kdb是高效的矢量原生
时间序列和实时分析数据库
专为高性能矢量
数据驱动的应用程序而构建
以加速云端、数据仓库和
数据湖中的 AI 和 ML 工具
从而更快、更高效地
制定业务决策
使用数据时间库加速数据
分析和生成 AI 管道
以降低成本
提高性能并提高效率
开发商介绍
KX®和kdb+是FD Technologies plc子公司 KX Systems, Inc. 的注册商标。
自公司成立以来，KX 的唯一目标一直是为其客户提供更快、更高效、更灵活的工具来处理实时和历史数据，以获得推动关键业务决策的行动见解。
KX无与伦比的 KX Insights TM平台通过本地、云端或边缘的连接、上下文和持续数据驱动的智能来推动苛刻的业务决策。KX 被用于全球金融市场的一系列数据密集型用例，但也部署在制造业、汽车、能源、公用事业和电信等不同行业，帮助他们释放业务数据的力量。
kdb+
kdb+ 为数据科学家和应用程序开发人员提供集中的高性能时间序列数据访问和实时和多 PB 历史数据集分析。体积小、速度快、占地面积小，kdb+ 经独立基准测试证明可显着降低硬件和维护成本，并提供超高性能和可扩展性。
kdb+ 是一个快速、强大、可扩展的数据库，它能够使用 q 存储和处理大量数据，其内置编程语言使其成为高级分析和机器学习的理想平台。
kdb+数据库
01、内存计算
跨CPU内核自动分配数据库操作。
02、低占用
小内存占用 (<800kB) 利用 L1/2 CPU 缓存（比 RAM 快 100 倍）。
03、柱状设计
提供比典型关系数据库更高的速度和效率。
q 编程语言
01、集成编程语言
直接对数据进行操作，无需将查询结果发送到其他应用程序进行分析。
02、本机时间序列功能
对时间序列操作的原生支持极大地提高了业务信息的查询、聚合、连接和分析的速度和灵活性。
03、流媒体和历史相结合
它提供了将流数据和基于磁盘的数据作为单个数据库进行查询的能力，而不会降低速度或修改代码。
04、解释
由于所有数据和函数都驻留在内存工作区中，因此优化了资源并缩短了执行时间。
kdb Insights
kdb Insights 完全支持云，可以在 AWS、Azure 和 GCP 以及本地私有云环境上运行，让您可以直接在云服务中利用为华尔街提供动力的技术。它可让您实现云原生分析堆栈的现代化并开发变革性的机器学习操作 (MLOps) 管道。
kdb Insights 针对云数据科学工作流进行了优化配置，能够交付新的应用程序和微服务，以支持云端和云端分析。对于现有的本地 kdb+ 系统，用户可以轻松升级、现代化和添加云原生功能。
PGwire和SQL互操作性
01、PGwire
PGwire 接口支持重用现有的 PostgreSQL 查询，并简化了向第三方可视化工具（包括 PowerBI、Grafana、Tableau 和 HeidiSQL）的迁移。
02、SQL
对 ANSI SQL 的支持意味着数据工程师可以将熟悉的工具和数据库重新用于商业智能、数据集成和数据科学，从而加速应用定制。
云微服务和云优先功能
01、服务发现
提供一个云原生、可扩展的注册表，用于存储、管理和分发正在运行的服务及其元数据，用于微服务驱动环境中的所有其他服务。
02、流处理器
提供对本机复杂分析的访问权限，例如连接、聚合和窗口功能，用于处理和丰富数据，以便根据需要进行进一步的定制和机器学习。
03、数据访问
提供对数据的只读访问，无论数据当前在其存储生命周期中位于何处（内存中、磁盘上、对象存储），用户无需知道其具体位置。
04、服务网关
呈现一致的界面，用于协调请求并将它们路由到可能随时间变化的支持服务，从而消除消费者跟踪实施变化的需要。
05、存储管理器
根据性能需求、容错要求和老化标准，控制跨存储层的数据捕获、持久性和迁移。
06、仪表板
提供交互式数据可视化服务，使非技术用户和高级用户能够查询、转换、共享和呈现实时数据洞察力。
07、休息服务和OpenAPI
