[[403243]]

核心摘要：

01 供給端

全球數據庫發展歷程

數據庫與互聯網發展相互促進，技術和產品趨于成熟和完善

受益于市場需求和技術沉淀，進入百花齊放的快速發展期

從20世紀80年代起，我國數據庫市場開始逐步發展起來。經歷了初始的技術萌芽期和國外廠商壟斷期，21世紀初，基于863計劃、核高基計劃等國家政策支持，一批擁有高校背景的國產廠商成立，打破了Oracle和IBM一統天下的格局。2010s，隨著市場需求的增長、技術的沉淀，一批云廠商和新興獨立廠商開始提供數據庫產品。近年來， 借助國產化熱潮，許多軟件廠商、集成商、運營商等也開始入局，發展自己的數據庫能力。

中國數據庫產業圖譜

中國數據庫市場規模

政策和數字化釋放需求，2020年市場規模達247.1億

據艾瑞統計， 2020年中國數據庫市場總規模達247.1億，較2019年增長16.2%，CAGR（2020-2025e）達15.6%。 2020-2022中國數據庫市場將呈高速增長，由多方面因素促成：1）政策利好，國家大力鼓勵國產數據庫廠商的發展；2）需求拉動，國產化和數字化建設帶動需求的爆發增長；3）供給端多元廠商發力，傳統、初創和跨界廠商厚積薄發，產品和技術經歷了工程實踐的打磨走向成熟；4）國內企業對基礎軟件的付費意愿和IT支出逐年提升，有利于市場的長期發展。

中國數據庫市場發展特點

多類型數據庫百花齊放，關系型占據絕對主流

隨著互聯網的發展，多種類型數據爆發式地增長，各種創新業務場景層出不窮，進而促進了供給端廠商技術和產品架構的創新。從2010s左右，多種類型和技術路線的數據庫廠商紛紛成立，中國數據庫市場進入了百花齊放的階段。但從商業價值來看，中國數據庫市場的營收仍主要來自關系型數據庫，NoSQL數據庫更多地是開源模式，產生二開和服務的費用。

借助政策東風，國產廠商厚積薄發，市場版圖快速擴張

借助政策紅利，國產廠商經過多年的技術研發和經驗積累，市場份額在逐年提升。在國產陣營中，一批以“達夢、人大金倉、南大通用、神舟通用”為代表的，2000年左右成立的傳統國產數據庫廠商近年來開始發力，他們從購買源碼、借助開源走向自主研發，實力不斷增強，在黨政軍市場有著較好的表現，同時也開始向能源電力、運營商、交通等其他行業快速拓展。此外，初創廠商、云廠商、ICT廠商等近年來也開始發力數據庫市場，國產陣營日益強大。相比之下，國外數據庫廠商如Oracle、Microsoft、IBM等，雖然在OLTP的核心場景還擁有較高的市占率，但整體市場份額在被逐漸侵蝕。

公有云數據庫增速放緩，未來仍有一定滲透空間

中國公有云部署模式的數據庫在過去三年快速增長，于2020年達到了32.7%的市場份額，未來雖然增速會有所放緩，但仍有一定的滲透空間。從應用邏輯來看，數據庫服務于數據，數據應用于業務最終產生價值；反之，業務端的創新和數據的變化也會反饋與數據庫市場。從最終業務端來看，現階段云數據庫更多的還是應用于互聯網行業，以及傳統行業的互聯網場景，未來隨著產業端更多的業務創新，有望進一步拉動云數據庫的需求。

憑借HTAP、NoSQL等新技術，初創廠商不斷涌現

一批2015年前后成立的初創型廠商借助NewSQL、SQL on Hadoop、NoSQL等新技術架構，以開源或垂直領域商業化的思路，逐步增強自己的市場影響力，在互聯網、金融、物聯網等行業有著較好的表現。從現階段來看，其營收的市占份額較小，但增速較快，是中國數據庫市場增速最快的一個賽道，預計到2025年可以實現高于十倍的擴張。隨著市場的大浪淘沙，未來的初創數據庫廠商賽道會趨于收斂，市場份額向一小批具有核心技術優勢、抓住高價值應用場景的優秀廠商集中。

02 需求端

采購流程

不同企業組織架構和選型要求不同，采購流程也有一定區別

選型指標

綜合考慮外圍因素、產品技術相關因素和服務價格因素

參考企的業采購流程，一般數據庫選型從前期到后期，會綜合考慮外圍因素（自身技術路線、資質、品牌聲譽與行業案例、生態構建等），產品技術相關因素（一致性、兼容性、擴展性、性能、功能豐富性、安全性等），以及后期的價格服務因素（解決方案、性價比、服務響應速度、培訓體系等）。

