本文將介紹 RisingWave 在實時特征工程中的應(yīng)用。RisingWave 是一款開源的流式數(shù)據(jù)庫，具有易用、健壯、上下游生態(tài)系統(tǒng)開放、性價比高等特點，支持 SQL 和 UDF 擴展，其架構(gòu)包含接入層、計算層和存儲引擎，支持多種數(shù)據(jù)源和下游系統(tǒng)，通過物化視圖等實現(xiàn)增量實時計算。在實時特征工程中，它能夠助力數(shù)據(jù)攝入、數(shù)據(jù)清洗、特征構(gòu)建、樣本拼接和特征查詢等環(huán)節(jié)，提供高效的狀態(tài)管理和 UDF 支持。此外，RisingWave 2.0 帶來了如 Premium 版本、云版本增強、對流批統(tǒng)一的改進等新特性。通過閱讀本文，讀者可深入了解 RisingWave 在實時數(shù)據(jù)處理領(lǐng)域的優(yōu)勢與應(yīng)用。

一、RisingWave 介紹

1. 項目背景與基本信息

RisingWave 是一款具有創(chuàng)新性的開源流處理系統(tǒng)，在實時數(shù)據(jù)處理領(lǐng)域展現(xiàn)出獨特優(yōu)勢。其開源項目背景源于對革新流處理和數(shù)據(jù)庫管理的追求，于 2021 年初創(chuàng)立，并在 2022 年 4 月以 Apache2.0 協(xié)議在 GitHub 開源。經(jīng)過三年打磨，已在全球多領(lǐng)域落地應(yīng)用。

RisingWave是基于Rust的自研項目，采用存算分離架構(gòu)，交互接口與 PostgreSQL 協(xié)議兼容，并可通過 UDF 拓展。其包含接入層、計算層與存儲層三層架構(gòu)，由 meta 節(jié)點協(xié)調(diào)，計算節(jié)點執(zhí)行流作業(yè)并帶有多級緩存，狀態(tài)持久化至基于對象存儲的存儲引擎。產(chǎn)品使命為解決易用性問題，降低實時應(yīng)用開發(fā)、運維與運行成本，無論對實時計算新手還是資深從業(yè)者，都致力于提供便捷、穩(wěn)定且高效的流處理方案。目前，應(yīng)用領(lǐng)域涵蓋互聯(lián)網(wǎng)、金融、能源、供應(yīng)鏈等多個行業(yè)，在實時監(jiān)控告警、流表實時打?qū)挕⒁?guī)則引擎、實時數(shù)據(jù)市場等場景均有應(yīng)用。截至當前，全球日活集群已超 1700 個。

2. RisingWave 特點

（1）易用性

RisingWave 通過 SQL 作為交互接口，兼容 PostgreSQL 協(xié)議，用戶通過簡單的 SQL 即可實現(xiàn)復(fù)雜的實時需求，同時支持通過不同語言的 UDF 進行拓展。另外，RisingWave 不僅僅是流式計算引擎，而且?guī)в凶匝械拇鎯σ?，除了支持有狀態(tài)的復(fù)雜流計算外，實時分析的結(jié)果可以以物化視圖的方式通過 SQL 在 RisingWave 中查詢，我們稱其為 Serving。同時 RisingWave 流算子的內(nèi)部狀態(tài)都抽象成了關(guān)系型表，也可以通過 SQL 查詢，大大提升了流計算的可觀測性。

（2）健壯性

RisingWave 定位為數(shù)據(jù)庫，所以健壯穩(wěn)定是首要要求。實時性方面，可以達到亞秒級新鮮度，并實現(xiàn)了 Exactly Once。支持強一致持久化 checkpoint，當出現(xiàn)故障時可以立即從上一 checkpoint 恢復(fù)?；诖嫠惴蛛x的架構(gòu)，可以實現(xiàn) zero downtime 的彈性伸縮和快速恢復(fù)。同時，RisingWave 支持 20+ 路多流 join 和復(fù)雜流式變換，并且支持長時間窗口大狀態(tài)的流處理。

（3）開放的上下游生態(tài)系統(tǒng)

