB2 for LUW、Informix、Sybase 等著名數據庫廠商的一系列競爭后，一躍成為行業的霸主。
圖表9： Oracle 主要數據庫產品（2010 前）
階段二：小型機到分布式時代，AWS 興起分布式架構時代，AWS 等數據庫興起。隨著數據量的增長，傳統數據庫面臨挑戰，分布式數據庫的訪問模式從過去單一標準化的 SQL，向包括 SQL 在內的多種訪問模式轉化，催生了分布式數據庫的發展。2005 年起，人們開始了針對分布式數據庫的探索，以 HBase、Cassadra、MongoDB 為代表的 NoSQL 數據庫快速發展。此類數據庫通過提供 KV 接口、簡化存儲模型等方式實現容量水平擴展，但對業務的支撐有所減弱。2012 年左右隨著Google 關于 Spanner 和 F1 論文的發表，以 Aurora、Spanner 為代表的分布式數據庫迅速發展。分布式數據庫結合了非關系型數據庫的存儲管理能力、關系數據庫的 ACID 特性和SQL 便利性。從結果看，分布式技術歷經十年左右的發展，如今逐步被大量企業接受，而在這一階段內，AWS aurora 等新興數據庫逐步興起。
國產分布式數據庫 2011?年陸續起步。自 2011?年起，以 Oceanbase、巨杉數據庫、TiDB 為代表的國產分布式數據庫相繼誕生。三者發展路徑及商業化時間有所區別，其中Oceanbase?誕生于2011?年，最初主要用于阿里集團內部，在 2017?年首次實現商用；巨杉數據庫誕生于 2011?年，于 2013?年正式發布商用版本，并持續服務于金融銀行行業；TiDB于 2015 年發布，重點經營開源策略。
圖表10： 分布式數據庫發展歷程
AWS 發展全新的技術體系，把握分布式數據庫浪潮。AWS 數據庫平臺可以視為一個大型數據服務資源池，在底層共享統一的存儲與計算資源，在上層則提供了 Aurora、RDS、DynamoDB、Neptune 等數據庫服務實例，從而實現對更多業務場景和服務模式的覆蓋。
通過全新的技術體系，亞馬遜 AWS 滿足了多樣化的計算需求，2013-2020 年收入 CAGR 達到 46.7%。并且憑借云計算業務的快速擴張，獲得了領先的市場地位。截至 2019 年，據Canalys，AWS 在云基礎設施市場份額達到 32.3%，具有一定的優勢。
圖表11：?AWS?收入及占亞馬遜總收入比
圖表12：?2019?年全球云基礎設施市場份額
圖表13： AWS 數據庫技術體系
進入戰國時代，云計算場景推動分布式數據庫時代到來
分布式數據庫滿足云計算場景的需求
計算場景不斷變化，云成為重要的計算場景。不同的計算場景對數據庫有不同的要求，隨著數據量的不斷增長，傳統的終端計算場景難以滿足大量的數據處理需求。而云計算將計算與存儲資源彈性、動態分配，邊緣計算通過邊緣節點提升了計算的效率，實現了高效的數據處理，云端、邊緣端的計算場景重要性逐步提升。據 Gartner，全球云計算市場規模由2011 年的 910 億美元增長到 2019 年的 1880 億美元，期間 CAGR 達到 9.5%。
圖表14： 全球云計算市場規模
分布式數據庫能夠較好滿足云計算場景的需求。分布式數據庫將數據庫進行資源池化管理， 具備多模式、多租戶、HTAP、彈性擴張、高可用等特性，與云計算、分布式應用開發模式相匹配。分布式數據庫包括底層數據庫資源池化管理、多模式兩大重要特點。
（1）底層數據庫資源池化管理：指以資源池的方式，上層應用中所有模塊在底層數據庫資源池中創建獨立的數據庫實例，服務于自身業務。每一個數據庫實例可以提供完全不同的兼容 MySQL、PostgreSQL、MongoDB、S3?等接口，也可以將所使用的底層物理資源擴展到多個服務器中做到自由伸縮，同時也能夠保障不同實例之間的數據可以根據策略做到物理或邏輯層面的相互隔離。在這種體系架構中，應用程序依然能保持獨立的微服務形態。
（2）“多模式”特性：指同一套分布式架構底座同時支撐上層超過一種數據訪問接口， 訪問方式包括但不限于 SQL?引擎、類似 JSON?的半結構化數據、S3?的非結構化數據、KV 鍵值對存儲、圖數據庫接口、時序型數據接口等。通過此種方式，可以對存儲于不同的物理服務器、不同格式的數據進行數據結構與算法的優化，從而形成“數據服務平臺”，突破數據庫類型的限制，對上層不同類型的應用同時提供多種類型的數據服務。
圖表15： 云原生概念變遷
分布式數據庫滿足云原生需求，或將成為新的增長點：從云原生概念變遷看，云原生使用微服務、容器等技術，目的在于提供更加敏捷的服務支持，協助業務更易于實現擴展及持續交互。分布式數據庫通常是基于一個數據集合，這些數據分布在由計算機網絡連接起來的若干節點上，每個節點可以管理本地的數據應用，也可以參與全局數據應用，同時這些數據在邏輯上形成一個整體,由統一的數據庫管理系統進行管理。從架構上看，分布式數據庫提供了靈活的數據服務支持，實際上是一種“云原生”的架構體現。
圖表16： 全球數據庫市場規模（分類別）
大數據向分布式數據庫傾斜，或形成新增量。以 Hadoop 為代表的第一代大數據系統框架對大數據技術的落地起了重要的作用。Hadoop 起源于 2004 年，并于 2006 年成為一套獨立完整的軟件。Hadoop 主要包括文件系統 HDFS 及計算系統 MapReduce，采用計算存儲一體化的方式，將巨大的數據集分派到由普通計算機組成的集群中的多個節點進行存儲， 并能對數據進行索引和跟蹤。但隨著數據量和分析需求的復雜性的進一步增加，Hadoop 中“Map+Reduce 模型不適合描述復雜的數據處理過程”、“查詢效率較低”、“時刻在線處理導致使用成本高”等問題逐步顯現，分布式數據庫或成為大數據領域的新選擇。
圖表17： Hadoop 生態模型
Snowflake、Databricks 引領數據湖興起
