专题演讲嘉宾：王云霏

Lakehouse 通过融合数据湖与数据仓库的优势，能实现 “One Data, All Analytics” 的业务价值，基于 StarRocks 构建 Lakehouse，只需三步：选择开放的数据湖作为底座，例如 Iceberg 、 Paimon；StarRocks 直接分析湖上的数据，满足绝大部分场景的性能诉求；如果分析性能不满足要求，则基于数据湖创建物化视图加速。StarRocks 查询 Iceberg 的性能是 Trino 的 3-6 倍，查询Delta Lake 的性能是 Databricks Photon 的 2 倍。本次演讲将介绍典型案例，分享 StarRocks 在 Lakehouse 架构中的定位和未来规划，揭开 StarRocks 极致查询性能的面纱。

演讲提纲

1. 数据分析架构演进与挑战

• Warehouse -> Data lake -> Lakehouse
• StarRocks 快速迭代，持续创新 1.x 极速查询-> 2.x 融合统一-> 3.x 湖仓一体 Lakehouse

2. 基于 StarRocks 构建 Lakehouse

• 如何构建 Lakehouse 架构 Storage-> Catalog -> Engine
• StarRocks Lakehouse 基本架构
• StarRocks x Iceberg 构建 Lakehouse，案例小红书/携程/微信

3. StarRocks x Iceberg 性能优化

• StarRocks 最新 Performance benchmark
• Metadata Cache + 分布式 Plan
• 增量投递
• Native Parquet Reader
• Data Cache
• 物化视图
• ...

4. StarRocks Lakehouse 未来规划

您认为，这样的技术在实践过程中有哪些痛点？

• 性能对于 Lakehouse 架构至关重要，StarRocks 通过不断提升性能上限，实现 Lakehouse 极致查询性能，真正实现 “One Data, All Analytics”

演讲亮点

• 基于 StarRocks 解锁 Lakehouse 极致查询性能，以及 StarRocks 在 Lakehouse 架构中的定位与未来规划
• 着重介绍 StarRocks 如何打造极致性能

听众收益

• 了解 StarRocks 在 Lakehouse 架构上的最新进展和极致性能，为技术选型提供更多参考
• 了解 StarRocks 性能优化的底层原理
• 了解 StarRocks Lakehouse 架构的未来规划