多维索引技术优化数据湖查询性能

Qbeast获760万美元融资 通过多维索引简化数据湖查询

数据优化初创公司Qbeast Analytics Inc.今日宣布获得760万美元种子轮融资，旨在帮助企业消除类似Delta Lake等大数据湖框架存在的"隐性成本"。

本轮融资由Peak XV旗下的Surge领投，其他投资方包括HWK Tech Investment和Elaia Partners。融资将用于扩大团队规模并拓展平台应用场景。

据Qbeast介绍，Delta Lake、Apache Iceberg和Apache Hudi等开源湖仓架构在企业中日益普及，帮助组织控制传统基础设施难以承载的爆炸性数据增长。然而，尽管这些平台功能强大且高度可扩展，但存在巨大的使用"成本"，高达90%的计算资源浪费在扫描无关数据上。

首席技术官Flavio Junequeira表示："数据布局中隐藏着被市场严重忽视的不必要计算成本。"他此前曾参与创建Apache BookKeeper和Apache ZooKeeper。

Qbeast起源于巴塞罗那超级计算中心的研究项目，其解决方案是直接集成现有Delta、Iceberg和Hudi表的数据优化平台。该平台具备跨时间、区域和客户细分等多列复杂过滤的多维索引能力，使用户仅需查询所需数据。

与传统仅支持单维度的分区工具不同，该平台可在单表中同时优化历史和实时查询，支持任意数据属性的同步过滤。此外，Qbeast的即插即用索引与Databricks、DuckDB、Polars、Snowflake和Spark等计算引擎完美兼容，无需重写数据管道或修改底层存储层。

根据数据集不同，Qbeast可将查询速度提升最高6倍，同时降低70%的计算成本。这些优势吸引了某中心和某机构云基础设施资深专家Srikanth Satya加入公司担任首席执行官。

Satya表示："我们构建Qbeast是为了让高性能分析变得简单易用，同时避免将组织绑定在专有系统中。在数据增长速度空前的今天，我们要确保每家公司都能按自己的方式将数据转化为价值。"

Qbeast的另一优势是原生兼容现有数据工具，支持所有主流开放数据格式，用户无需对数据基础设施进行任何更改，只需加入其多索引工具即可。

Constellation Research Inc.分析师Michael Ni指出，Qbeast的融资反映了存储行业的 broader 趋势，新旧厂商都在寻求解决基于AI的洞察和决策扩展瓶颈的方法。他表示："即使数据湖仓成为企业的通用数据基础，它们也在随着AI代理的行为和多模态数据而增长。但如果平台仍依赖分区和全表扫描，这些AI代理就无法实时运行，这就是Qbeast瞄准快速、灵活和多属性数据访问压力点的原因。"

虽然Qbeast基础平台已上线运行，但公司制定了详细路线图，计划增加自动调优、自适应索引和更深层的数据引擎支持等功能，覆盖云基础设施提供商和行业垂直领域。最终目标是成为每个开放湖仓架构的默认索引层，为数据创新不受计算成本或性能限制的未来铺平道路。

HWK TechInvestment首席执行官Juan Santamaría认为，Qbeast正在解决一个重要且基础性的问题："其多维索引层有望对每个转向湖仓模式的公司都至关重要。"
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）

公众号二维码

公众号二维码