逻辑数据编织技术白皮书.docx

《逻辑数据编织技术白皮书.docx》由会员分享，可在线阅读，更多相关《逻辑数据编织技术白皮书.docx（15页珍藏版）》请在课桌文档上搜索。

1、目录I目录2I摘要3I引言4I实施数据编织的不同方法7I逻辑数据编织的核心组件8数据虚拟化：连接、整合和发布层。8执行和数据集成：执行引擎和优化器9增强版数据目录9主动元数据管理10基于Al的建议10具有扩展元数据的语义层11DATAoPS及多云配置12I逻辑数据编织的主要优势13客户实例：DNB14计划14应用场景15移动银行业务15机器学习及高级分析15风险分析16GDPR16Bl报告16关键功能16产生的价值I结语117自助*务敷改图1：逻辑数据编织的系统结构图领先的行业分析机构Gartner将数据编织定义为:一种架构模式,可以提供关于数据对象的设计、集成和部署的信息并使上述操作自动化,

2、不受部署平台和架构方法的限制。它利用对所有元数据资产的持续分析和AI/ML（T智能/机耕学习），提供有关数据管理以及集成设计和部署模式的可行见解和建议。这将使数据访问和共享更快、更明智,甚至完全自动化（在某些情况下。”因此，数据编织的最终目标是：实现更加敏捷、无缝的数据访问和数据集成，并在许多应用场景中实现自动化。数据编织应具备足够的复杂性以实现高级分析，同时提供一个友好的界面，让业务用户可以与该界面交互。成熟的数据编织应该能够同时支持分析和运行场景。从更具战术性的角度来看，Gartner表示：“问题的核心在于,使可信数据能够通过一个公共层从所有相关数据源传送给所有相关数据使用者,从而能以高效

3、的方式整合许多不同的数据源。wDemystifyingtheDataFabric（数据编织揭秘），JacobOriipLund,2020年9月。接下来的问题是，如何将这些概念转化为现实的数据架构。我们看到，构建功能性数据编织，需要具备六个关键组件：1 .数据虚拟化引擎：提取数据，并允许将应用程序/数据使用与数据源分离，以提供通用的访问层。-该引擎的一个关键组件是智能查询优化器，此优化器有助于降低处理成本，优化速度。2 .增强版数据目录：促进数据探索和发现，加强协作和数据治理。3 .主动元数据：支持审核和历史分析，并作为AI流程的基础。4 .具有扩展无数据的语义层：使用业务术语、标签、状态或文档

4、丰富传统技术信息，大力改善所有数据资产的自助服务、安全性和治理。5 .基于Al的建议：在整个平台上都很有用，可以从使用中学习，并简化数据管理实践的开发、运营和性能调整等整个生命周期。6 .BataOPS和9云配置：降低管理和运营成本，并使系统不受云供应商影响。G 运置控度控 和监调本式三不衰煦图2：逻辑数据编织的功能图数据虚拟化的核心层提取底层数据源，可集中进行访问和数据集成，并确保数据安全。主动元数据、Al引擎、数据目录等功能扩展了数据虚拟化的功能，进而奠定了数据编织策略的基础。此外从图中也能看出，数据虚拟化还可为生态系统中其他的常见元素提供连接点，例如版本控制、治理和日志管理等。要了解更多

5、有关数据编织的信息、，请参阅行业分析论文，例如Gartner的数据编织揭秘(DemystifyingtheDataFabric,2020年9月，JacobOrupLund)以及Forrester的企也数据编织WaVe报告EnterpriseDataFabricWave),另请参阅Gartner的博客文章数据编织架构是实现数据管理和集成现代化的关键(DataFabricArchitectureisKeytoModernizingDataManagementandIntegration)以及福布斯杂志的文章大数据迎来数据编织和多云(BigDataMeetsDataFabricandMulti-Cl

6、oud)o在接下来的部分中，我们将更深入地分析实现数据编织所需的组件和功能。数据编织与组织的哪些人 员密切相关？数据编织与组织中访问或 处理数据的所有人密切相 关。组织内的任何用户， 只要他们需要报告数据、 处理数据或仅是查看数 据，就会接触数据编织。以前，这些用户包括业务 分析师、数据科学家、 线员工以及IT人员等后 台职能员工。现在，用户 群体有增无减，首席信息 安全宜或首席信息官等数 据治理专业人员也都包括 在内。最后重要一点是，DBA、 架构师和数据集成专家等 IT专业人员也都将帮助运 行和发展数据编织。实施数据编织有哪些不同的方法？数据编织是当前数据环境中的热门话题，多家供应商因而从

