數據是驅動業務創新的最核心的資產。不同類型的數據如非結構化數據（視頻、圖片等）、結構化數據（訂單、軌跡），面向不同業務的使用要求需要選擇適合的存儲引擎，能夠真正發揮數據的價值。
比如：非結構化的數據-視頻圖片等適合對象存儲OSS，強事務的結構化數據-交易訂單適合MySQL。
而針對於海量的非強事務的海量結構化/半結構數據：
這些場景特點是：
1. 數據規模大，常見的關係型數據庫難以存儲。
2.需要支持很高的讀寫吞吐與極低的響應延遲。
3. 數據結構相對簡單，無跨數據表的關聯查詢，數據存儲寫入是無需複雜的事務機制。
表格存儲Talestore正是為了解決上述數據的存儲、訪問以及計算。
歷史訂單場景
在電商、金融、外賣、新零售等所有涉及交易與協定的所有場景中，都涉及大量的訂單。記錄社會方方面面。傳統關係型數據能夠解決需要支持強一致的事務的在線業務，但海量的訂單關係型數據無法保存全量數據，需要數據分層。
架構核心需求：
- 在線數據同步：做實時數據與歷史數據分層—支持實時同步在線業務
- 歷史數據存儲：歷史訂單數據存儲—支持低延遲數據點查，搜索。
- 高性價比海量存儲數據分析：針對歷史庫進行報備統計分析—需支持計算組件分析統計!
核心優勢
- 彌補在線庫容量問題，降低在線庫壓力
- PB級歷史庫存儲，可全量保存所有數據，並能提供低延遲高併發查詢
- 索引訂單內多字段，提供任意條件組合查詢
IM/Feed流場景
IM（Instant Messaging，即時通訊）成為當前互聯網業務基礎組件，在社交、遊戲、直播等場景廣泛需要。需要高效支持海量消息的存儲、同步、檢索。
架構核心組件
- 消息歷史庫：按對話存儲歷史消息—需海量數據，存儲易拓展
- 消息同步庫：按接受者存儲同步消息—需支持高併發寫入，實時拉取（寫擴散）
- 消息索引：針對歷史庫數據支持數據檢索—需數據更新同步
核心優勢
- Tablestore Timeline 消息模型，專為 IM/Feeds 場景設計，簡化開發
- 同步表百 TB 存儲，存儲表 PB 級存儲。
- 分佈式架構，LSM存儲引擎，支撐每秒百萬寫擴散消息寫入，毫秒級同步庫拉取
- 讀寫擴散混合同步模型
時序場景-監控/IOT
針對實時數據的記錄與分析極大的豐富了我們對於數據的使用場景。針對系統的運維監控、針對Iot場景中對於環境與人的監控都更有效幫助我們做事實理解與決策。這裡需要面臨眾多設備與系統的高併發寫入與數據存儲，以及決策分析。
場景核心需求
- 數據高併發寫入：面向眾多設備與系統支持百萬級節點實時寫入
- 數據實時聚合：針對原始數據監控預聚合，降低精度—支持數據實時同步對接流計算
- 數據存儲：長久保存數據—需單表規模極大，高性價比存儲
核心優勢
- 核心單表數據規模達 10 PB，可自定義數據生命週期
- 核心單表持續每秒寫入進 5000萬個數據點
- 數據實時寫入，大大提升數據可見時效性
- 毫秒級實時查詢展示趨勢圖和報表，查詢性能不受單表規模約束
輿情&風控分析
針對輿情信息的分析與把控，可以有效的分析與洞察市場。比如針對點評、新聞、評論等信息的收集分析。需要豐富的多類數據高併發寫入與便捷的數據流轉進行計算分析
場景核心需求
- 原始數據寫入存儲：海量數據爬蟲需要高併發寫入能力與PB及存儲。
- 多數據類型存儲：爬取的內容與生成的標籤類似豐富需要寫入Schema-Free
- 數據分析：針對數據分階段處理原始信息->結構化標籤->結果存儲—需要支持實時計算與離線計算對接
核心優勢
- 分佈式 LSM 引擎數據存儲，提供高併發高吞吐寫入，PB 級數據存儲
- 通過數據更新捕獲，實時觸發後續對數據的自定義處理邏輯
- 與大數據平臺實時數據同步，分析結果寫入結果表，供應用層實時查詢
推薦系統
推薦系統作為當前所有業務精細化運營的主要抓手，顛覆了傳統內容輸出方式，成為當前海量信息時代流轉的核心引擎。廣泛在電商、短視頻、新聞等場景應用。需要高效支持海量消息存儲與實時、離線分析。
架構核心組件
- 行為日誌：存儲客戶端寫入實時數據—需高併發寫入，支持對接流式計算實時分析
- 歷史數據：冷數據同步下沉至OSS數據湖—需支持數據投遞、便於數據分層
- 用戶標籤：針對分析標籤與推薦信息存儲—需支持屬性列橫向拓展，高效檢索
核心優勢
- 數據規模：存儲量無上限，冷熱數據分層靈活定義
- 海量併發：單表寫入水平擴展，支持億行每秒級別
- 數據實時寫入，實時可見
- 數據實時投遞 OSS數據湖， Tablestore 只存儲熱數據，提供豐富索引，高吞吐掃描