OpenAPI 集成，提供标准化的 REST API，以实现与编程语言和数据源的通用互操作性。
kdb Insights Enterprise
凭借其集成的数据管理和流分析引擎，kdb Insights Enterprise 使数据科学家和分析师能够更轻松地创建强大的、生产就绪的数据驱动应用程序。
kdb Insights Enterprise 为实时数据管道和 MLOps 开发和集成提供了更好的配置，带来了完整的企业规模、弹性、集成和分析灵活性。它使数据科学家能够从整个数据生态系统中发现价值，并推动更好的业务决策和更好的结果。
分析灵活与集成
01、用户界面
用户界面支持存储和重新加载数据管道、模式和程序集，这些数据管道、模式和程序集描述了数据集的结构、其生命周期以及在其上运行的服务。
02、集成
支持ANSI SQL、PostgreSQL、Python、Notebooks、Kafka、REST 和 OpenAPI 集成意味着您可以使用自己的工具和数据集，从商业智能到数据集成和数据科学。
03、数据可视化
在仪表板中可视化和共享数据和见解，无论是内置仪表板还是导出到 PowerBI 或 Tableau。
04、嵌入式机器学习和 MLOps
利用 Python 和 q 库开发 MLOps 管道，将经过训练的模型实施到特征存储中并进行实时推理，并促进将实时结果直接合并回模型开发和训练中。
企业规模
01、Kubernetes 部署
K8s 支持提供了灵活的部署选项。轻松部署，用户无需担心体系结构、硬件或基础设施问题。
02、自动缩放
根据需要动态调整计算资源量，以优化性能、延迟、成本和可持续性。
03、身份访问管理和认证
使用 Keycloak 保护登录和身份验证，启用客户端发布者的注册和删除，以及用于管道查看和编辑的基于角色的访问控制。
04、多节点数据复制和恢复
支持数据备份和恢复。此外，跨多个可用性区域 (AZ) 运行以获得更大的全球应用程序覆盖率。
kdb 产品特点
kdb 作为一个单一的、低占用空间的可执行文件部署，具有高性能——独立基准测试比其他解决方案快 100 倍，可扩展，并且可以将硬件和维护成本降低 90%。
KX 数据分析解决方案使数据应用程序构建者可以轻松地为Python工作负载、SQL 查询、AI 和 ML 工具添加实时功能。我们支持数据工程师和数据科学家通过提供持续的、上下文丰富的洞察力来加速决策制定和创新，从而从实时、流式和关系数据集中创造价值。
| 特征 | kdb+ | kdb Insights | kdb Insights Enterprise |
| 更快查询速度 | √ | √ | √ |
| 实时数据捕获和内存分析 | √ | √ | √ |
| 极高的可扩展性（多 PB） | √ | √ | √ |
| 数据压缩 | √ | √ | √ |
| 多云、混合和本地 | √ | √ | √ |
| 机器学习工具包 | √ | √ | √ |
| q中的程序 | √ | √ | √ |
| Python 程序 | √ | √ | |
| SQL 中的程序 | √ | √ | |
| 可插拔容器化微服务 | √ | √ | |
| 本地云服务集成 | √ | √ | |
| 嵌入式机器学习和 MLOps | √ | √ | |
| 多节点数据复制与恢复 | √ | ||
| Kubernetes 部署和运营商 | √ | ||
| 图形用户界面 | √ | ||
| 自动缩放 | √ | ||
| 身份验证和 IAM | √ | ||
| 多 AZ（可用区） | √ | ||
| 适用于超大规模云 | 微软 Azure AWS、GCP | 微软 Azure AWS、GCP | 微软 Azure AWS、GCP |
| 在云市场上可用 | 微软 Azure AWS、GCP | 微软 Azure | |
| 作为本地服务提供 | 微软 Azure | ||
| 作为托管服务提供 | √ |