7、不同角度对布局编织进行了探讨。数据编织的一个关键原则是灵活的数据集成方法，进而实现分布式生态系统中的数据管理。也就是说，根据应用场景的性质及其要求，任何用户（或编织本身，在基于Al的决策中）都应该能够使用最佳的集成策略和最适合该工作负我的数据系统。这包括使用提取、转换和加载（ETL）流程，提取、加载和转换（ELT）流程，实时联合，以及数据湖、企业数据仓库（EDW）、操作系统等的组合。许多供应商，尤其是数据湖和ETL.领域的供应商，都忽略了这些前提。他们实现数据编织的方法侧重于将数据物理复制到单一的中央存储库，并围绕这些管道实现自动化。然而，这些方法存在严重的弊端： 解决方案锁定：编织依赖于锁定

8、客户的单一系统，导致灵活性降低。另外，由于无法改变存储和执行，发展编织也是阻碍重重。 数据配置缓慢：使用新资产必须进行复制，导致敏捷性降低，价值实现时间延长。 工作负载解决方案一刀切：所有工作负载共用一个系统，难以满足每个应用场景的需求。举个简单的例子，当后端位于数据仓库或数据湖中时，运行场景（例如用于检索客户详细信息的API）将无法获得所需性能。不仅如此，想要重用准备就绪的现有分析系统（例如特定域的数据集市）时也会受阻。 维护成本高昂：单一的数据编织方法需要不断地执行、维护和发展复制管道，随之而来的是高昂的运营成本。当然，复制通常必不可少，数据编织也确实需要复制。但对于编织试图解决的关键挑战

9、而言，仅仅依赖于复制并将其作为集成手段将无济于事。数据编织必须包含分布式数据和逻辑访问的理念。这是什么意思？分布式意味着现代数据生态系统由多个元素组成。数据管理方面不存在一体适用的系统。现代数据生态系统需要数据仓库、数据湖、操作型存储、noSQL源、实时源等。此外，混合和多云环境正在成为常态，因而扩大了数据的分布范围。逻辑意味着可以通过逻辑抽象层访问数据。这隐藏了后端的复杂性，为使用、安全和治理提供了单一访问点。逻辑层还必须支持多种集成策略。应该能够通过逻辑层的无数据直接访问数据源，同时还可以利用逻辑层实现实时联合，针对特定数据集（例如缓存、聚合感知表）选择性生成具体化视图，完成对数据湖中的提

10、取、加载和转换（ELT）的监理，以及进行完整的数据集复制。如此一来，分布式架构解决不同工作负载（一体适用并不存在）问题的方法以及逻辑架构凭借逻辑访问的抽象能力解决供应商锁定问题的方法都可以一目了然。生态系统的分布式特性，以及无需初始复制就能立即使用任何数据的能力，加快了数据配置的进程。语义建模、高级元数据管理等附加功能有助于降低运营成本。在分布式世界，逻辑层是高效数据集成策略的基础。数据编织此刻变成了邃缴（据编织。数据虚拟化能够实时访问不同数据源，因而是实现逻辑数据编织的关键技术。然而，只有高级数据虚拟化供应商提供必要的基础架构，逻辑数据编织的理想才能得以实现。在接下来的部分中，我们将深入调查

11、不同的领域，进而真正了解逻辑数据编织的工作原理。逻辑数据编织的核心组件有哪些？上图说明了逻辑数据编织的主要组件。然而，架构师需要了解每个单独实施的具体要求，以及逻辑数据编织的组件如何协同工作以满足这些要求。在下一个部分中，我们将详细介绍这些组件。数据虚拟化：连接、整合和发布层数据虚拟化位于中间层，负责从使用中提取数据源，因而是任何逻辑数据编织的核心。它是连接、整合和发布数据的层。数据虚拟化平台应该不受源数据的位置和结构影响。连接部分从各种存储库中获取信息，并将底层通信协议、查询语言和格式上的任何差异与上层分离。用户可以在数据源上生成基本视图”，它代表一种标准化的模式，在表状结构中可供上层使用。