示例場景——金融

對“高可用/強一致/低時延”要求高，分布式改造是下一步重點

對于以銀行為例的金融企業而言，其業務數據的價值較高，因而對數據庫“高可用、強一致、低時延”的要求較為極致。在TP場景下，銀行下一步選型的重點為分布式改造。初步來看，解決思路主要是“中間件+分庫分表”or“原生分布式架構”。中間件路線方案成熟且性能表現較好，是現階段大多數客戶的選擇；但原生分布式架構在擴展性方面存在天然的優勢，在未來具有更廣闊的發展空間。

示例場景——互聯網教育

業務擴張速度快，看重可擴展性、成本控制和成熟度

受利互聯網和疫情，教育行業近年來呈“營收高增長，業務快迭代”發展特點。因此，企業在進行選型時較看重數據庫的可擴展性，希望產品可以及時響應公司版圖的擴張和業務的變更。同時，教育行業屬于非強技術導向型，企業對數據庫強一致、高性能和高可靠的要求并不極致，更多會考慮產品的成本控制和成熟度。企業在選型時表現較保守，雖然看好一些新產品（e.g. HTAP數據庫、云原生數據庫），但更希望數據庫產品工程實踐豐富，可以拿來即用，且專業人才招聘容易。因此MySQL數據庫成為許多（互聯網）教育企業的最佳選擇，同時考慮成本和便捷性，云托管形式在業界也比較流行。

03 挑戰與趨勢

挑戰一

分布式實踐仍存在許多問題

橫向擴展 (scale out) 的設計思想并非創新，但在歷史上一直未被廣泛應用。一方面是由于分布式環境使事務ACID特性難以實現，另一方面是由于單機性能升級即可滿足企業的數據需求。但隨著摩爾定律在某種程度上的失效和互聯網的發展，硬件性能升級無法匹配海量數據的增長，分布式在近年來廣受關注，許多廠商都推出了相應的分布式數據庫產品。然而，在分布式的前提下，還有許多待探索的問題，例如分布式事務的解決、架構的創新、數據分片的智能化、企業級能力的提升等。

挑戰二

信創為國產廠商提供成長沃土，未來發展仍待市場磨煉

信創即信息技術應用創新，是在復雜國際政治背景下，國家政策引導的新一輪信息產業創新。“信創”無論是對產業端還是需求端企業都是一個重要的契機。國產數據庫廠商借助政策東風，有利于其拓展市場，將產品放到實際場景中打磨，不斷更新迭代，實現自己技術實力正真的彎道超車；傳統行業企業、政府等也可以借此契機，實現數字化轉型和業務的創新發展。但信創并非一日之功，從產業發展規律來看，新一輪的技術變革往往需要長達6年左右的實踐和積累，需要上下游廠商和企業共同的長期努力。

挑戰三

數據遷移、多庫管理提出新的挑戰

面對業務形態多樣、商業模式多變、需求變化頻繁的當代市場，數據庫和應用系統存在的形式也愈發的豐富。一個企業往往擁有多個系統，從本地到云端，從關系型到非關系型，從OLTP到OLAP，從國外品牌到國產品牌，數據庫之間的跨庫查詢、數據導出遷移、結構變更等操作已成為常態。數據遷移頻繁、多庫并存的現狀，使得企業后期的使用成本（運維成本、人力成本、多技術棧學習成本、遷移成本、二開成本等）大幅提高，也為數據庫廠商提出了“統一管理”的新挑戰。

挑戰四

CPU、內存等硬件變化為數據庫設計提供更多的想象空間

數據庫系統遵循“木桶理論”，硬件和軟件作為系統的核心組件，互相制約，互相促進。而新型硬件的發展為數據庫軟件的發展帶來了新的挑戰。例如多核CPU技術走向成熟，但實際應用中并發控制出現沖突，使得核數增加帶來的性能增益出現限制，如何進行多核CPU調度優化為廠商提出了新的難題。同時，大容量內存和高速硬盤走向普及，NVM非易失內存也逐漸成熟，內存的潛力釋放，如何搭配新存儲介質設計新的數據庫架構也有待探索。因此，一些數據庫領先企業如Oracle、阿里等都開始探索數據庫軟硬一體機的設計與實踐。

趨勢一：多場景|融合

結合細分場景的多樣發展是必然選擇，用戶簡單化需求驅動的一體化融合也不容忽視

從產品視角來看， 不同場景具有不同的特性，對數據庫讀寫性能、吞吐量、一致性等方面的要求各有不同。為支持不同場景下的不同要求，數據庫多樣化是必然的選擇。例如，物聯網場景下寫入的數據量特別大，對實時性的要求特別高，但數據天然是時間有序的且具有靜態特征，因此時序數據庫會較傳統的事務型數據庫更有優勢。