數據倉庫性能較強，數據湖更具靈活性。數據倉庫與數據湖側重點有所區別，數據倉庫關注的是數據使用效率和數據管理，為企業各級別、業務線的決策制定提供統一的數據支持，其數據主要來源于業務系統，存儲格式以結構化為主，并且歷經加工清洗，數據形態顯得更加范式化、模型化，因此數據的靈活度較低。相比之下，數據湖則是以原生格式（或者經過粗加工后）進行積累和沉淀，格式豐富多樣，有結構化、半結構化、非結構化類型， 強調數據的原始性、靈活性和可用性。相比數據倉庫，數據湖所儲存的數據類型更加豐富， 同時開放存儲讓上層引擎靈活度增加，引擎可隨意讀寫數據湖中數據，兼容的寬松性強。但另一方面，數據湖中文件系統直接訪問使得很多更高階的功能很難實現，如細粒度權限管理、讀寫接口升級等。
圖表18： 數據湖 vs?數據倉庫
Snowflake：提供數據倉庫、數據湖等多種產品
Snowflake 滿足并發性、可擴展性、易用性、平臺中立性的需求。公司完全基于公有云，提供包括數據倉庫（Data?Warehouse）、數據湖（Data?Lake）在內的多種產品，支持非結構化數據、數據可視化和分析。公司意在打造綜合性的云數據平臺，其數據庫可在三大公有云 AWS、Azure 和 Google Cloud Platform 上部署，對于企業多云異構的復雜環境有適用性、中立性，同時亦提供數據交換功能，解決了過去用戶面臨著投入高、靈活度低等問題，可吸引中小型客戶。據公司財報，截至 2020 年 7 月，公司有 3117 個企業客戶，同比增長超 100%，截至 2021 財年 Q3，公司的數據提供商已經突破 100 家。
圖表19： Snowflake 數據湖產品 vs 數據倉庫產品
圖表20： Hadoop vs?snowflake
數據倉庫滿足多種使用場景需求。其中彈性數據倉庫的系統會隨著負載變化自動擴展或收縮，根據需要向主機復制數據，且并不限制處理請求的數量，從而實現數據服務彈性。數據倉庫采取 Shared-nothing 架構，在節點之間不共享任何數據，此外 Snowflake 基于Multi-cluster, shared data 的概念，將存儲和計算分離，解決了升級擴容時需要重新分配節點資源等痛點。在數據支持方面，Snowfalke 支持結構化和半結構化數據的組合使用，可以接收 JSON、XML 或 Avro 格式的數據，并且支持嵌套和重復數據類型，從而滿足傳統數據庫、Hadoop 等半結構化使用場景的使用需求。
圖表21： Snowflake 數據倉庫架構
Snowflake 數據湖產品強調查詢性能、數據管道集成可擴展、安全等。利用內置數據治理和安全性的同時實現快速的數據訪問，具備較好的查詢性能，并且對數據轉換進行了良好的支持，通過云的模式為客戶省去運維成本。在查詢性能方面，支持即時和幾乎無限的可擴展性和并發性；此外，通過集成和可擴展的數據管道，實現簡化數據管道開發以優化性能。依靠管道實時可靠地擴展來處理繁重的數據工作量和可擴展的數據轉換；在安全方面， 則提供了安全的數據協作功能。
圖表22： Snowflake 數據湖
Snowflake 服務各行業客戶。以 hookit 為例，據公司官網，Snowflake 為 hookit 構建具有可擴展性的多集群共享數據架構數據庫，提高了 Hookit 的運營效率。查詢效率提高 30 倍，每天可自動評估社交帖子 5 億條，數據倉庫基礎架構成本降低 40%，消除了 88％的內部支持請求，提升了客戶的運行效率，使客戶能夠專注于產品創新。
圖表23： Snowflake 客戶
Databricks：Lakehouse 概念，幫助客戶構建統一分析平臺
Databricks?推出?Lakehouse?概念。Lakehouse?是由“Data?Lakes”與“Data?Warehouses”融合而成。普通的數據湖在數據質量、一致性/隔離性、混合處理追加讀取等方面不如數據倉庫。Lakehouse 兼容了數據倉庫和數據湖的優勢，在數據湖的低成本存儲上實現數據倉庫的數據結構和管理功能。Lakehouse 功能包括事務支持、模式執行和治理、BI 支持、存儲與計算分離、開放性、支持多種數據類型、各種工作負載、端到端流。
圖表24： Lakehouse
為客戶提供統一分析平臺提升效率：構建統一分析平臺，簡化跨功能團隊的分析工作流程， 使用單一平臺查詢、調試和探索流式處理和批次數據，以及構建和部署 ML 模型。打造交互式工作空間，促進與共享筆記本環境的合作，使數據科學家能夠快速實時在模型上進行重復。同時簡化管理，使公司無需人工干預即可完全自動化作業調度、監控和集群管理。以RB?為例，Databricks?為 RB?提供了一個統一的數據分析平臺，該平臺在數據科學和工程領域營造了可擴展的協作環境，使數據團隊能夠更快地進行創新，并為業務提供 ML?驅動的見解。據公司官網，該方案使得公司業務可支持量提高 10?倍，數據從 80TB?壓縮到 2TB，降低了運營成本，24*7?個任務的數據管道性能提高 2?倍。
圖表25： Databricks 客戶
數據庫六大評判維度
綜合前文數據庫行業的發展歷程，我們總結了數據庫的幾個評判維度，主要包括品牌基因、商業模式、內核基礎、技術架構、商業落地、人才體系。
品牌基因：品牌定位和創始團隊背景
關注品牌基因。包含品牌的背景，商用首發時間，資金背景，創始團隊背景、廠商主營業務等。品牌基因反映出數據庫的品牌特性，商用首發時間較早的數據庫廠商往往在傳統數據庫領域具有較為深厚的積累，近年來新誕生的勢力包括獨立創新品牌和大廠的數據庫產品。從創始團隊背景看，則反映出數據庫產品的技術背景，當前國產數據庫創始團隊多來自國內頂尖院校、海外數據庫廠商或國內互聯網大企業內部培育。此外，由于大數據時代數據庫的作用日益重要，在傳統的數據庫廠商之外，金融服務廠商、ICT 等主營業務非數據庫的廠商也推出了自己的數據庫產品。主營業務非數據庫的廠商基于特定場景延伸出的數據庫產品針對特定的行業可能存在一定的競爭優勢。但與此同時，相比獨立數據庫廠商， 此類廠商的發展路徑及方向可能會受到母公司策略方向的制約。
圖表26： 數據庫品牌基因對比
商業模式：基礎軟件需要企業級服務，開源具有兩面性