RisingWave 作為流處理系統(tǒng)，具備開放且多元的上下游生態(tài)系統(tǒng)。在上游 Source 方面，它支持多種常見的消息隊列（如 Kafka 等）、各類數(shù)據(jù)庫的變更數(shù)據(jù)捕獲（CDC），涵蓋 MySQL、PostgreSQL、Oracle 等關(guān)系型數(shù)據(jù)庫以及 MongoDB 等非關(guān)系型數(shù)據(jù)庫，并且支持如 Debezium 等多種 CDC 格式，同時也接納如數(shù)據(jù)湖、文件系統(tǒng)內(nèi)文件等批式數(shù)據(jù)源。而在下游 Sink，不僅支持消息隊列，還支持 ClickHouse、StarRocks 等分析型數(shù)據(jù)庫以及 Elasticsearch、Redis 等非關(guān)系型數(shù)據(jù)庫，此外還實現(xiàn)了實時入湖功能。這種開放的生態(tài)系統(tǒng)，極大地拓展了 RisingWave 在不同數(shù)據(jù)場景下的應(yīng)用范圍，使其能更好地融入多樣化的數(shù)據(jù)處理鏈路中。

（4）高性價比

實時計算相比于離線計算通常成本更高，而 RisingWave 通過多種優(yōu)化，實現(xiàn)了高性價比。首先，使用低成本的對象存儲作為存儲后端，我們自研了基于 LSM 的存儲引擎降低存儲成本。RisingWave 支持多種對象存儲，比如 S3、Azure Blob 等，也可以自己部署 MinIO、HDFS、DFS。采用存算分離架構(gòu)，計算和存儲可以獨立擴縮容。計算節(jié)點采用多級緩存，可以根據(jù)需求調(diào)整，并且支持 serverless compaction。

3. RisingWave 架構(gòu)

RisingWave 的架構(gòu)主要分為三層。最上層是接入層（Frontend），它負責解析和優(yōu)化用戶請求，并生成執(zhí)行計劃，這些計劃會被分布式調(diào)度到第二層 —— 計算層（Compute）執(zhí)行。在流作業(yè)中，有狀態(tài)的算子其狀態(tài)會持久化到基于對象存儲（ObjectStore）的存儲引擎中。在這些組件之上，有一個 Meta 節(jié)點負責協(xié)調(diào)，起到控制器的作用。整體架構(gòu)體現(xiàn)了 RisingWave 在流處理方面的高效設(shè)計，同時兼顧了存儲和協(xié)調(diào)功能。

二、RisingWave 在實時特征工程中的應(yīng)用

1. 特征工程步驟與鏈路

實時特征工程包含 Training 鏈路和 Inference 鏈路。Training 鏈路包括從上游數(shù)據(jù)源攝入數(shù)據(jù)、清洗選擇、特征構(gòu)建、樣本拼接和實時模型訓(xùn)練。Inference 鏈路包括攝入數(shù)據(jù)構(gòu)建行為特征、查詢 Feature Store 特征拼接和向 Model 喂入特征完成 Inference。

實時特征工程在架構(gòu)上存在挑戰(zhàn)。引入的組件越多，運維越困難，工程師需熟悉多個系統(tǒng)。同時，組件增多會使穩(wěn)定性難以保障，一個組件故障就可能影響整體。此外，影響實時性的因素變多，且上線周期變長，工程師需學(xué)習(xí)不同接口與組件交互，數(shù)據(jù)分散也導(dǎo)致回測困難。

2. RisingWave 的助力

RisingWave 在實時特征工程方面有諸多助力。它能用 SQL + UDF 構(gòu)建 Streaming Pipeline，提供統(tǒng)一的數(shù)據(jù)源存儲，支持 Serving 查詢，并具備實時流式 Sink 功能，能夠有效簡化和優(yōu)化實時特征工程的流程，提升效率。

接下來具體看一下鏈路中的每個步驟。

（1）數(shù)據(jù)攝入

在數(shù)據(jù)攝入環(huán)節(jié)，RisingWave 中可以使用 source connector 輕松接入多種數(shù)據(jù)源。

1）Source 相關(guān)助力

• 多樣化數(shù)據(jù)源支持
  消息隊列（MQ）：支持 Kafka、Pulsar、MQTT 等。
  變更數(shù)據(jù)捕獲（CDC）：支持 MySQL、PostgreSQL、TiDB、MongoDB 等數(shù)據(jù)庫的 CDC。
  批處理數(shù)據(jù)源：支持 File System、Object Store、Iceberg 等。
• 消息編碼支持
  支持 AVRO、JSON、PROTOBUF、CSV、BYTES 等編碼格式。
• 消息隊列支持指定消費位置指定
• 支持從 Schema Registry 自動獲取上游 Schema

