阿里云Hologres

定义

阿里云Hologres是阿里巴巴自研的云原生实时数仓引擎，原名交互式分析，2020 年 3 月 20 日以「实时数仓 Hologres」的名称正式商业化发布^[4]。它对外提供标准 SQL 接口，兼容 PostgreSQL 的协议与语法，因此已有的驱动、客户端和商业智能工具可以直接接入，不需要重写应用^[1]。

它的名称由 Holographic 与 Postgres 两部分组成，前者取自物理学的全息概念，后者指代所兼容的 PostgreSQL 生态^[5]。Hologres 侧重解决的问题是：同一份数据既要做复杂的多维分析，又要以高并发的形式对外提供在线查询，而传统方案通常需要把这两类负载拆到不同系统里分别实现^[6]。

原理

Hologres 是标准的大规模并行处理（MPP）数据库，主要由前端（Frontend）与查询引擎（Query Engine）两部分构成：前端接收 SQL 并由优化器生成物理执行计划，查询引擎负责高效执行该计划^[7]。它采用计算与存储分离的云原生架构，存储资源和计算资源分开部署、独立伸缩，数据默认持久化在分布式文件系统中^[6]。

在存储层面，表被划分为多个自管理的数据分片，每个分片独立处理自己的读写请求，因此读路径与写路径相互隔离，写入的数据可以在亚秒级内被读取到^[6]。表提供行存、列存和行列共存三种存储模式：行存面向高并发的点查，列存面向大规模多维分析，行列共存则兼顾两类访问方式^[8]。分片内部采用类似日志结构合并树（LSM Tree）的方式组织数据，以提升写入吞吐并降低数据可见的延迟^[6]。

在执行层面，Hologres 引入执行上下文（Execution Context）作为系统线程与用户任务之间的资源抽象，由名为 HOS 的调度框架把查询拆成细粒度工作单元并映射到执行上下文上并行执行，上下文切换开销很小，从而支持大量查询同时复用硬件资源^[9]。对外提供的接口包括标准 JDBC 与 ODBC，另有一套在 JDBC 之上自研的 HoloClient 接口，支持自动攒批、自动路由分区和消费 Binlog^[8]。

发展历程

Hologres 于 2016 年在阿里巴巴集团内部诞生，最初的用途是在双十一等大规模场景下充当 Flink 的键值存储引擎，保障数据的实时写入、存储与查询，同时作为 MaxCompute 的交互式分析引擎使用^[10]。2019 年，阿里妈妈的 Dolphin 引擎与 Hologres 共同建设了 Bitmap 计算能力，用于人群圈选；2020 年双方又共建了千万级人群中心；2021 年和 2022 年先后支持了向量计算与实时特征开发^[11]。

2020 年 3 月 20 日，交互式分析（Hologres）正式商业化发布，支持按量后付费与包年包月两种计费方式^[4]。同一年，Hologres 作为双十一的数据支撑系统，承受住每秒 5.96 亿条的实时数据写入，单表存储规模达到 2.5 PB^[12]。同年，介绍其架构的论文《Alibaba Hologres: A Cloud-Native Service for Hybrid Serving/Analytical Processing》发表在数据库领域会议 VLDB 上^[6]。

2022 年，Hologres 在 TPC-H 30TB 规模的测试中以 27,860,000 QphH 的成绩排名第一，领先第二名 23%^[13]。2024 年云栖大会上，Hologres 3.0 升级为一体化实时湖仓平台，提出湖仓存储一体、多模式计算一体、分析服务一体、数据与人工智能一体的目标，并发布 Dynamic Table、External Database 等能力^[10]。2025 年发布的 3.1 版本推出 Serverless 型实例，支持按查询计费、无需独享资源^[14]。2026 年公开的 TPC-H 3000GB 测试结果显示，Hologres 以 8,443,627 QphH 位列第一，领先第二名约 54%，单位成本为每 kQphH 390.47 元人民币^[13]。

应用

实时报表与数据大屏是 Hologres 的典型场景之一。数仓中的明细数据写入后即可被查询，无需预计算，业务方能够用多维分析和即席查询的方式直接在 PB 级数据上探索，获取亚秒级的响应^[3]。

在线数据服务是另一类核心用途。基于行存表的主键索引和查询引擎的短路径优化，Hologres 可支撑每秒数十万次的在线点查与前缀扫描，用于实时加工链路中的维表关联和 ID 映射^[1]。在公开的基准测试中，64 CU 规格的实例在 500 个客户端下取得单键点查每秒 112,435 次的成绩，点查吞吐随实例规格线性增长^[15]。

在数据湖方向，Hologres 可以外部表的方式直接加速读取存储在对象存储上的数据，无需移动数据本身，支持 Paimon、Iceberg、Hudi、Delta、ORC、Parquet 等开放格式^[16]。它与 MaxCompute 无缝对接，查询 MaxCompute 数据的速度相比直接访问可提升 5 至 10 倍，两者之间的数据同步可达每秒百万行^[1]。

用户侧案例覆盖互联网、游戏、出行等行业。小红书在 OLAP 场景用 Hologres 替换 ClickHouse，并在推荐场景中实时分析用户 A/B 分组测试结果；B 站游戏把消息中间件、缓存、HBase 等组件整合为 Hologres 与 Flink 的组合；好未来用 Hologres 同时替换 Kudu 与 Impala，实现了百万级写入和毫秒级查询^[17]。

局限

Hologres 的事务能力有限。它默认只支持单条 SQL 的事务，多条 DDL 语句可以放入同一事务，而多条 DML 混合事务自 V2.0 版本起以 Beta 形式提供，需要显式开启参数才能使用^[18]。

混合 DML 事务会限制分布式能力的发挥，只适用于低并发场景，不适用于高并发场合。事务中书、写、删除、更新等操作都会在表级别加写锁，即使只被读取的表也会加锁，导致同一张表上的多个事务只能串行执行；在锁冲突严重时，SQL 的执行时间会明显变长，甚至因超时设置而直接报错。此外，同一个事务中同时包含写入与查询时，查询性能会低于不使用事务的情况^[18]。

事务支持还存在一项明确的边界：同一事务中混用 DDL 与 DML 语句不被允许，执行时会返回不支持的错误^[18]。这意味着 Hologres 并不定位为承担强事务要求的联机交易型数据库，它以数仓模型解决数据服务问题，而非以事务机制应对交易场景^[19]。

架构上，Hologres 采用计算与存储分离的设计，存储资源与计算资源分开伸缩，因此查询性能与所配置的计算资源规模直接相关，公开测试显示计算资源从 64 CU 增至 128 CU 时执行时间相应下降^[15]。实时写入与高并发查询在同一时间窗口内并存时，会竞争 CPU、内存和 I/O，需要依靠线程池隔离和计算组资源隔离等手段维持稳定^[13]。

参见

• PostgreSQL —— Hologres 兼容其协议与语法，使用户可直接复用既有驱动、客户端和工具链。

• Flink —— 常与 Hologres 组合使用，承担实时计算与数据写入的角色，双方通过连接器和 Binlog 协同。

• MaxCompute —— 阿里云的离线大数据计算服务，Hologres 可对其数据做透明加速查询与联邦分析。

• 数据仓库 —— Hologres 所属的产品类别，其差别在于把实时写入、分析与在线服务并入同一系统。

• 联机分析处理 —— Hologres 支持的多维分析与即席查询即属于此类负载。

• TPC-H —— 决策支持领域的基准测试，Hologres 曾在该测试中取得公开榜单的成绩记录。