數據庫是基礎軟件，穩定性較為重要。基礎軟件指操作系統、數據庫、中間件等服務于軟件開發者的，最底層的軟件。此類軟件直接調度 CPU、內存、磁盤、網絡等硬件設備，因此穩定性較為重要。數據庫在 IT 架構中扮演著承上啟下的角色，向下對接操作系統，需要直接調度各類硬件，分布式數據庫還需要協調多臺服務器形成整體的可管理集群，深度參與跨節點事務控制及網絡優化以獲得最佳性能；向上則需要支撐大量不同形態的上層應用。與應用軟件相比，數據庫作為基礎軟件更加注重穩定性。
圖表27： 數據庫在 IT 架構中的位置
開源具備兩面性，企業級服務廠商具備穩定性優勢。開源將二次修改使用源代碼的權利公開，有助于快速的積累用戶，當客戶將包含開源產品的內容通過閉源方式銷售時則需要支付費用，廠商實現用戶資源變現。但相比企業級服務，開源往往通過技術社區的方式維系， 缺乏法律合約關系，開發者響應速度難以保障，并且在社區參與者過多的情況下維護難度也有所提升。相比之下，企業級服務具有穩定性的優勢。因此對于數據庫等重視穩定性的基礎軟件，企業級服務產品具備一定的優勢。
圖表28： 基礎軟件 VS 應用軟件
圖表29： 各開源產品協議調整情況
開源或閉源模式均需導向企業級服務。開源具有兩面性，通過將二次修改使用源代碼的權利公開，打造開發者生態，有助于快速的積累用戶。但開源和閉源并非不會改變，同一家數據庫廠商可能在不同的階段選擇開源或閉源，此外，在同一時期，也可能同時發布開源、閉源的不同版本產品。如 Oceanbase、GaussDB?均經歷過開源與閉源的切換。但一般來說開源版本往往較低，企業級服務需要最新，最穩定的性能，因此閉源模式的產品較為適合。
內核基礎：原廠自研能力關鍵，掌控核心代碼或成重要競爭力
企業級原廠服務有助于從源頭解決問題。企業級服務包括企業級原廠服務及第三方支持服務。企業級原廠服務指掌握每一行核心代碼，可以從源頭解決軟件核心問題的廠商，企業通過購買其產品及服務，可以獲得系統故障過后第一手的服務承諾。而第三方支持服務， 如同數據庫行業中各類運維服務商，在成熟的市場體系下可以協助客戶以更低的成本獲取常規服務支持，但由于第三方支持服務商往往不具備產品的核心研發能力，因此往往作為服務輔助。
圖表30： 企業級原廠服務 VS 第三方支持服務
企業級原廠服務掌握迭代控制權，有助于持續發展。開源社區及第三方廠商雖然擁有更改源代碼的能力，但其更改存在不被主流社區接納，最終與主社區脫節的風險，因此穩定性上存在一定隱患。相比之下，企業級原廠服務掌握迭代控制權，有助于持續發展。在分布式數據庫的廠商選擇上同樣如此，具有全面掌握所有核心代碼主導權的廠商所提供的企業級原廠服務能形成更加有力的技術支持。國內商業閉源的分布式數據庫廠商大多為主研發， 具備企業級服務基因。
圖表31： 企業級原廠服務 VS 開源數據庫
關注是否為完全自研可控。數據庫內核是否自研關系到數據庫廠商是否完全能掌握迭代控制權，目前國產數據庫多采取具備自主知識產權的自研內核。選取具備自研內核的數據庫產品有助于提升產品升級迭代的穩定性和可控性，對于重視穩定性的基礎軟件領域，自研可控是重要的考慮因素。
圖表32： 數據庫內核自研情況
技術架構：不同數據庫適用于不同場景
關系型數據庫 vs 非關系型數據庫。根據數據存儲結構區分，可以分為關系型數據庫、非關系型數據庫，其中非關系型數據庫根據存儲方式又可以分為鍵值數據庫、列數據庫、文檔數據庫、圖數據庫等。非關系型數據庫在讀寫性能、擴展性上具有一定的優勢，因此較適應大數據、高并發等場景，而關系型數據庫具備強一致性，遵循 ACID 原則，因此在事務支持中具備優勢。
圖表33： 關系型數據庫 vs 非關系型數據庫
圖表34： 非關系型數據庫分類
集中式數據庫 vs 分布式數據庫。根據系統架構分，可以分為集中式數據庫、分布式數據庫。分布式數據庫在可擴展性、高并發支持方面具有優勢，集中式數據庫在事務性支持上遵循ACID 原則，在事務支持上具備優勢。從優劣勢看，分布式數據庫的優劣勢與非關系型數據庫類似，而近年來，分布式數據庫不斷發展，在提供高彈性、支持高并發的同時，與關系型數據庫強事務性支持的特性進一步結合。
圖表35： 集中式數據庫 vs 分布式數據庫
磁盤數據庫 vs 內存數據庫。根據存儲設備分，可以分為磁盤數據庫、內存數據庫。內存數據庫指將數據放在內存中直接操作的數據庫，具備讀寫速度快的優勢。相比之下，磁盤數據庫在容量大小、數據安全性能方面具有一定的優勢。從內存數據庫及磁盤數據庫的特點看，內存數據庫適用于對讀寫要求較高，快速開發的場景。
圖表36： 內存數據庫 vs 磁盤數據庫
數據庫技術架構評判要點與計算場景、數據類型相關。計算場景的變化、數據結構的豐富等，催生出不同的數據庫需求。縱觀數據庫的發展歷程，我們總結出了以下幾個評判數據庫技術架構的要點，不同的場景對每個維度的側重有所不同。
查詢：隨著數據類型的豐富，傳統的關系型數據庫難以滿足需求，新興的非關系型數據庫增加了針對多種非結構化數據類型的查詢方法，數據庫查詢方式決定了其適用的數據類型。在數據類型日益豐富的今天，查詢方法是評判數據庫的重要維度。
容量大小&彈性：隨著數據量的不斷提升，容量大小和彈性的重要性逐步上升。
（1）容量大小：內存數據庫受限于物理內存大小，相較于磁盤數據庫容量上存在劣勢，因此使用場景也相應受到限制；
（2）彈性：分布式數據庫支持通過添加服務器的橫向擴展方式，使數據庫獲得了更高的性能，而傳統的集中式關系型數據庫支持提升處理器性能的方式縱向擴展，相比之下彈性較弱。面對高并發的分析型、大數據類任務，分布式數據庫就體現出一定的優勢。
事務支持：事務支持要求具備一致性原則，傳統的關系型數據庫在事務支持方面遵循了ACID 原則，包括原子性、一致性、隔離性、持久性，從而實現較好的事務支持。非關系型數據庫在事務支持方面僅能遵循大部分 BASE 原則，即基本可用、軟狀態、最終一致性，在事務支持上相對較弱。
安全性：數據安全性是評判數據庫的重要維度之一，隨著云計算、大數據等新技術在數據庫領域逐步應用，安全性的概念也不斷延伸，不僅包括容災能力，還包括數據安全、數據協同的權限管控等方面。
