机器学习在分析大数据来处理问题大有用处。它被应用于发表个人视频或文章，处理欺诈侦测，收集新闻，预测顾客需求。

如今，机器学习与大多数计算机科学一样取得突破性进展—就是在解决数据库科学再造的问题上扮演的角色。所有关于分析学的大数据从一开始就已经存储。信息科学是数据库的核心，信息系统把机器学习完全转变，怎样完成可扩展性和可执行性。

企业最开始在结构化数据市场以HTAP方法处理多样同时进行的工作量。特别，它的重点是扩大MYSQL数据仓库PERCONA SERVER数据库平台，完美地用10MG引擎插件替换默认引擎。但是在他上面原则是可译的规律—将被转向非结构化数据NOSQL数据库系统。

在数据多样化即将到来的时刻，深度引擎怎么样完成NEWSQL，就是同大家都熟悉的，强大功能的SQL API和NOSQL的可扩展性的结合。并且不用舍弃ACID()来维持可信赖的数据库处理过程。

人们想要与SQL相关的数据库经验包括模型，API,ACID与SQL提供的可执行性和可扩展性结合。

这应该是在大数据世界开始的要点。我们的方法是再虚构数据库数学，它看起来像是在处理数据的顶端数据。能够按照比例在很繁琐的情况下保持高性能水平下增加十亿行数据

在MYSQL运行数据的过程中公开了第一次万亿行的表，它记录了每秒一百万行的摄取率，或者在用索引的状态下6000万行每分钟，并且在0.01秒内展示一万亿行。

再次创造中的数据库

深度引擎在他的性能和可扩展性上有他的本质的局限性，这些也存在在传统的数据库设计中。这些普遍基于算法排序就像一个可读的最优化B+树，或者可写的LSM数。从数学角度尝试写下最好的算法，这些设计经常导致设计者们舍弃了特色。在各种各样应用需求和工作量下能向最佳的性能发展。

大规模完成免费维护的性能依靠的是即将来临的I/O和CPU能力的限制。在没有放弃读的情况下，写入已经被最大化。结构能够动态地调整大小，并且在运行的时候重新定义。记忆和存储在数学上的限制已经被战胜。在线重新配置和最优化已经代替了线下，当增加规模时保留并支持了经典数据库特色。那就是所称的重新想象数据库算法，就是利用I/O和CPU。这驱动了数据库通过系统功能完成最大化的效率和速度。软件销售商引用了它增加了5倍磁盘生产力甚至更多，并且降低了80%的IOPS工作量。

加速进步的MYSQL

未来的理念是MYSQL通常情况下被用于特定的事件或工作量。当一个行为被锁在磁盘或记忆结构中，我们在存储引擎解决问题的工具有机会让每一个有需要的增加MYSQL的能力。从记忆和磁盘结构中处理数据去重复过去的行为。那样使一层提供适应任何形式的发生在数据到系统的问题的能力。

那意味着用户可以不用说--这是个电子交易工作而是由MYSQL去做。数据的衰落和繁荣改变了并要求数据库又在线下，并用深度引擎去代替。当大数据来临的时候我们对他抱着积极的态度，看着他的繁荣。我们没有必要告诉系统他是那种的数据，机器学习能够预测并适应到系统里来的东西。把东西压缩成很小的空间这样就会有可能很快处理很多电子商务也能够在第一时间处理数据。

用深度引擎的方法，不用再慢慢等，这样的方法会大大降低花费时间到来提高商业洞察力通过改善疑性能1.5 到2。同时允许交易和分析同时运行在相同的距离并且不用ETLS。

深度引擎正在慢慢地崭露头角

深度引擎目前在很艰苦地创建他们专业社区，包括在世界上最大的在线旅游公司和一个大的在线赌场测试深度引擎。赌博公司数据库的规模是15000名顾客同时在线玩，并且未来会更多。通过现在MYSQL和PERCONA服务器市场中改变游戏，这个赌博公司同样在寻找MARIADB来代替MYSQL市场，并会在未来计划走向更远并考虑NOSQL的机会。

原文作者：Jennifer Zaino  本译文在原文基础上有所改动

本译文又CDA数据分析研究院翻译   译者：旭尧