12、每种数据源的特定适配爵简化了此过程，这样数据虚拟化工具的用户就无需了解这些细节。我们可以将这些提取出的对象整合起来，以业务友好型格式创建虚拟数据模型。结构和数据的连接、聚合和转换使虚拟层能够满足数据使用者的期望。图形向导和高级元数据管理选项（如数据源更改检测、更改的传播影响分析、版本控制等）可以有效使用这些工具。对于任何数据虚拟化解决方案而言，最后一个关键组件都是数据发布组件。数据虚拟化层公开单一访问点，便于应用程序的使用。通过JDBC、ODBC和ADO.NET以及RESTfukOData,GraphQL和GeoJSON等不同格式的Web服务API,利用各种标准协议（如SQL）公开数据。数据访

13、问安全一般可以通过结合使用外部ACtiVeDirectory实例或身份提供者实现。执行和数据集成：执行引擎和优化器执行引擎及其优化器是数据虚拟化层的一个很重要的元素，它负责创建执行计划，进而以最优方式检索数据。它的工作原理与关系数据库的引擎类似：分析传入的SQL和内部元数据，制定查询执行计划，再通过该计划得出结果。然而，两者之间有一个巨大的区别：虚拟层只包含元数据。数据来自原始数据源或缓存等托管副本。这需要不同的逻辑和算法，将RDBM技术与数据集成技术相结合。当数据来自单一源时，数据虚拟化层会执行方言转换，但将大部分工作留给底层源。它跟APl管理器的作用基本类似，不过它针对的是SQLo它增加的

14、开销是最小的。然而，当请求的数据位于多个源时，数据虚拟化就会发挥作用。对于实时执行，数据虚拟化需要在多种操作技术中进行选择，例如连接或聚合(内存合并、哈希连接、嵌套循环、数据即时移动到临时表等)和查询重写技术(分支修剪、部分聚合拆分等)。数据虚拟化引擎的优化器基于成本，在该应用场景下发挥了重要作用，因为它可以估算部分数据量，并以此权衡不同的选项。除了可以实时访问数据源外，良好的数据虚拟化引擎还必须支持选择性的具体化视图技术，例如使用缓存或聚合感知摘要来增强性能。Denodo平台还支持完整复制，并且能够在额外副本合法时运行ETL或ELT作业。本文不会对优化和性能展开全面的讨论，如需了解更多这方面

15、的信息，可以查看Denodo网站和数据虚拟化博客里的以下文章： 在逻辑数据仓库中实现闪电般的快速性能(AChieVinQIiClhtirKIfastPerfOrmanCeintheIoQiCaldataWarehoUSe) 智能查询力口速提升了逻辑数据编织的性能(SmartCIUerya8elerationincreasesPerformanCeOfIheIooicaldatafabric)。增强版数据目录对于任何自助服务策略而言，业务用户可以找到数据交付层中可用的数据集并确定所需的数据集至关重要。数据目录旨在通过直观的用户界面，帮助所有用户实现这一操作。这些用户界面通常以Web门户或市场的形

16、式存在。数据目录的一些重要功能包括： 以用户友好型的方式表述数据集和文件、数据沿袭以及该数据集与其他数据集之间的关系。 借助各种过滤器，充分利用高级搜索功能。 支持AI驱动的功能，并以此分析用户活动，提供个性化建议。 利用业务类别和/或标签对数据集进行分类，便于业务用户浏览和探索。 预览数据集并获取数据分析信息。 开展协作，例如推荐数据集、添加关于这些数据集的评论或警告。这将帮助数据专员和管理员进一步在上下文中使用数据集，更好地解其他用户的数据使用体验。 使用替代探索方法，有助于更快查找到所需信息，例如受欢迎程度排名、常用数据、新内容等。这些功能通常是自助服务策略的主框架。在该策略中，数据目录

17、可以弥合IT专业人员的复杂术语和最终用户的业务语言之间难以对接的鸿沟。DenOd。平台拥有个全面的数据目录，该目录显示了整个企业内，特别是商业社区的所有数据模型的无数据。除了上述功能外，Denodo还具备一些独特的功能选项： 执行类似于Google的自由文本搜索，而无需知道服务器中所有可用视图的底层模式，这些视图之前已也立索引。 访问活动使用情况：“谁”、“何时”以及“如何”使用数据集，涵盖预期执行时间、数据集上最受欢迎的查询或使用数据集最频繁的用户和应用程序等信息。 使业务用户能够创建自己的查询，并使用施放界面在目录中执行这些查询，而无需了解SQL的情况。 以CSV、TDE（Tableau数