成本：成本包括硬件成本、軟件成本、運維成本等，云數據庫通過云模式降低了運維成本及硬件采購成本。此外，隨著分析場景的豐富，在評判數據庫成本時應該采取動態的視角， 考慮包括彈性擴容成本、后續運維成本在內的各項成本。
落地情況：中標客戶行業&應用場景
關注數據庫的落地情況。不同行業對數據庫的需求有所區別，處理事務的復雜性、對安全穩定的要求、付費意愿均會產生不同。一般來說，金融、電信類場景由于處理量大，宕機代價較高，因此對于安全、穩定性有較強的訴求，能夠首先在金融、電信類場景落地通常意味著在性能、安全等方面達到了較高的標準；因此金融、電信等領域落地情況可以大致作為數據庫安全、穩定性的篩選維度之一；此外金融、電信、互聯網類場景往往具備高并發特征，需要不斷擴展，并且往往能夠積累下大量數據，為分析打下了良好的基礎，適合分布式數據庫，因此分布式數據庫的選擇可以重點關注以上行業的案例。在此之外，能夠積極向其他場景延伸則體現出數據庫產品的延伸性，有助于不斷打開新的市場空間。從國內分布式數據庫當前的落地情況看，金融、黨政、電信也是目前主要的落地場景，除此之外，互聯網、電力能源、教育也是重要的落地場景。
圖表37： 代表客戶及覆蓋行業
公開的人才體系：自營培訓認證體系、企業技術級社區
公開人才體系體現生態建設成效。公開的人才體系包含自營社區、培訓認證等部分。數據庫廠商推出培訓認證，系統的培養廠商數據庫人才，在提升數據庫人才水平的同時培養了使用者的使用習慣，有助于生態的建設。另一方面，通過自營社區論壇，能夠提供開發者交流的空間，有助于使用者拓展技術前沿視野，在提升使用者水平的同時，促進技術生態發展，一定程度上社區論壇的活躍度能夠反映數據庫的生態建設成效。
圖表38： 國產數據庫廠商公開人才體系
圖表39： 商用首發及行業重要協議發布時間對比
圖表40： 數據庫比較維度
國內數據庫市場：新興與傳統廠商并存
人大金倉：背靠 CETC 中國電子科技集團，老牌數據庫
背靠 CETC 中國電子科技集團，擁有三類核心產品。人大金倉背靠 CETC 中國電子科技集團，由中國人民大學最早一批從事數據庫研究的專家于 1999 年發起創立，先后承擔了國家“863”、“核高基”等重大專項。人大金倉擁有三類核心產品，分別為數據存儲計算、數據采集交換以及數據應用分析。其中金倉交易型數據庫 KingbaseES，是入選國家自主創新產品目錄的數據庫產品，也是國家級、省部級實際項目中應用較為廣泛的國產數據庫產品。
圖表41： 人大金倉發展史
分布式數據庫產品 KSOne 具備應用透明，支持水平擴展等特點。人大金倉旗下的 KSOne 是一款面向交易型業務場景、實時分析場景、時間序列等場景的 HTAP 分布式數據庫產品， 具有可橫向彈性伸縮、高可用、可跨域分布部署、應用透明度高等特點。該產品采用分布式集群架構，支持水平數據分片等智能分片算法。此外，支持并行加載與并行計算，數據導入速度達到 50GB/分鐘，有助于進行實時分析。
圖表42： 人大金倉數據庫產品
人大金倉主要致力于為政務、能源、國防、金融、公安、電信等國家企事業單位提供解決方案。據公司官網，人大金倉為北京市資源中心構建大數據平臺，面向大數據中心用戶以及委辦局用戶提供數據管理和服務，用戶可利用北京市大數據管理平臺的能力和服務，開展數據的管理、處理、分析與可視化等工作，支撐各類業務應用。
圖表43： 人大金倉北京市資源中心大數據平臺示意圖
武漢達夢：背靠中國電子，主攻混合型數據庫 HTAP
背靠 CEC 中國電子，主攻混合型數據庫 HTAP。武漢達夢成立于 2000 年，為中國電子信息產業集團(CEC)旗下基礎軟件企業。應用于金融、電力、航空、通信、電子政務等 30 多個行業領域。武漢達夢主攻混合型數據庫 HTAP，旨在用一種數據庫模式處理客戶所有數據庫需求，適合業務廣、數據量大的綜合型客戶使用。武漢達夢目前已掌握數據管理與數據分析領域的核心前沿技術，擁有全部源代碼，具有完全自主知識產權。其主要產品有：達夢 HTAP 數據庫管理系統 DM8、達夢大數據集群軟件 DMMPP 等產品。
圖表44： 達夢數據庫產品
達夢主推透明分布式數據庫（DMTDD）技術。達夢提出的?DMTDD?技術包括靈活橫向擴展、完整的 SQL?特性支持、多副本數據異地容災的特點。結合了分布式數據庫高可擴展、高可用、高并發處理能力，并支持傳統數據庫開發接口和業務開發框架的技術架構。
（1）靈活橫向擴展：DM8?TDD?采用計算存儲分離的系統架構，實現計算、日志、存儲三層分離，可實現各層獨立擴展、按需配置設備的特點。
（2）完整的 SQL?特性支持：支持多表連接查詢、子查詢、視圖嵌套查詢、遞歸表達式查詢等高級查詢語法。提供存儲過程、觸發器、Package、序列等高級功能特性。
（3）多副本數據異地容災：支持異地部署，通過將數據副本存儲在不同的容災域，實現數 ??據的異地容災。日志服務本身具備副本與容災能力，可在每個數據中心分別部署日志服務節點。數據庫服務在主機房按需部署，在本地和異地備用機房日常無需部署，只需在檢測到災害時，即時啟動。
圖表45： 達夢透明分布式數據庫（DMTDD）
為解決能源行業神華集團加強集中管控能力、解決信息孤島問題、提升跨區交互能力、進行復雜統計、提高應用型容災的需求，武漢達夢使用 DM7 數據庫管理系統以及相關數據集群、DMETL 組件、DMHS 同步套件等產品、DMHS 數據同步工具，從而保證業務系統的連續性和跨站點的高可用性。此外，據公司官網，神華集團數據庫工程使用普通 PC SERVER 的達夢數據庫服務器成功替換 Oracle 一體機，降低用戶成本。同時，達夢采用現有設備創建同城容災系統，保障系統穩定運行。
圖表46： 達夢能源行業解決方案示意圖
巨杉數據庫：自研金融級分布式數據庫獨立廠商
巨杉數據庫成立于 2011 年，是一家專注分布式數據庫技術研發的自研數據庫獨立廠商。針對市場對業務中臺、微服務架構、非結構數據管理、敏捷開發的不同需求，SequoiaDB 巨杉數據庫已推出：DP（湖倉一體數據平臺）、TP（事務型數據庫）、CM（內容管理數據庫） 和 DOC（文檔型數據庫）四大產品線。
