数据湖技术在日志生态中扮演不可或缺的角色，而打通日志从生产端到数据湖的链路却比较复杂。本文将介绍基于 SLS 方案为日志入湖提供端到端（End-to-End）支持，帮助用户提升接入效率，并在费用、运维上有效降低成本。
iLogtail 作为开源可观测数据采集器，对 Kubernetes 环境下日志采集有着非常好的支持，本文跟随 iLogtail 的脚步，了解容器运行时与 K8s 下日志数据采集原理。
本文分享了如何利用阿里云的存储解决方案构建一个具备高效处理、高时效性的AI数据湖，通过高吞吐训练和高效推理帮助企业快速实现数据价值，以及用户在使用中的最佳实践。
在业务场景中，日志数据可能存储在日志服务 Project 的不同 Logstore/MetricStore 中或不同地域的 Project 中。日志服务的数据集（StoreView）功能支持跨地域、跨 Store 联合查询和分析，让用户基于数据集就能高效便捷地查询分析全地域的数据，真正做到数据分析不受地域边界的限制。
本文基于 2023 云栖大会上关于 Koordinator 分享的实录，介绍小红书通过规模化落地混部技术来大幅提升集群资源效能，降低业务资源成本。
SQL 作为 SLS 基础功能，每天承载了用户大量日志数据的分析请求，既有小数据量的快速查询（如告警、即席查询等）；也有上万亿数据规模的报表级分析。SLS 作为 Serverless 服务，除了要满足不同用户的各类需求，还要兼顾性能、隔离性、稳定性等要求。过去一年多的时间，SLS SQL 团队做了大量的工作，对 SQL 引擎进行了全新升级，SQL 的执行性能、隔离性等方面都有了大幅的提升。
本文主要介绍AI浪潮下的数据安全管理实践，主要分为背景介绍、Access Point、Bucket三个部分