從用戶視角來看， 除部分頭部互聯網公司外，其他大中小型企業的IT人員比例都并不高，對口數據庫團隊的人數會更少。對于他們而言，各種日新月異的技術棧、多種類型的數據庫產生了極大的學習成本和維護成本，因此希望能夠有一體化的產品/平臺直接使用或者統一管理。對于該種類型的企業而言，會更傾向采購能滿足其70%全部需求的一體化產品，而非能100%滿足其部分需求的多個產品。當今市場上的HTAP/NewSQL數據庫、多模數據庫、統一管理平臺等即滿足了企業簡單化一體化的需求，因此在多場景大背景下的“融合”也是不容忽視的趨勢。

趨勢二：DBaaS

解決彈性伸縮問題，為供應商和企業提供更多的想象空間

隨著企業業務規模的擴張，數字化轉型的推進，其對數據庫系統也提出了新的要求：傳統建設模式項目周期長，不能匹配業務上新的速度；企業部署多套數據庫系統，系統間割裂，缺少統一的管理平臺；資源采購和體系規劃按現有規模建設，難以隨業務的變化而彈性伸縮等。DBaaS(Database as a Service) 即將IT基礎資源以服務化的方式提供給數據庫，以及多租戶和動態調整來解決成本和響應問題。部分對數據自主性和安全性要求較高的大型企業，可以選擇以私有云或者專有云的方式進行數據庫的云化改造。

趨勢三：湖倉一體

架構創新，同時實現海量大數據的聯機交易和聯機分析

1980s以來，數據倉庫技術不斷發展，尤其MPP架構使得DBMS能夠處理大量數據，滿足企業通過數據分析來支持商業決策的需求。但隨著互聯網的發展，許多企業需要同時處理非結構化數據，半結構化數據以及海量結構化數據。數據湖隨之誕生，它可以直接存儲各種格式的原始數據，根據用戶需求進行計算，具有靈活彈性的優點。但是，數據湖雖然適用于存儲多元化數據，卻缺少一些企業級功能，在實際執行時也存在許多挑戰：數據缺少加工，難以實現實時分析，數據查詢性能差；不支持ACID事務等。

面對企業海量大數據場景下的聯機交易、非結構化數據治理的需求，以及數據倉庫/數據湖架構的局限，以Snowflake、Databricks、阿里云、巨杉數據庫為代表的新一代“湖倉一體”數據庫廠商快速崛起。湖倉一體架構下打通了數倉和數據湖，并融合了兩種架構的優勢，底層多套存儲系統并存且互相數據共享，形成了資源池，上層各引擎可以通過一體的封裝接口訪問，實現了聯機交易和聯機分析的同時支持。

趨勢四：開源

開源模式成為產業互聯網時代數據庫廠商的破局之刃

從產業發展角度來，開源模式一方面提高了數據庫產品開發的“效率”，它將源代碼開放，避免了研發人員對基礎程序的重復開發；另一方面它也有助于產品的技術“創新”，開源社區最大程度上匯聚了全球的資源力量，為開發者提供了交流切磋的空間，從而加速創新靈感的誕生。對于廠商而言，盡管從表面上看，企業部署開源并不能獲得直接的利益，但在這個過程中，它們卻可以布局產品的生態建設（包括人才培養、市場教育、實踐反饋、企業文化、產品影響力、配套周邊產品等），從而為自己獲得有利的戰略地位。在當今移動互聯網向產業互聯網發展的轉折點，開源模式未嘗不是各云廠商、傳統廠商、新興廠商擴展市場的破局之刃。

趨勢五：智能化

人工智能延伸DBA的能力半徑，優化數據庫性能

隨著移動互聯網到產業互聯網的發展，數據每日呈指數級的增長，且呈現多模態特性。面對復雜海量的數據，越來越多種類的數據庫出現，需要調試的范圍越來越廣。但大多優化任務仍落在DBA身上，需要其進行手動調優，致使人工能力逐漸跟不上數據庫的發展。而人工智能可以彌補人能力的不足，解決許多存在多年的數據庫問題，例如資源的調度、索引的設計和優化、查詢的優化、負載均衡設計、緩存失效等。AI 通過優化算法，對任務進行有效地預測、分析和自動化，從而減少了人工成本并大大提高數據庫的性能。尤其是未來隨著云上數據庫更大范圍內的普及，智能資源調度將成為各供應商需要面對的下一個課題。