企業基因：從商用首發時間看，巨杉數據庫是國內最早進行商業化布局的分布式數據庫。2011 年，SequoiaDB 巨杉數據庫作為獨立數據庫公司開始研發，進行原生分布式架構布局。2013 年 SequoiaDB v1.0 產品化正式商用并進軍企業級領域，開始為客戶提供產品及技術服務支持。
商業模式：打造企業級產品標桿。銀行業是體現數據庫產品能力的標桿行業，據賽迪顧問，2019 年中國金融 IT 市場規模中，銀行 IT 占據了 50%以上的市場份額。一家銀行歷經了幾十年的法律和業務規則的演進，通常擁有超過上百種的業務系統。因此業界公認，在選擇技術產品的過程中，銀行對于數據穩定性、安全性和數據處理性能等企業級功能，要求是最為嚴苛的。銀行作為企業級產品應用的標桿行業，能被其采用的產品均達到了金融級產品的最高標準，自然更能夠滿足其他行業的要求。
巨杉采用企業級服務的商業化策略，對于重視穩定性的基礎軟件數據庫而言，相較于開源模式在版本迭代的穩定性上具有更符合企業運行標準的競爭優勢。借此，巨杉數據庫不斷向金融等關鍵行業拓展。自 2014 年首次進入金融行業以來，已經在國內金融行業進行了大規模的實踐與使用，應用場景也覆蓋了聯機交易、數據中臺、內容管理以及實時數據服務等多類業務。
圖表47： 巨杉數據庫發展歷程
自研內核：自研內核具有領先性。巨杉數據庫堅持從零開始打造原生分布式數據庫引擎， 專注數據庫技術研發，聚焦金融賽道，致力于以金融行業為核心，打造安全可靠、高性能， 適合全行業通用的分布式數據庫產品。基于分布式技術架構，研發出引擎級多模及 STP 邏輯時鐘協議分布式數據庫技術，能夠實現分布式交易與 ACID 與傳統技術完全兼容，架構及功能特性與傳統數據庫完全兼容，提供跨引擎事務支持和一致性保障。基于多副本隔離機制，其 HTAP 混合負載能力能夠實現計算、I/O 資源互不干擾的OLTP/OLAP 混合負載管理， 充分釋放資源，進一步提升系統穩定性。巨杉數據庫支持多種級別的容災部署形態，如同城雙中心、同城三中心、兩地三中心甚至三地五中心等，獨創四級熔斷容災安全保護機制， 充分保證數據安全，滿足核心交易業務的嚴苛要求。
圖表48： 巨杉數據庫架構
客戶：巨杉主要為金融業提供數據庫產品。巨杉數據庫具備豐富的服務大型企業的解決方案和經驗，據公司官網，巨杉數據庫已在超過 100?家大型銀行及金融機構的生產業務規模上線應用。其中民生銀行的生產環境集群包含超過 160?臺物理服務器，三副本數據量達2460TB，基于巨杉數據庫實現的非結構化數據管理平臺已接入的各類系統達到 100 套。
圖表49： 巨杉數據庫在民生銀行的應用架構
同時，巨杉數據庫的應用范圍已擴展至證券、保險、電信、政府、能源、互聯網、交通等多個行業。據公司官網，目前，巨杉數據庫的企業用戶總數超過 1000 家。目前，巨杉數據庫支持超過 4096 節點，超 10PB 級別存儲容量，已成功協助客戶在高達 1.2 萬億數據量生產環境下，提供安全穩定、可靈活擴展、高性能、高并發的數據底座。
圖表50： 巨杉數據庫主要客戶
生態：助力技術生態體系建設。巨杉數據庫積極參與信創生態建設，據 2021?年信創產業技術與應用大會，截至 2021?年 3?月，巨杉已經與鯤鵬、飛騰、統信、銀河麒麟等產品完成兼容認證，合作伙伴總數超 50 家，為企業客戶打開豐富的上下游產品生態。
2019 年，巨杉數據庫搭建「巨杉大學」認證與學習體系，講師團隊由巨杉數據庫官方的數據庫架構師、資深分布式技術專家以及開源社區技術大咖共同組成。目前，已有超 180 家金融機構，30 余家知名技術服務開發商參加巨杉大學計劃。截至 2020 年底，經過短短 1年的發展，巨杉大學已認證工程師超過 1 萬人，網站用戶注冊數量超過 5 萬人，為分布式技術業界發展提供堅實的人才積淀。
PingCAP TiDB：開源分布式關系型數據庫
建立以分布式數據庫為統一中心的架構。TiDB 是 PingCAP 公司自主設計、研發的開源分布式關系型數據庫，是一款同時支持在線事務處理與在線分析處理的融合型分布式數據庫產品。2015 年 9月，借鑒 Google Spanner 及 F1 論文的實現，TiDB 在 Github 上開源，從僅有 SQL 層及 KV 層的 beta 版本到現在已經衍生出龐大家族的 4.0 版本，始終圍繞著解決分庫分表問題，為用戶提供一站式 OLTP、OLAP、HTAP 解決方案的目標演進。在內核設計上，TiDB 分布式數據庫將整體架構拆分成了多個模塊，各模塊之間互相通信，組成完整的 TiDB 系統。與傳統的單機數據庫相比，TiDB 的純分布式架構擁有良好的擴展性且具有豐富的工具鏈生態，覆蓋數據遷移、同步、備份等多種場景。
圖表51： TiDB 整體架構圖
多應用場景，適合不同業務需求。依托純分布式架構，及開源社區，TiDB 持續擴展出豐富的應用場景。一是對數據一致性及高可靠、系統高可用、可擴展性、容災要求較高的金融行業屬性的場景，TiDB?采用多副本+Multi-Raft?協議的方式將數據調度到不同的機房、機架、機器，當部分機器出現故障時系統可自動進行切換；二是對存儲容量、可擴展性、并發要求較高的海量數據及高并發的 OLTP 場景，TiDB 采用計算、存儲分離的架構，可對計算、存儲分別進行擴容和縮容，計算最大支持 512 節點，每個節點最大支持 1000 并發，集群容量最大支持PB?級別；三是Real-time?HTAP?場景，TiDB?在4.0?版本中引入列存儲引擎TiFlash結合行存儲引擎 TiKV 構建真正的 HTAP 數據庫，在增加少量存儲成本的情況下，可以同一個系統中做聯機交易處理、實時數據分析，極大地節省企業的成本；四是數據匯聚、二次加工處理的場景，TiDB 通過 ETL 工具或者 TiDB 的同步工具將數據同步到 TiDB，在 TiDB 中直接生成報表，便于將分散在不同系統中的數據匯總，以便決策層了解公司的整體業務狀況及時做出決策。