2）Table 相關(guān)助力

• 數(shù)據(jù)源支持廣泛
  Table 可以消費所有 Source 支持的數(shù)據(jù)源，能夠?qū)⒏鞣N來源的數(shù)據(jù)進行整合。
• 物化數(shù)據(jù)支持
  將 Source 的數(shù)據(jù)物化到表，支持主鍵，便于數(shù)據(jù)的管理和查詢。
• 上游 CDC 支持
  支持常見的 OLTP 數(shù)據(jù)庫（如 MySQL、PostgreSQL、Oracle、TiDB 等）和 NoSQL 數(shù)據(jù)庫（如 MongoDB）的 CDC。
• DML 支持
  支持增刪改查（DML）操作，方便對數(shù)據(jù)進行處理和維護。
• 消息格式支持
  支持多種消息格式，如 PLAIN、DEBEZIUM、CANAL、MAXWELL、UPSERT 等，便于與不同系統(tǒng)進行數(shù)據(jù)交互。

通過這些功能，RisingWave 在數(shù)據(jù)攝入環(huán)節(jié)能夠靈活、高效地處理各種數(shù)據(jù)源的數(shù)據(jù)，并提供方便的數(shù)據(jù)管理和操作功能。

（2）數(shù)據(jù)選擇和清洗

在 RisingWave 中，豐富的 SQL 函數(shù)可以幫助用戶輕松定義數(shù)據(jù)選擇和清洗的邏輯，同時通過物化視圖（Materialized View）構(gòu)建特征工程的 Streaming Pipeline。

1）基于 SQL 進行數(shù)據(jù)選擇和清洗

• 離散化（Categorization）
  可以使用 SQL 語句將數(shù)據(jù)離散化到多個桶中。例如，根據(jù)一定的條件將數(shù)據(jù)劃分到不同的類別。
• 異常值處理（Filtering）
  通過 WHERE 條件來處理異常值。例如，篩選出符合特定范圍的數(shù)據(jù)，排除異常數(shù)據(jù)。
• 去重（Distinct On）
  使用 DISTINCT ON 語句可以對指定列的數(shù)據(jù)進行去重操作，只保留一條記錄。
• 缺失值處理（Coalescing）
  利用 SQL 函數(shù)（如 LAG）來填補缺失值，使缺失值變?yōu)樯弦粋€有效值。

2)基于物化視圖構(gòu)建 Pipeline

物化視圖是一個增量實時維護流處理結(jié)果的抽象。當上游數(shù)據(jù)到來時，物化視圖會自動、實時、同步地增量維護流處理的結(jié)果。

• 支持 MV - on - MV 構(gòu)建層級化的流處理管道，可以堆疊物化視圖來構(gòu)建多層級的流處理流程。
• 物化視圖支持豐富的 SQL 語法，包括 JOIN、窗口函數(shù)、子查詢、分組等，還支持高級的流處理特性如 watermark，以及半結(jié)構(gòu)化數(shù)據(jù)的處理函數(shù)。
• 物化視圖的結(jié)果是實時可查詢的，用戶可以通過 SQL 查詢來獲取物化視圖的結(jié)果，方便進行數(shù)據(jù)驗證和調(diào)試。

3)SQL 即流處理

RisingWave 中的 SQL 即流處理具有諸多優(yōu)勢。它基于 SQL 構(gòu)建流作業(yè)，具備豐富的查詢優(yōu)化功能，如列裁剪、Filter 下推等。還支持子查詢解關(guān)聯(lián)、Join 重排序等操作，能夠?qū)⒂脩艟帉懙?SQL 優(yōu)化成高效的分布式流作業(yè)，方便用戶操作。

（3）特征構(gòu)建

特征構(gòu)建是實時特征工程的關(guān)鍵環(huán)節(jié)，下面我們從一些常用特征出發(fā)，看一下如何通過 RisingWave 進行特征構(gòu)建

1)聚合特征和 Over 窗口計算

• 通過 CREATE MATERIALIZED VIEW 語句實現(xiàn)，例如計算用戶最近 30 天行為聚合統(tǒng)計，從清洗后的數(shù)據(jù)表（如 cleaned_events）中篩選出特定時間范圍內(nèi)（NOW() - INTERVAL '30 DAYS'到NOW()）的數(shù)據(jù)，按用戶 ID（user_id）和事件類型（event_type）進行分組，計算訪問次數(shù)（COUNT()）和最后訪問時間（MAX(event_timestamp)）。還可進一步計算如用戶過去 30 天最常瀏覽的 Top2 商品類別，先按用戶 ID 分區(qū)并按訪問次數(shù)降序排序，然后選擇排名前 2 的類別。

