日前,华为云数据库PostgreSQL新功能上线,全版本支持数据库在线迁移、离线迁移,用户可以跨云、跨网、跨线上线下自由迁移数据,无论是对业务和应用迁移上云的用户,还是对有灾备需求的用户而言,都打开了方便之门。
在软件开发的生命周期中,由于业务发展、系统迭代更新或者软件系统本身的重构抑或其他因素,几乎都需要对数据进行迁移。尤其是随着近年来云业务的快速发展,在低成本和高性价比的上云诉求下,众多企业开始寻求商用数据库的替代解决方案。
此外,数据安全事件频发,而数据作为企业核心资产,灾备也日渐成为企业发展战略中不可或缺的部分。然而,也正是由于数据的重要性,使得迁移随之成为企业发展的一大挑战。
在传统数据库迁移场景下,企业往往还面临诸如:迁移步骤复杂,操作人员需要专业技术背景,门槛高。人工部署耗时多,往往需要数周甚至上月,周期长。企业需承担DBA专家人力成本,迁移硬件成本,成本高。以及迁移可能面临任务失败、业务中断、数据丢失,风险大等难题。
虽然不少数据库都提供了原生迁移工具,但大多都只能进行全量数据拷贝,为了保证迁移数据一致性,要求业务在数据迁移之前需停止服务。因此,在现今分秒必争的互联网商业环境下,传统的迁移方案对业务及公司的影响极大。
此番华为云数据库PostgreSQL通过自有数据复制服务DRS ,支持数据库在线和离线迁移,提供多种任务状态区分不同阶段的迁移任务,对用户而言不但大大降低迁移任务失败的风险,而且节省大量时间。
以在线迁移为例: 选择该模式后,DRS先通过预检查功能,对可能影响迁移任务成功的因素及条件进行检查,并提供分析报告,用户可以根据失败信息和处理建议的指导,调整环境,以确保迁移成功。
DRS 在线迁移准备
在线迁移任务启动后,用户可以通过DRS的迁移监控功能,查看同步时延、剩余时间等指标,实时掌控迁移情况。此外,DRS还提供对象级、数据级的多维度、多层次对比,确保数据零丢失。
在离线迁移状态下,华为云数据库则提供三种状态可查看:
恢复中:正在进行备份文件到目标数据库的迁移任务。
成功:备份文件到目标数据库的迁移任务执行成功。
失败:备份文件到目标数据库的迁移任务执行失败。
通过离线或在线两种迁移方式,用户都可以安全高效的将数据库迁移到华为云PostgreSQL数据库,实现业务层面改动最少、中断时间为零的数据库平滑迁移。
值得一提的是,华为云数据库PostgreSQL具备当前市场上其它云数据库服务所不具有的优势,比如版本齐全,包括9.4/ 9.5/9.6/10.0.3版本。而且模式多样,所有版本均提供单机版和高可用版(双机版),规格从1U2G到60U256G多种选择,支持弹性扩容缩容,可满足不同用户业务需求选择。
当前,华为云PostgreSQL 9.4/ 9.5/9.6/10.0.3所有版本,均支持同版本间的在线迁移和离线迁移两种方式,且支持9.5-9.6的跨版本迁移。
PostgreSQL对 IOT、物流等行业而言非常具有吸引力。其强大的空间信息服务可以提供快速精准的空间分析,及时规划运输路径;Postgis插件提供投影变换功能,方便在途监控;快速处理复杂数据模型及简化空间操作的能力,使得企业更加方便 SQL 拓展和实现数据共享,大幅降低业务开发运维成本。因此对这些行业而言,PostgreSQL是位置应用首选产品。
目前,华为云PostgreSQL已兼容30款多功能插件,不仅支持丰富的数据类型,而且直接支持SQL操作JSON及XML,助力企业低成本实现工具化智能管理。华为云PostgreSQL迁移能力的提升,也将成为想要转型上云企业、想要进行灾备企业的得力助手。
了解华为云数据库 PostgreSQL 更多详情,请访问:
https://www.huaweicloud.com/product/pg.html
免费试用地址:
https://activity.huaweicloud.com/free_test/index.html
好文章,需要你的鼓励
三星与AI搜索引擎Perplexity合作,将其应用引入智能电视。2025年三星电视用户可立即使用,2024和2023年款设备将通过系统更新获得支持。用户可通过打字或语音提问,Perplexity还为用户提供12个月免费Pro订阅。尽管面临版权争议,这一合作仍引发关注。
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
苹果M5 MacBook Pro评测显示这是一次相对较小的升级。最大变化是M5芯片,CPU性能比M4提升约9%,多核性能比M4 MacBook Air快19%,GPU性能提升37%。功耗可能有所增加但电池续航保持24小时。评测者认为该产品不适合M4用户升级,但对使用older型号用户仍是强有力选择。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。