“開源社區”助力“開源商業化”。PingCAP 擁有豐富的開源技術社區活動，依托開源社區， 在自身快速發展過程中不斷回饋社區，形成開源社區和自身研發的有效協同。通過開源及免費策略，快速擴展開發者及技術粉絲用戶群體，以長期積累未來商業變現的機會。據GitHub，截至?2021?年?3?月，TiDB??項目在?GitHub??上已總計獲得超過?27000??顆星，超?4200位開源代碼貢獻者，參與企業包括美團、知乎、小米、微眾銀行等眾多企業，高度活躍的開源社區為 TiDB 產品發展帶來了正向反饋閉環。在此基礎上，TiDB 已被廣泛應用于互聯網、游戲、金融、大型企業、政府等多領域的領先企業的實際生產環境中，當中還包括多個國外不同地區的用戶。
圖表52： TiDB 國內主要用戶
阿里 Oceanbase：金融級分布式關系數據庫
發端于阿里內部，逐步商業化。OceanBase 是由螞蟻金服、阿里巴巴完全自主研發的分布式關系型數據庫，始創于 2010 年。應用于支付寶全部核心業務以及阿里巴巴淘寶業務。從2017 年開始，開始服務外部客戶。2020 年 6 月 8 日，螞蟻集團將自研數據庫產品 OceanBase 獨立進行公司化運作，同年 9 月，中國工商銀行開始采用螞蟻自研數據庫 OceanBase，其對公（法人）理財系統已完成從大型主機到 OceanBase 分布式架構的改造。Oceanbase 商業化逐步推進。
圖表53： Oceanbase 發展歷程
OceanBase 是一個金融級分布式關系數據庫。具備在線水平擴展能力；GeaBase 是一款針對特殊巨型復雜網絡、超大實時更新數據場景的分布式實時圖數據庫產品，擁有簡單易用、性能高的特點。該產品定位是一款分布式關系數據庫，適合于金融、證券等涉及交易、支付和賬務等對高可用、強一致要求較高，同時對性能、成本和擴展性有需求的金融屬性場景，以及各種關系型結構化存儲的 OLTP 應用。
圖表54： Oceanbase 架構
Oceanbase?主要客戶包括網商銀行、支付寶、淘寶網、阿里媽媽。其中，為了解決支付寶一致性、擴展性、可用性、成本性能方面的業務挑戰，OceanBase?在架構層面引入 Paxos 協議，多重數據校驗機制，完善支付寶業務模型，多重機制保障金融級別的一致性。此外，支付寶的訂單型業務采用了"同城三中心"的部署方式，具備單機和單 IDC?故障的容災，通過 RFO?的方式提供異地容災能力，在性能和可用性方面做到了極致的權衡。賬務型業務采用"三地五中心"部署方式，除了具備單機，單 IDC?的容災能力，還具備城市級故障自動容災能力。據公司官網，OceanBase?在同城容災和異地容災場景下，RPO=0，RTO<30??秒。
圖表55： Oceanbase 主要客戶
華為 GaussDB：AI 原生，支持異構計算
AI 原生&支持異構計算。華為 GaussDB 是一個企業級 AI-Native 分布式數據庫。為超大規模數據管理提供高性價比的通用計算平臺，也用于支撐各類數據倉庫系統、BI(Business Intelligence)系統和決策支持系統，為上層應用的決策分析提供服務。華為的數據庫產品系列命名為：GaussDB，高斯數據庫。華為 GaussDB 是一個企業級 AI-Native 分布式數據庫。 GaussDB 采用 MPP(Massive Parallel Processing)架構，支持行存儲與列存儲，提供 PB(Petabyte， 2 的 50 次方字節)級別數據量的處理能力。華為 Gauss 數據庫是全球首款 AI-Native 數據庫，能夠同時支持 X86、ARM、GPU、 NPU 等異構計算。
圖表56： GaussDB 產品
GaussDB：三大產品線系列。據華為官網，目前華為已經開發有三個產品系列：GaussDB100、 GaussDB 200、 GaussDB 300。 1） GaussDB 100：主要以 OLTP 為主。目前該產品已經應用在招商銀行。 2） GaussDB 200：以 OLAP 為主，兼顧 OATP。該產品目前已經在工商銀行得到上線應用。 3） GaussDB300：HTAP，是企業級分布式HTAP 數據庫（Hybrid Transaction andAnalytical Process，混合事務和分析處理）。
圖表57： Gauss 數據庫產品線
華為 GaussDB 產品主要用于互聯網、物聯網、電商、金融、游戲。在電商應用中，數據庫可支持熱銷商品展示、秒殺推薦等數據面臨高并發壓力的場景。此外，云數據庫兼容 Redis 生態，高并發分布式緩存服務 Redis 提供超過 10 萬的高 QPS，輕松應對高并發訪問，業務爆發時可以通過一鍵擴容，滿足秒殺場景下的訪問量增長產生的計算需求。
圖表58： Gauss 電商類應用架構示意圖
總結：分布式數據庫或誕生新龍頭，關注六大評判維度
1、數據量增大、類型豐富、計算場景擴展，分布式數據庫或成為新的增量
數據庫行業發展與計算載體變革緊密相關，而隨著計算載體的變革，在新市場內往往會誕生新的數據庫龍頭。從發展變革看，大型機向小型機的變革，數據庫在事務處理中的應用逐步增加，催生了 Oracle 為代表的關系型數據庫廠商；隨著云計算的興起，以 AWS 為代表的新興數據庫廠商逐步興起。
分布式數據庫或成為新的增量。隨著數據的累積，分析型任務的重要性逐步提升，擅長于事務支持、結構化數據查詢的傳統關系型數據庫市場增長逐漸放緩，據 T4.ai 預測，全球關系型數據庫市場規模 2018-2022E?CAGR?為 6%，較 2012-2017?的 11%或將有所下降。另一方面，數據類型持續豐富，從結構化數據向非結構化數據延伸，支持非結構化數據的查詢方法變得日益重要。而分布式數據庫、數據倉庫在大數據分析中展現出了較好的支持性， 綜上，我們認為分布式數據庫或成為數據庫領域新增量。
2、商業模式：企業級服務&開源社區，核心在于解決客戶的問題