2)窗口特征

• Hop Window 和 Tumble Window：如創(chuàng)建 2 分鐘 hop 窗口聚合特征，從數(shù)據(jù)源（如 taxi_trips）中，以 completed_at 為時間字段，按 2 分鐘間隔進行窗口聚合，計算行程數(shù)量（count(trip_id)）和總距離（sum(distance)）。同樣，對于 2 分鐘 tumble 窗口聚合特征，使用 TUMBLE 函數(shù)并設(shè)置相應(yīng)參數(shù)實現(xiàn)。這些窗口計算為時間序列數(shù)據(jù)的分析提供了靈活的方式。

• Session Window 與 Watermark：在源頭表（如 user_views）上定義 5 分鐘間隔的 watermark，用于處理亂序數(shù)據(jù)。然后創(chuàng)建 5 分鐘 session 窗口聚合特征，按用戶 ID 分區(qū)，以 viewed_at 為時間字段，計算每個會話的起始時間（first_value(viewed_at)）和結(jié)束時間（last_value(viewed_at)）。session 窗口能有效捕捉用戶在一段時間內(nèi)的連續(xù)行為，對于分析用戶行為模式非常有用。

3)實時多流 Join

• Inner Join 示例
  計算用戶過去一天內(nèi)瀏覽的商品種類分布，通過 CREATE MATERIALIZED VIEW 將 user_clicks 表與 product_metadata 表進行 JOIN 操作，連接條件為 user_clicks.product_id = product_metadata.product_id，篩選出過去一天內(nèi)的數(shù)據(jù)（user_clicks.event_time >= NOW() - INTERVAL '1 DAY'），按用戶 ID 和商品類別分組，統(tǒng)計各類別瀏覽次數(shù)（COUNT()）。
• Outer Join 應(yīng)用
  可用于維度特征關(guān)聯(lián)，如將 user_events 表分別與 product_info、store_info 和 user_info 表進行左外連接（LEFT OUTER JOIN），獲取更豐富的用戶行為相關(guān)信息，包括產(chǎn)品、店鋪和用戶自身的詳細信息，為后續(xù)分析提供多維度數(shù)據(jù)。
• Window Join 功能
  實現(xiàn)窗口特征拼接，例如將兩個以 completed_at 為時間字段、2 分鐘間隔的窗口（TUMBLE (taxi_trips, completed_at, INTERVAL '2 MINUTES')和 TUMBLE (taxi_fare, completed_at, INTERVAL '2 MINUTES')）進行連接，連接條件為行程 ID（trip_id）和窗口起始時間（window_start）相等，按窗口起始時間排序，從而整合行程和費用相關(guān)的窗口特征，為分析出租車業(yè)務(wù)數(shù)據(jù)提供了全面的視角。

實時多流 Join 是 RisingWave 的一個高亮特性，除了上面介紹的 Regular Join 和 Interval Join，還支持 Temporal Join，以及基于 Watermark 的 Windows Join。多流 Join 是流處理中的一個難點，而 RisingWave 憑借其架構(gòu)優(yōu)勢和豐富的優(yōu)化，讓用戶在不感知調(diào)度和實現(xiàn)細節(jié)的情況下，可以輕松通過 SQL 構(gòu)建包含多流 Join 的實時特征。

4）高效狀態(tài)管理

• 狀態(tài)過期清理
  基于 DynamicFilter 算子實現(xiàn)，能夠生成正確強一致的流變更和存儲 delete tombstone，確保狀態(tài)存儲和 SQL 語義完全一致。在處理如用戶最近 30 天行為聚合統(tǒng)計等特征構(gòu)建時，自動管理狀態(tài)的過期，避免無效數(shù)據(jù)占用存儲空間，保證數(shù)據(jù)的時效性和準確性。

• 長周期大狀態(tài)處理
  算子狀態(tài)持久化在對象存儲，無單機狀態(tài)上限。
  基于存算分離架構(gòu)可實現(xiàn)秒級擴縮容。
  自研云原生 LSM 存儲引擎。

在 RisingWave 中做了大量工作去優(yōu)化狀態(tài)遠端存儲帶來的延遲。通過多級緩存機制，用戶可以根據(jù)實際場景在性能與成本間做出權(quán)衡。

• 內(nèi)部狀態(tài) SQL 可查
  流算子內(nèi)部狀態(tài)抽象成關(guān)系型 State Table。
  可以通過 SHOW INTERNAL TABLES 查看算子內(nèi)部狀態(tài)表，也可以通過 SQL 查詢。
  適用于排查線上數(shù)據(jù)問題、優(yōu)化流作業(yè) SQL、學(xué)習(xí)流算子的狀態(tài)管理制等場景。

