湖仓一体 Lakehouse 凭借其开放性和成本效益，已经成为当今数据平台的主流架构。然而在 LakeHouse 架构下，数据的时效性最多只能达到分钟级。为了满足企业对实时数据分析的需求，通常需要额外引入秒级延迟的流存储（如 Kafka）。流存储游离在 LakeHouse 架构外，带来的成本、一致性、治理等问题都面临很大的挑战。

本次演讲将探讨流存储和 LakeHouse 架构割裂的现状下用户面临的问题和挑战，以及目前业界在融合两者上的趋势。然后会介绍流存储 Fluss 如何完美地融入进 LakeHouse 架构，无缝地将 LakeHouse 架构进行实时化改造，深度解析其技术架构和原理，分析该架构相比割裂地使用流存储和 LakeHouse 架构能带来的收益。最后将分享基于 Fluss 来构建实时 LakeHouse 架构的最佳实践，希望能给听众带来一些帮助。

演讲提纲

1. 湖流割裂的现状和挑战

• LakeHouse 架构下，流存储与湖存储割裂的现状
• 流存储与湖存储割裂面临的挑战

2. 湖流融合的业界趋势

• 业界在流批融合方向上的趋势
• 业界在流批融合方向上提出的解决方案

3. Fluss 湖流一体架构和技术原理

• Fluss 湖流一体的架构设计
• Fluss 湖流一体的技术原理解析

4. 基于 Fluss 构建实时 Lakehouse 

• 结合湖格式 Paimon，分析 Fluss 构建实时 Lakehouse 的收益
• Fluss 构建实时 Lakehouse 最佳实践

5. Demo 演示 & 未来规划

• Demo 展示 Fluss 湖流一体的能力
• Fluss 在湖流一体方向的未来规划

您认为，这样的技术在实践过程中有哪些痛点？

• 不可避免依然需要引入提供秒级延迟的流存储
• Fluss 同步到湖存储的 Service 依然需要管理

演讲亮点

• LakeHouse 架构在实时化方向上的演进趋势
• Fluss 作为面向实时分析设计的流存储，如何无缝融合进 LakeHouse 架构，满足数据分析的实时化需求

听众收益

• 了解当前 LakeHouse 架构在数据时效性上的痛点
• Fluss 的湖流一体架构是如何解决 LakeHouse 架构时效性上的痛点的 
• 收获基于 Fluss 来构建实时 LakeHouse 架构的最佳实践