數據庫作為基礎軟件，在 IT 架構中扮演承上啟下的重要作用，因此相比于功能的快速更新， 數據庫的安全與穩定性更為重要。開源社區有助于快速積累用戶，但企業級產品通過更加緊密的組織方式，保障了開發者的響應速度，在提供企業級服務方面具有優勢。
3、內核基礎：自主研發能力重要性上升
原廠自研在穩定性上具備優勢。原廠自研的數據庫廠商能夠提供企業級原廠服務，相比于提供第三方服務的廠商，更有助于從源頭解決問題，在安全性和穩定性上具備優勢；在功能的迭代上，掌握源代碼的自研廠商能夠主導功能的迭代，相較于開源社區，在穩定性上更有優勢，與企業級客戶的需求更為契合。
我們總結了評判數據庫的六個維度，除了上文提到的商業架構、內核基礎外，還包括品牌基因、技術架構、商業落地、人才體系
（1）品牌基因：影響技術路線、側重領域、應用場景等。包含品牌的背景，商用首發時間，資金背景，創始團隊背景、廠商主營業務等。品牌基因反映出數據庫的品牌特性，品牌基因對數據庫的技術路線、側重領域、應用場景均會產生一定的影響，在選擇數據庫廠商時， 品牌基因是重要的考量因素。我們認為，國產數據庫廠商大致可以分為傳統數據庫、創新品牌、大廠子產品三類，不同類廠商的優勢領域有所區別。
（2）技術架構：分析型、大數據場景適合分布式數據庫。集中式數據庫在事務性支持上遵循 ACID?原則，在事務支持上具備優勢。分布式數據庫在高并發支持、擴展性上具備優勢。而近年來，分布式數據庫不斷發展，在提供高彈性、支持高并發的同時，與關系型數據庫強事務性支持的特性進一步結合。
（3）商業落地：金融、電信場景體現穩定性。一般來說，金融、電信類場景對于安全、穩定性有較強的訴求，能夠首先在金融、電信類場景落地通常意味著在性能、安全等方面達到了較高的標準；因此金融、電信領域落地情況可以大致作為數據庫安全、穩定性的篩選維度之一；此外能夠積極向其他場景延伸則體現出數據庫產品的延伸性，有助于不斷打開新的市場空間。
（4）人才體系：體現生態建設成效。公開的人才體系包含自營社區、培訓認證體系等部分。我們認為，數據庫廠商通過推出針對自由數據庫產品的培訓認證，在提升數據庫人才水平的同時培養了使用者的使用習慣，有助于生態的建設。另一方面，社區論壇作為技術愛好者的交流空間，從側面體現出數據庫產品的活躍度，是生態建設成效的體現。
風險提示
市場競爭加劇風險。分布式數據庫快速發展，但參與者眾多，存在競爭加劇的風險。
芯片及 AI 行業發展導致 IT 投資傾斜風險。隨著芯片及 AI 行業迅速發展，存在 IT 投資向芯片、AI 領域傾斜，對數據庫領域投資產生影響的風險。
免責聲明
分析師聲明
本人，謝春生、郭雅麗，茲證明本報告所表達的觀點準確地反映了分析師對標的證券或發行人的個人意見；彼以往、現在或未來并無就其研究報告所提供的具體建議或所表迖的意見直接或間接收取任何報酬。
一般聲明及披露
本報告由華泰證券股份有限公司（已具備中國證監會批準的證券投資咨詢業務資格，以下簡稱“本公司”）制作。本報告所載資料是僅供接收人的嚴格保密資料。本報告僅供本公司及其客戶和其關聯機構使用。本公司不因接收人收到本報告而視其為客戶。
本報告基于本公司認為可靠的、已公開的信息編制，但本公司及其關聯機構(以下統稱為“華泰”)對該等信息的準確性及完整性不作任何保證。
本報告所載的意見、評估及預測僅反映報告發布當日的觀點和判斷。在不同時期，華泰可能會發出與本報告所載意見、評估及預測不一致的研究報告。同時，本報告所指的證券或投資標的的價格、價值及投資收入可能會波動。以往表現并不能指引未來，未來回報并不能得到保證，并存在損失本金的可能。華泰不保證本報告所含信息保持在最新狀態。華泰對本報告所含信息可在不發出通知的情形下做出修改，投資者應當自行關注相應的更新或修改。
本公司不是 FINRA 的注冊會員，其研究分析師亦沒有注冊為 FINRA 的研究分析師/不具有 FINRA 分析師的注冊資格。
華泰力求報告內容客觀、公正，但本報告所載的觀點、結論和建議僅供參考，不構成購買或出售所述證券的要約或招攬。該等觀點、建議并未考慮到個別投資者的具體投資目的、財務狀況以及特定需求，在任何時候均不構成對客戶私人投資建議。投資者應當充分考慮自身特定狀況，并完整理解和使用本報告內容，不應視本報告為做出投資決策的唯一因素。對依據或者使用本報告所造成的一切后果，華泰及作者均不承擔任何法律責任。任何形式的分享證券投資收益或者分擔證券投資損失的書面或口頭承諾均為無效。
除非另行說明，本報告中所引用的關于業績的數據代表過往表現，過往的業績表現不應作為日后回報的預示。華泰不承諾也不保證任何預示的回報會得以實現，分析中所做的預測可能是基于相應的假設，任何假設的變化可能會顯著影響所預測的回報。
華泰及作者在自身所知情的范圍內，與本報告所指的證券或投資標的不存在法律禁止的利害關系。在法律許可的情況下，華泰可能會持有報告中提到的公司所發行的證券頭寸并進行交易，為該公司提供投資銀行、財務顧問或者金融產品等相關服務或向該公司招攬業務。
華泰的銷售人員、交易人員或其他專業人士可能會依據不同假設和標準、采用不同的分析方法而口頭或書面發表與本報告意見及建議不一致的市場評論和/或交易觀點。華泰沒有將此意見及建議向報告所有接收者進行更新的義務。華泰 ???的資產管理部門、自營部門以及其他投資業務部門可能獨立做出與本報告中的意見或建議不一致的投資決策。投資者應當考慮到華泰及/或其相關人員可能存在影響本報告觀點客觀性的潛在利益沖突。投資者請勿將本報告視為投資或其他決定的唯一信賴依據。有關該方面的具體披露請參照本報告尾部。
本報告并非意圖發送、發布給在當地法律或監管規則下不允許向其發送、發布的機構或人員，也并非意圖發送、發布給因可得到、使用本報告的行為而使華泰違反或受制于當地法律或監管規則的機構或人員。
本報告版權僅為本公司所有。未經本公司書面許可，任何機構或個人不得以翻版、復制、發表、引用或再次分發他人 (無論整份或部分)等任何形式侵犯本公司版權。如征得本公司同意進行引用、刊發的，需在允許的范圍內使用，并需在使用前獲取獨立的法律意見，以確定該引用、刊發符合當地適用法規的要求，同時注明出處為“華泰證券研究所”，且不得對本報告進行任何有悖原意的引用、刪節和修改。本公司保留追究相關責任的權利。所有本報告中使用的商標、服務標記及標記均為本公司的商標、服務標記及標記。