18、据提取）或Excel等各种格式导出结果。 将查询保存到收藏夹，并将查询以新视图的形式导出到DenOdo服务器（给予适当的特权），以供其他工具或用户重用。主动元数据管理如上所述，在逻辑架构中，对任何数据源的访问都是在单层进行，这通常由数据虚拟化层来实现。这种方法让逻辑层处于特权位置，可以捕获数据访问活动，例如访问数据的人员、访问时间、访问方式、访问工具以及访问时长。这种使用历史经过适当处理和总结，便可作为数据集传统元数据（如列名和数据类型）的自然延伸。使用历史展示围绕特定数据费产的活动，因此被称为“主动元数据”。主动元数据在多项任务中发挥着关键作用，例如安全审核（“谁在丫和Z日期之间访问了这个受

19、限数据集？”）、治理和管理（“哪些是使用最少且可能被弃用的的数据集？”），以及在自助服务门户中为最终用户设定合适的期望（“该数据集的平均执行时间是多长？”）。在Denodo等平台上，这些信息由数据目录等组件进行管理和集成，为最终用户访问数据提供更多便利。然而，主动元数据备受瞩目的地方在于，从使用中学习的Al算法将它用作主要输入。这种主动元数据管理是基于Al的自动化的基础，我们将在下一节更详细地阐述该内容。基于Al的建议真正高效的逻辑数据编织是智能的，可基于使用数据编织的特定用途和工作负载自动提供量身定制的建议。此类建议必须能够分析历史活动以预测未来，从而简化流程，降低使用和运行逻辑数据编织的成

20、本。基于Al的建议处于研发最前沿，一些高级供应商目前正在将该功能整合到数据管理解决方案中。DerIod。平台已经整合了多个基于Al的建议功能，未来还会更新更多此类功能。现有可用功能包括： 针对智能查询加速的性能建议：DerlOdO平台的Al引擎会将主动元数据和数据分布统计相结合，以此推荐中间数据集，并对其进行预先计算，从而提升分析查询性能。也就是说，Denodo平台可以自动为某些数据推荐选择性的具体化视图，可显著提升逻辑数据编织的整体性能，且无需最终用户采取任何行动。这一功能很好地说明了逻辑数据编织的强大之处。主动元数据、多种数据集成技术和Al的组合使用，实现了对数据使用者完全透明的自动化调整

21、性能。 数据发现建议：与电子商务或视频流平台的做法类似，数据目录可以分析用户画像和访问行为模式，向每个用户推荐其可能感兴趣的数据集。数据目录集成了此功能。目前的研究领域包括数据发现、数据建模、查询自调优和敏感数据识别，DenOdo平台即将发布的版本中涵盖了上述所有内容。具有扩展元数据的语义层通用语义后来直被认为是实现数据民主化的关键。业务用户需要对底层数据形成致的理解，因此创建此通用语义层变行至RIi.要。语义元数据扩展了列名、数据类型等传统的元数据，使其具仃额外的含义。例如： 元素之间的依赖关系，使用户能够探索数据沿袭，也使开发人员能够执行变更影响分析 相关数据集之间的关系、乃至数据源之间的

22、关系，用于简化探索和查询 说明和其他文档元素，让每个数据的含义更易于理解 状态消息、弃用通知或警告，便于IT部门与最终用户进行沟通 更新信息，由数据所有者、专员、批准者等治理利益相关者在执行完与该数据资产相关的特定任务后提供 标签和业务术语，用于定义标准化数据字典 标识符，用于标识敏感数据元素 数据指标的技术定义（例如利润、收益、利润率等），用于对企业范围的测量给出适用于所有平台的集中定义这些语义元数据元素需要在所有其他组件之间共享和使用。例如，数据目录应该显示状态和文档。但它还应该包括标签和业务术语，用于定义访问控制策略。在这些应用场景中，不同组件的各种功能经过智能组合，可实现安全、治理良好