• 狀態(tài)復(fù)用

特征工程中，Source 數(shù)據(jù)清洗后的原始數(shù)據(jù)可以會物化成 MV，基于這些 MV 又可以創(chuàng)建不同的下游 MV，MV 之間還可以 join，這樣分層構(gòu)建流作業(yè)，天然支持狀態(tài)復(fù)用。Source Table 支持 DML 進行數(shù)據(jù)訂正，訂正引起的變更會自動地同步到各個下游。

5）UDF

支持通過 CREATE FUNCTION 和 CREATE AGGREGATE 方式定義 UDF。

（4）Feature Serving

在 RisingWave中，F(xiàn)eature Serving 是實時特征工程的重要組成部分，提供了強大的功能用于特征查詢、數(shù)據(jù)分發(fā)和服務(wù)優(yōu)化。

1）查詢與結(jié)果一致性

• 可查詢性
  Materialized View 和 Table 均可查詢，支持 Batch Query 和 Streaming Query。用戶可以通過 SELECT 語句直接查詢物化視圖（如 user_feature）獲取特征數(shù)據(jù)，例如查詢特定用戶 ID（user_id = 15213）的特征。這種查詢方式方便快捷，能夠滿足不同場景下對特征數(shù)據(jù)的獲取需求。
• 結(jié)果一致性與調(diào)試回溯
  Streaming 和 Batch Query 結(jié)果一致，這一特性使得用戶在開發(fā)和調(diào)試過程中更加便捷。用戶在創(chuàng)建物化視圖前可以先運行 Batch Query 來查看結(jié)果是否符合預(yù)期，進行數(shù)據(jù)驗證和邏輯調(diào)試。如果發(fā)現(xiàn)問題，可以方便地回溯和排查，因為兩種查詢方式的結(jié)果具有一致性，保證了數(shù)據(jù)的可靠性和可追溯性。
• 支持創(chuàng)建索引加速 Serving 查詢

2)索引加速查詢

• 索引創(chuàng)建與應(yīng)用
  支持在 Materialized View 和 Table 上創(chuàng)建索引來加速 Serving 查詢。用戶可以在 timestamp 列創(chuàng)建索引（如 CREATE INDEX idx_timestamp on user_feature(timestamp)），然后在查詢時利用該索引加速對 timestamp 列的范圍查詢（如 SELECT  FROM user_feature WHERE timestamp < NOW() - INTERVAL ‘1 days’）。通過創(chuàng)建合適的索引，可以顯著提高查詢性能，減少數(shù)據(jù)檢索時間。
• 索引特性支持
  支持指定 Include 列、Distributed 列，還支持表達式索引。例如，在 customers 表上創(chuàng)建索引加速點查（CREATE INDEX idx_c_phone on customer(c_phone)），在 orders 表上創(chuàng)建索引加速 JOIN 操作（CREATE INDEX idx_o_custkey ON orders(o_custkey)），以及在包含 JSONB 類型列的表上創(chuàng)建表達式索引。這些豐富的索引特性為優(yōu)化查詢提供了多種選擇，適應(yīng)不同的數(shù)據(jù)結(jié)構(gòu)和查詢需求。

3)隔離與伸縮性

• 隔離 Streaming 與 Serving
  支持隔離 Streaming 與 Serving，允許獨立伸縮。這意味著用戶可以根據(jù)實際需求分別調(diào)整 Streaming 和 Serving 的資源配置，優(yōu)化系統(tǒng)性能。例如，在高并發(fā)查詢場景下，可以為 Serving 分配更多的計算資源以滿足查詢需求，而不會影響 Streaming 的實時數(shù)據(jù)處理能力。
• 資源優(yōu)化與靈活性
  通過獨立伸縮，用戶可以更好地平衡系統(tǒng)資源的利用，提高系統(tǒng)的整體效率和穩(wěn)定性。無論是處理大規(guī)模實時數(shù)據(jù)的攝入和處理（Streaming），還是應(yīng)對高并發(fā)的特征查詢（Serving），都能夠靈活配置資源，確保系統(tǒng)在不同負載下的良好性能表現(xiàn)。

4)數(shù)據(jù)分發(fā)到下游系統(tǒng)