中國香港
本報告由華泰證券股份有限公司制作,在香港由華泰金融控股（香港）有限公司向符合《證券及期貨條例》及其附屬法律規定的機構投資者和專業投資者的客戶進行分發。華泰金融控股（香港）有限公司受香港證券及期貨事務監察委員會監管，是華泰國際金融控股有限公司的全資子公司，后者為華泰證券股份有限公司的全資子公司。在香港獲得本報告的人員若有任何有關本報告的問題,請與華泰金融控股（香港）有限公司聯系。
香港-重要監管披露
- 華泰金融控股（香港）有限公司的雇員或其關聯人士沒有擔任本報告中提及的公司或發行人的高級人員。更多信息請參見下方 “美國-重要監管披露”。
美國
在美國本報告由華泰證券（美國）有限公司向符合美國監管規定的機構投資者進行發表與分發。華泰證券（美國）有限公司是美國注冊經紀商和美國金融業監管局（FINRA）的注冊會員。對于其在美國分發的研究報告，華泰證券（美國）有限公司根據《1934 年證券交易法》（修訂版）第 15a-6 條規定以及美國證券交易委員會人員解釋，對本研究報告內容負責。華泰證券（美國）有限公司聯營公司的分析師不具有美國金融監管（FINRA）分析師的注冊資格，可能不屬于華泰證券（美國）有限公司的關聯人員，因此可能不受 FINRA 關于分析師與標的公司溝通、公開露面和所持交易證券的限制。華泰證券（美國）有限公司是華泰國際金融控股有限公司的全資子公司，后者為華泰證券股份有限公司的全資子公司。任何直接從華泰證券（美國）有限公司收到此報告并希望就本報告所述任何證券進行交易的人士， 應通過華泰證券（美國）有限公司進行交易。
美國-重要監管披露
- 分析師謝春生、郭雅麗本人及相關人士并不擔任本報告所提及的標的證券或發行人的高級人員、董事或顧問。分析
師及相關人士與本報告所提及的標的證券或發行人并無任何相關財務利益。本披露中所提及的“相關人士”包括FINRA?定義下分析師的家庭成員。分析師根據華泰證券的整體收入和盈利能力獲得薪酬，包括源自公司投資銀行業務的收入。
- 華泰證券股份有限公司、其子公司和/或其聯營公司, 及/或不時會以自身或代理形式向客戶出售及購買華泰證券研究所覆蓋公司的證券/衍生工具，包括股票及債券（包括衍生品）華泰證券研究所覆蓋公司的證券/衍生工具，包括股票及債券（包括衍生品）。
- 華泰證券股份有限公司、其子公司和/或其聯營公司, 及/或其高級管理層、董事和雇員可能會持有本報告中所提到的任何證券（或任何相關投資）頭寸，并可能不時進行增持或減持該證券（或投資）。因此，投資者應該意識到可能存在利益沖突。
評級說明
投資評級基于分析師對報告發布日后 6 至 12 個月內行業或公司回報潛力（含此期間的股息回報）相對基準表現的預期（A?股市場基準為滬深?300?指數，香港市場基準為恒生指數，美國市場基準為標普?500?指數），具體如下：
行業評級
增持：預計行業股票指數超越基準
中性：預計行業股票指數基本與基準持平減持：預計行業股票指數明顯弱于基準
公司評級
買入：預計股價超越基準 15%以上增持：預計股價超越基準 5%~15%
持有：預計股價相對基準波動在-15%~5%之間賣出：預計股價弱于基準 15%以上
暫停評級：已暫停評級、目標價及預測，以遵守適用法規及/或公司政策
無評級：股票不在常規研究覆蓋范圍內。投資者不應期待華泰提供該等證券及/或公司相關的持續或補充信息
?
法律實體披露
中國：華泰證券股份有限公司具有中國證監會核準的“證券投資咨詢”業務資格，經營許可證編號為：91320000704041011J ????????
香港：華泰金融控股（香港）有限公司具有香港證監會核準的“就證券提供意見”業務資格，經營許可證編號為：AOK809
美國：華泰證券（美國）有限公司為美國金融業監管局（FINRA）成員，具有在美國開展經紀交易商業務的資格，經營業務許可編號為：CRD#:298809/SEC#:8-70231
?
華泰證券股份有限公司
南京
南京市建鄴區江東中路228?號華泰證券廣場1?號樓/郵政編碼：210019
電話：86?25?83389999/傳真：86?25?83387521
電子郵件：ht-rd@htsc.com
北京
北京市西城區太平橋大街豐盛胡同28?號太平洋保險大廈A?座18?層/郵政編碼：100032
電話：86?10?63211166/傳真：86?10?63211275
電子郵件：ht-rd@htsc.com
深圳
深圳市福田區益田路5999?號基金大廈10?樓/郵政編碼：518017
電話：86?755?82493932/傳真：86?755?82492062
電子郵件：ht-rd@htsc.com
上海
上海市浦東新區東方路18?號保利廣場E?棟23?樓/郵政編碼：200120
電話：86?21?28972098/傳真：86?21 28972068
電子郵件：ht-rd@htsc.com
?
華泰金融控股（香港）有限公司
香港中環皇后大道中 99 號中環中心 58 樓 5808-12 室
電話：+852-3658-6000/傳真：+852-2169-0770
電子郵件：research@htsc.com?http://www.htsc.com.hk
?
華泰證券（美國）有限公司
美國紐約哈德遜城市廣場 10 號 41 樓（紐約 10001）
電話：+212-763-8160/傳真：+917-725-9702
電子郵件: Huatai@htsc-us.com?http://www.htsc-us.com
?
?版權所有2021年華泰證券股份有限公司
?
總結
以上是生活随笔為你收集整理的分布式数据库或成为新增量的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： java获取字典所有的key_java字
- 下一篇： 剑指offer（三）