23、的自助服务功能，也让我们再次认识到逻辑数据编织的强大之处。DATAOPS及多云配置逻辑数据编织构建完成后需要成功运行。这涉及管理新开发功能（版本控制、部署管理），以及监控和审核、调度经常性作业（包括批处理执行的通知、错误处理、重试等管理的各个方面）等。尽管这些功能经常被忽视，但它们在成熟的逻辑数据编织中发挥着内在作用，也是逻辑数据编织成功的关键。Denodo等类似平台拥有专门解决这些任务的组件。此外，平台还以RESTAPI的形式提供集成点，进而可以实现与git、JenkinS和SPIIInk等其他架构关键元素交互。最后，逻辑数据编织必须不受部署位置和云提供商的影响，并且能够利用这些云平台提供的

24、自动配置选项以最低成本管理配置。许多大型企业的架构并非仅限于单个云，逻辑数据编织往往要横跨不同的云提供商和不同的地理位置。我们可以在下图中看到个真实的例子。在这个例子中，逻辑数据编织应用于多个云和多个位置。在这张图上，我们可以看到一个跨越地理边界的企业云，其中一些数据保存在欧盟内。根据GDPR合规性规则，需要限制欧洲、中东、非洲（EMEA）地区对某些数据的访问，且只能从欧洲内访问这些数据。要做到这一点，就要借助数据虚拟化实施多云逻辑数据编织，将节点放在每个云端，确保EMEA以内的数据治理规则和敏感数据都保存在EMEA可用性区域以内。AWS美国东部 可用性区域图3：多云配置多云数据集成还带来了额

25、外的好处：解决方案能够优化本地云中的查询处理，以及利用缓存和智能查询加速等技术降低流出成本。在多云环境中实施逻辑数据编织的最后个好处是，架构变得不受云影响，因此可以利用独立云应用程序和数据存储的优势。经常会有企业需要为购买云数据存储四处奔波，并定期将数据迁移到最具成本效益的云存储中。而在逻辑数据编织的帮助下，IT部门能够在几乎不影响业务的情况下做出这些决策。逻辑数据编织的主要优势采用逻辑数据编织的方法来管理数据具有众多优势，其中最显著的些优势是：1 .更好的数据发现和自助服务：通过整合集成数据目录（可提供简单而强大的工具来探索跨系统的数据）和语义的高级用法（可给出数据的含义和上下文），逻辑数据

26、编织使自助服务成为了更精简、更可信的活动。2 .更灵活：IT人员在管理数据方面拥有多种触手可及的方法和系统。他们只需单击几下，就可以整合新的数据集并为其提供保护，还可以从单一的集成设计工作室，并有多种集成技术（虚拟化联合、完整复制到另一个系统、ELT等）可供选择。3 .高度分布式数据环境中经改良的查询性能：智能查询加速和高级缓存选项等高级技术，以及支持扩展的架构，可以确保即便在苛刻的场景中，也能提供良好性能。4 .全面自动化：主动元数据与基于Al的建议相结合，简化了平台的使用和操作。5 .集中式安全和治理：逻辑数据编织提供了一个全局访问层，无论每个单独来源的功能如何，都可以通过该层在整个组织内

27、强化安全和治理。客户案例：DNBDNB是挪威最大的金融服务集团，也是北欧地区市值最大的金融服务集团之,DNBGroUP为零售客户和企业客户提供贷款、储蓄、咨询服务、保险和养老金产品等全方位的金融服务。计划DNB将部署基于Denodo平台的逻辑数据编织作为其全新分析洞察平台（IPA）定义的部分。IPA是完全部署在AWS中的一种自我管理式分析生态系统。它致力于使用户能够将数据和代码结合起来，以创建数据洞察和有价值的数据产品。IPA的一个基本理念是，在分布式、去中心化的IT环境中，让每个人都能随处获取数据和分析。IPA平台包罗万象，由多个同类最佳的组件构建而成。该平台提供数据湖、数据科学工具包、可视

28、化工具和由Denodo支持的逻辑数据编织。20位rxw248位数Ie科学重和分析部40多个ML管和API20多个Wcb双用序9000C个视图光门40多个收抵泄25个遢用座IPA群体覆盖面极广，其中有工程师、数据科学家和分析师，他们需要借助各种工具使用和分析数据。IPA横跨40多个数据源，包括：.含交易数据的AWS数据湖，存储的交易数量超过70亿.多个本地数据仓库，基于OraCIe、Teradata等多种技术创建而成.外部APl（例如GoogIeAPD大多数内部业务单位均已加入该平台：个人银行业务、企业银行业务、财富管理、市场等。共计约有250名数据科学家和分析师可以通过逻辑数据编织访问数据科学