支持將數(shù)據(jù)變更 Sink 到下游系統(tǒng)。

• Sink 功能與支持的系統(tǒng)
  通過 Sink 可以實時將數(shù)據(jù)發(fā)送到多種下游系統(tǒng)，支持的 Connector 包括 Redis、Kafka、JDBC、Clickhouse、StarRocks、Doris、ElasticSearch、Cassandra、File、Iceberg 等。用戶可以根據(jù)實際業(yè)務(wù)需求選擇合適的下游系統(tǒng)進行數(shù)據(jù)分發(fā)，實現(xiàn)數(shù)據(jù)的進一步處理和分析。
• 數(shù)據(jù)格式與輸入源
  支持多種數(shù)據(jù)格式，如 APPEND_ONLY、UPSERT、DEBEZIUM 等。Sink 的輸入可以是 Table/Materialized View，也可以是 SQL query。

5)支持 Subscription 訂閱變更

6)支持 Python-SDK 執(zhí)行 SQL 和訂閱變更

讓我們再來整體回顧一下 RisingWave 在特征工程各環(huán)節(jié)起到的助力作用。首先是數(shù)據(jù)攝入，利用 RisingWave 可以便捷地導(dǎo)入不同數(shù)據(jù)源；接下來是數(shù)據(jù)選擇和清洗，基于 SQL 和 UDF，利用物化視圖分層構(gòu)建流處理 pipeline；特征構(gòu)建完成后，可以用 SQL 或 Python 進行特征查詢；最后，可以采用 push-based 也就是 sink 的方式將變更輸出到下游，也可以采用 pull-based subscribe 的方式獲取變更。

三、RisingWave 其他使用場景

1. 實時監(jiān)控告警

用戶借助 RisingWave 實時處理數(shù)據(jù)，一旦監(jiān)測到如設(shè)備故障等異常情況，便能迅速發(fā)出告警，實現(xiàn)自動修復(fù)或及時通知相關(guān)人員處理。

2. 流表實時打?qū)?/span>

當上游存在多個不同數(shù)據(jù)源的數(shù)據(jù)表時，RisingWave 可將這些表整合打?qū)挸梢粡埓髮挶?，以便在?shù)據(jù)庫中生成報表或進行深入分析，為決策提供全面的數(shù)據(jù)支持。

3. 規(guī)則引擎

用戶通過 SQL 定義規(guī)則，利用其與 PostgreSQL 協(xié)議 的兼容性，結(jié)合如 Superset 等 BI 工具，可直觀展示和分析數(shù)據(jù)，依據(jù)規(guī)則對數(shù)據(jù)進行處理和判斷，如在金融交易中檢測異常交易行為。

4. 實時數(shù)據(jù)市場

不同部門利用 RisingWave 構(gòu)建物化視圖，維護數(shù)據(jù)的可見性與權(quán)限。借助 dbt 工具，清晰管理數(shù)據(jù)血緣，保障數(shù)據(jù)質(zhì)量與可追溯性，促進部門間高效的數(shù)據(jù)協(xié)作與共享。

四、RisingWave 2.0 更新內(nèi)容

RisingWave 2.0 作為最新發(fā)布的版本，帶來了諸多重要更新。

首先，新增 Premium 版本，專為自部署集群打造，提供企業(yè)級支持，有力保障自部署時的穩(wěn)定性與性能表現(xiàn)。同時，RisingWave 的 Cloud 版本在應(yīng)用性方面持續(xù)增強，尤其在 2.0 版本中，針對 Streaming 和 Batch 的統(tǒng)一支持進行了顯著改進。例如，對 Batch Source、Batch Sink 以及 Batch Query 均進行了優(yōu)化，提升了批量數(shù)據(jù)處理的效率與性能。

此外，該版本實現(xiàn)了自動的 Schema Change 和自動的 Schema Mapping 功能。這意味著當上游數(shù)據(jù)存在 Schema 時，用戶導(dǎo)入數(shù)據(jù)無需手動編寫 Schema，并且上游數(shù)據(jù)列的增減操作能夠自動同步至 RisingWave 中，極大地簡化了數(shù)據(jù)管理流程。同時針對創(chuàng)建 MV 時回填歷史數(shù)據(jù)這一資源消耗大且一次性的操作提供了進一步地的優(yōu)化，優(yōu)化了數(shù)據(jù)處理的完整性和效率。

RisingWave 2.0 通過這些更新，致力于為用戶提供更優(yōu)質(zhì)、高效、便捷的服務(wù)，期待用戶深入了解并反饋使用體驗，共同推動產(chǎn)品的持續(xù)優(yōu)化。