我们可以看到，在进化了近50年后，现有的数据库技术已经不能满足从业者的需求 --- 他们需要更加简单易用、省心省力的数据库。在这样的背景下，为了能给用户提供简单易用的接口，真正实现数据平民化，姚延栋和他的团队将关系数据库、时序数据库和分析数据库融合在同一个数据库产品中，打造了全球唯一一款PB级超融合时序数据库--MatrixDB。

超融合时序数据库解决了什么问题？

目前，超融合时序数据库主要应用在两大场景：第一，时序、时空场景，通常是物联网、工业互联网、车联网和智慧城市等领域；第二，实时数据分析场景。

谈到时序、时空场景，姚延栋分享了一个海量设备、大量存储的典型物联网场景。“以一家做光纤和5G通讯设备的国际制造商为例，这家制造商大概有1000万设备，每台设备每次都会采集300个指标数据，每次共计需要采集30亿指标。”基于这种情况下，MatrixDB实现了超大规模数据的实时加载特性，在保证低延迟和高并发加载的同时，也减轻了系统资源消耗，充分将快速采集、高效存储的特性显示了出来，使得海量数据的存储问题、秒级采集的频率要求都能得到完美的解决。

在实时分析的特性方面，姚延栋又给出了另一个案例：在一个实时数据分析的业务中，MatrixDB可以实现对IT运营域和OT生产域的数据收集，通过ETL/CDC和物联网协议插入数据以后，便能将两张网的数据整合在一起，使得公司的全部数据一目了然地展现。当企业再基于这些数据进行分析时，就能得到更加精准且全面的结论。

我们还注意到了MatrixDB的另一个重要特性——模块化和可插拔。专用时序数据库通常包含存储器和简单的执行器，没有优化器和并发控制等关系数据库经典组件。从本质上来看，它是把存储器“做成”了数据库，以此来解决一个特定的问题。而超融合时序数据库则是把存储器“做进”数据库，通过把各个核心功能做到模块化、可插拔，在一个关系数据库内部同时实现多种存储引擎，以及跨存储表关联和ACID。比如有200张表，其中190张是关系型数据，这部分可以使用关系引擎存储；剩余10张是时序数据，就可以使用时序引擎存储，且它们可以相互关联。

与传统的关系数据库+专用时序数据库相结合的架构相比，通过支持多种存储引擎，超融合时序数据库可以让性能快10-100倍，同时大幅降低成本，提升开发运维效率。

令人惊喜的是，除了快速采集、高效存储、实时分析以及模块化和可插拔特性以外，我们注意到MatrixDB作为一款数据库产品，还提供了机器学习的能力。随着人工智能技术的飞速发展，In-Database Machine Learning成为一个值得关注的方向，将机器学习的算法内置到数据库将逐渐成为主流。一方面，借助分布式数据库的并行计算能力，可以使计算速度超越单机；另一方面，由于单机上的内存有限，在数据量很大的情况下，只能抽样进行训练，模型精度就会变差。通过In-Database Machine Learning模式，就能实现在全量数据上训练，模型精度也将得到进一步提高。

“过去从业者需要自己写程序才能实现机器学习。”这是姚延栋提到的一个现象，并表示这其中的技术门槛比较高。“目前，MatrixDB数据库通过直接提供SQL接口，大大降低了机器学习的门槛，能够在一定程度上缓解人才稀缺的问题”。