29、实验室和数据市场。应用场景Denodo逻辑数据编织以及逻辑数据编织支持的全局IPA框架可托管广泛的应用场景。移动银行业务DNB通过逻辑数据编织实现的首个主要应用场景是新款移动银行应用程序。该应用程序创建于AWS中，没有服务器，目前拥有近100万活跃用户。值得注意的是，其中约有820,000名用户将该应用程序用作个人财务管理工具。因此，该应用程序成为了改善客户服务和维系客户的关键工具。自动分析交易历史，并提供统计数据和建议是该应用程序中一项广受欢迎的功能。例如，它可以查找您订阅的在线服务，例如SPOtify或NetfliX。除了可以确定抵押贷款和其他经常性支出外，该应用程序还能确定常规成本。凭借

30、这些信息，它会自动提供建议，例如客户在下一次支付员工工资前，账面上需要保留多少钱。它还可以按类别细分交易，例如旅行、生活用品等。总之，该应用程序可以提供定制的财务建议。机器学习及高级分析IPA专为机器学习和高级分析而构建。DNB拥有超过250名活跃的数据科学家和分析师，善用数据科学实验室和数据市场。他们构建了实时模型，通过DenodoAPI为应用（例如单独报价）提供服务，并为其他应用（例如流失预测、潜在客户和下次精选优惠）提供批处理模型。风险分析IPA还支持一些更传统的合规和IT应用场景。风险分析就是其中一个很好的例子。IPA已经有一些值得关注的风险模型，例如电子欺诈、网络犯罪和反洗钱。GDP

31、RDNB需要集成许多不同的系统，因此选择通过逻辑数据编织向GDPR提交透明度报告。Denodo平台可以为此任务提供所需的联合功能。Bl报告从传统报告的角度来看，DNB为MicroStrategy控制面板的庞大用户群提供服务，并通过Denodo平台支持的逻辑数据编织输送到IPAo关键功能DNB在评估其对逻辑数据交付层的要求时，重点关注以下方面：.数据访问层：对所有底层数据源进行统一的SQL访问。与RDBMS作用类似，提供各种访问方法：SQL(JDBC0DBCAD),API(REST/SOAP/OData)等。.数据安全功能：跨所有底层数据源(文件、RDBMS、HTTP等)的身份验证(SSO)和授

32、权(细粒度数据安全).实时操作和分析功能：支持操作查询和分析查询，以便为应用程序、操作型Bl和数据科学应用场景提供服务。.查询性能功能：支持数据联合、数据缓存、平台扩展以及将处理下推到各种计算引擎的能力。.审核和监控能力：记录所有管理操作和数据操作，以实现完全控制。.自上而下和自下而上的功能：支持自上而下的“契约优先”模型驱动设计和自下而上的数据驱动设计。(从API/模型开始，或者从探索数据和元数据开始)。.生产力功能：以开放的APl支持开发，使之适用于DNB的CICD管道；以良好的Web连接和基于SQL的自助服务功能支持用户，使数据易于访问、直观且信息丰富。.企业级功能：满足所有涉及高可用性

33、、灾难恢复、群集、扩展等方面的重大要求。DENODO逻辑数据编织产生的价值采用带有Denodo逻辑数据编织的IPA已成为创建最先进平台的重中之重，以便支持DNB的现代分析和数据科学应用场景。DenOd。逻辑数据编织为技术团队提供了更好的敏捷性和灵活性，并借助移动银行业务等举措，为内部部门乃至银行客户带来了尖端功能。如需了解更多信息，敬请访问结语逻辑数据编织是一种具有前瞻性的数据管理方法，它整合了多个组件的功能，创建出一个强大的分布式逻辑架构,旨在应对当今企业数据领域的巨大挑战。Denodo平台还提供了一套完整的组件，可实现多种集成策略对不同角色（设计工作室、数据目录、解决方案管理器等），成熟集成点，以便成功集成任何组织的数据。、高级性能技术以及基于Al的建议。同时，它还针提供了量身定制的多个用户界面，以及基于APl的Denodo等平台支持的虚拟层为企业采用逻辑数据编织奠定了坚实基础。除了联合引擎等传统数据虚拟化功能外,