如何打造一款极速数据湖分析引擎

为了进一步满足用户对于数据湖分析的要求，我们需要一套适用于数据湖的分析引擎，能够在更短的时间内从更多来源利用更多数据，并使用户能够以不同方式协同处理和分析数据，从而做出更好、更快的决策。本篇文章将向读者详细揭秘这样一套数据湖分析引擎的关键技术，并通过 StarRocks 来帮助用户进一步理解系统的架构。

技术内幕 | StarRocks Community Champion、阿里云技术专家解读 Optimizer 实现

内容提要： Cascades/Orca 论文涉及的 Top-Down 优化思路与分析。 针对 CMU15-721 的一些 PPT、观点、结论加以解析。 着重结合 StarRocks 的实现，并介绍 StarRocks 的 Optimizer 主要借鉴的 CMU noisepage（https://github.com/cmu-db/noisepage）项目以及 Cascades/Orca 论文的思路。

StarRocks 技术内幕 | Join 查询优化

本文整理自作者在 StarRocks 线下 MeetUp 的分享，主要介绍 StarRocks 在 Join 查询规划上的经验和探索。文章主要分为四个部分：Join 背景，Join 逻辑优化，Join Reorder，分布式 Join 规划。

StarRocks 技术内幕｜OLAP 查询性能优化 10 问

OLAP 查询性能优化 10 问

StarRocks 技术内幕：查询原理浅析

本文将详细解释在 StarRocks 中如何完成一条查询 SQL 的处理。 首先来了解 StarRocks 中的基本概念： FE: 负责查询解析，查询优化，查询调度和元数据管理 BE：负责查询执行和数据存储

StarRocks 技术内幕 | 多表物化视图的设计与实现

本文先介绍物化视图的一些需求分析，看看现在的物化视图哪些地方做得好、哪些地方做得不好，然后再针对这些需求进行设计。然后再讲一下具体的实现原理，最后再讲一下 StarRocks 2.5 版本的物化视图还会开发哪些功能。

StarRocks 技术内幕 | 基于全局字典的极速字符串查询

本文主要针对 StarRocks 基于全局字典做的低基数 String 查询优化，揭秘其技术内幕。

技术内幕｜StarRocks 标量函数与聚合函数

本文将以标量函数和聚合函数为例，介绍 StarRocks 常见的两种函数实现原理，希望读者能够借鉴其设计思路，并按需实现所需的函数。同时，我们也欢迎社区小伙伴一起贡献力量，共同完善 StarRocks 的功能，具体的函数任务认领方式请见文末。

技术内幕 | StarRocks Pipeline 执行框架（下）

关于 Pipeline 执行引擎的实现， BE 端拆分 Pipeline 的逻辑，以及 Pipeline 实例 PipelineDriver 的调度执行逻辑，将在本篇中继续与大家分享。

技术内幕 | StarRocks Pipeline 执行框架（上）

欢迎来到 StarRocks 技术内幕系列文章，我们将为你全方位揭晓 StarRocks 背后的技术原理和实践细节，助你从 0 开始快速上手这款明星开源数据库产品。本期 StarRocks 技术内幕将主要介绍 StarRocks Pipeline 执行框架的基本概念、原理及代码逻辑。

StarRocks 技术内幕：向量化编程精髓

本文是对我在 StarRocks 线下 MeetUp 演讲的整理，主要分为三部分：第一部分简要介绍向量化的基础知识，第二部分讲解数据库如何进行向量化，最后是 StarRocks 向量化实践后的一些粗浅思考。

StarRocks技术内幕 | 资源隔离原理解析

如何在保证资源隔离的前提下提高资源的利用率，是资源隔离的关键点和挑战：如果没有资源隔离，那么集群会具有良好的资源利用率，但是会完全没有隔离性；而如果完全进行物理隔离，会具有良好的隔离性，但是弹性会明显不足。 所以我们选择在用户态来实现调度策略，进行逻辑上的隔离。

StarRocks 技术内幕：实时更新与极速查询如何兼得

本文就将介绍 StarRocks 2.x 版本中实现的 Primary Key 模型的技术内幕，包括实时数据更新机制，以及针对实时更新数据的极速查询的实现原理。

StarRocks 算子落盘：让大查询又快又稳

目前，StarRocks 支持聚合算子、排序算子、HASH JOIN（LEFT JOIN、RIGHT JOIN、FULL JOIN、OUTER JOIN、SEMI JOIN 以及 INNER JOIN）算子的中间结果落盘。 通过落盘，查询使用的内存可以被放大十倍，从而可以支持更多大查询以及 ETL 的应用场景。

兼顾降本与增效，我们对存算分离的设计与思考

“降本增效”是最近企业常被提及的关键字，作为新时代企业发展的数据大脑，企业大数据团队需要持续探索如何在有限资源下创造更多价值。本文将以场景为"引"，技术为"核"，介绍如何基于 StarRocks 全新的存算分离架构实现数据分析的“降本”和“增效”。

技术内幕 | StarRocks 支持 Apache Hudi 原理解析

本文围绕以 Hudi 为中心的数据湖生态，详细介绍 StarRocks 是如何实现快速分析 Hudi 数据湖格式，并给出完整的使用案例。

StarRocks 物化视图：指标平台性能提升的新引擎

更快更好地帮助用户实现统一目标、统一口径和统一数据！

技术内幕｜StarRocks 支持 Apache Hudi 原理解析

StarRocks Connector 框架用于统一外部数据源的接入分析，并且基于 Connector 框架实现对 Hudi、Iceberg、Delta Lake 等主流数据湖表格式的接入。本文围绕以 Hudi 为中心的数据湖生态，详细介绍 StarRocks 是如何实现快速分析 Hudi 数据湖格式，并给出完整的使用案例。

技术内幕｜阿里云强力贡献：如何让 StarRocks 做到极速数据湖分析

本文将重点介绍 StarRocks 极速数据湖分析能力背后的技术内幕，性能表现以及未来的规划。