混合负载能力减少数据冗余，节省额外数据库 部署成本。  多 级 弹 性 伸 缩 ： 海 底 捞 所 选 择 的 一 体 化 云 数 据 库 采 用 基 于 无 共 享 （Shared-Nothing）的多副本架构，无单点故障，保证持续可用。在流量洪峰时， 支持租户级、集群级等多级平滑扩缩容，解决分库分表方案扩展性不足、可靠性 差等问题，保障系统稳定性与服务连续性。  HTAP 混合负载：该一体化云数据库的 渠道数据同步，确保数据在大促期间或多平台并发操作下始终准确。  大促稳定性保障：通过行列混合存储结构与高效的编码技术，显著提高存储效率 和查询性能。通过高效的日志传输机制保证副本间同步的实时性，主从副本同步 延迟从分钟级压缩至秒级以内，BI 取数等非核心业务可安全迁移至从副本执行， 主库资源利用率提升，系统整体运行稳定性显著增强。  成本控制与运维效率提升：一体化云数据库提供多租户架构，将开发、测试、生 产等不同 企业收益  提升系统稳定性：一体化云数据库的高可用架构确保系统在大促期间零故障，保 障业务连续性。  优化性能与效率：系统性能显著提升，慢查询数量减少 60%，CPU 利用率降低， 主从副本同步延迟缩短至秒级，确保大促期间订单处理零卡顿。  降低运维成本：通过多租户架构和高效存储技术，大幅精简实例数量，降低运维 工作量和存储成本，总拥有成本（TCO）降低 40%。 斯凯奇：落地全渠道智能履约，云资源成本降低

差 多厂区建设与管理（含国内外多地分支 工厂） 可实现统一建设与管理，易于维护，且成本低 管理复杂，成本高，占用机房空间 开发测试 性能优异，使用与管理简单，且成本可控 难以平衡性能和成本，数据副本多，成本高，生成速度慢 虚拟桌面 性能优异，良好的使用体验，可控的建设成本 I/O 风暴影响体验，存储性能存在瓶颈，不易于扩展 AI+ 制造业 满足 AI 应用、模型训练等 GPU 使用场景的高性能需求， 等组件的车联网大数据业务系统，并在数月 后继续扩容 4 节点，形成异构集群。未来，用户计划将车辆产销类核心 业务包括 PLM，DMS（经销商管理系统）等产线的生产数据库类业务均 迁移至企业云平台。 收益 • 利用榫卯超融合副本局部化策略、I/O 本地化、RDMA 等技术优化， 高效应对 Kafka 前置机、Redis 缓存等虚拟机的大量数据处理工作。 • 长时间压力下性能稳定输出，能够应对未来车辆增多、压力增大情况 方案价值 降低桌面运维难度 可统一管理与运维，解放双手 提升平台性能，解决编译性能不佳的情况 金融核心交易系统级的性能，提升开发测试效率 降低开发测试数据副本存储空间消耗，提升效率 自带秒级克隆，分钟级提供可单独读写的数据副 本，副本只存储数据变化量，大幅度节省空间并 提升效率 推荐阅读： 制造用户如何提升研发效率？这些用户实践供 您参考 制造行业 IT 基础架构转型方案与实践 37

多厂区建设与管理（含国内外多地分支 工厂） 可实现统一建设与管理，易于维护，且成本低 管理复杂，成本高，占用机房空间 开发测试 性能优异，使用与管理简单，且成本可控 难以平衡性能和成本，数据副本多，成本高，生成速度慢 虚拟桌面 性能优异，良好的使用体验，可控的建设成本 I/O 风暴影响体验，存储性能存在瓶颈，不易于扩展 AI+ 制造业 满足 AI 应用、模型训练等 GPU 使用场景的高性能需求， 4 节点，形成异构集群。未来，用户计划将车 辆产销类核心 业务包括 PLM ， DMS （经销商管理系统）等产线的生 产数据库类业务均 迁移至企业云平台。 收益 • 利用榫卯超融合副本局部化策略、 I/O 本地化、 RDMA 等技术优化， 高效应对 Kafka 前置机、 Redis 缓存等虚拟机的大量数据处理工 作。 • 长时间压力下性能稳定输出，能够应对未来车辆增多、压力增大情况 方案价值 降低桌面运维难度 可统一管理与运维，解放双手 提升平台性能，解决编译性能不佳的情况 金融核心交易系统级的性能，提升开发测试效率 降低开发测试数据副本存储空间消耗，提升效率 自带秒级克隆，分钟级提供可单独读写的数据副 本，副本只存储数据变化量，大幅度节省空间并 提升效率 开发测试与虚拟桌面 榫卯企业云平台优异的性能表现，不仅可以带来更 流畅的桌面性能体验，提升开发效率，也可以在服

FTP 协议等多种 方式，数据存储前预处理。 数据服务：数据导入， 数据清理，数据合并，数 据存储。 数据安全 21 备份 采用超融合硬件，自带存储数据的冗余， 至少会保存 1 份数据副本。文件级备份 上通过虚拟化的备份工具，直接将云平 台的虚拟机组件进行备份。 容灾 实现云平台存储级同城同步容灾系统； 实现云平台应用级容灾； 实现异地双活数据中心。 安全性保障 22 01

式构建物理网络实体的虚拟孪生体，并且可以和物理网络进行实时交互映射。网络数 字孪生体作为物理网络设施的数字镜像，与物理网络具有几乎相同的网络拓扑、业务 及流量数据模型，是真实物理网络全生命周期、多维度的精细化副本，可以为网络运 维提供真实的数字化验证环境。 32 解决方案关键技术 通过数字孪生这个平台，网络实施的调整、维护、优化等变更操作，都可以先在数字 孪生网络中进行充分的试验和验证

练速度和模型性能。其核心思想是将训练任务分解为多个子任务， 并利用多台设备的计算能力协同完成。 首先，分布式训练的基础架构可以采用数据并行和模型并行两 种模式。数据并行模式下，每个计算节点持有完整的模型副本，并 将数据集划分为若干子集分配给不同节点进行并行处理。梯度更新 时，各个节点通过 All-Reduce 操作同步梯度信息，确保模型参数 的一致性。模型并行则用于超大规模模型训练，它将模型的不同层

、共识机制、 点对点传输、分布式数据存储等计算机技术的应用下，保障数据安全。 针对数据存储，通过容灾备份、数据恢复等手段，在工业互联网平台数据安全体 系中，主备库、备份、容灾备份构成了多份数据副本，通过 OSS 存储或异地 FTP 服务器的接入方式实现数据异地备份。备份任务完成后，备份文件实时上传至异 地 FTP 服务器或 OSS 存储，实现数据多份存储，保障数据可靠性。 常规数据恢复

节点都是数据存储节 点。实时内存数据库通过主从复制模式，一个 master 可以有多个 slave 节点，sla ve 节点也可以有下一级 slave 节点，它们和 master 拥有相同的数据库副本。图中 master 节点和 slave 节点右上角的圈中 RW 和 R 分别代表可读写和可读，从中可 以看出客户端只可以往 master 节点写数据，写入的数据会瞬间同步到 slave 节点