湖仓融合：MaxComputee与Hologres基于OpenLake的湖上解决方案
本次主题探讨湖仓融合：MaxCompute与Hologres基于OpenLake的湖上解决方案。首先从数据湖和数据仓库的历史及业界解决方案出发，分析湖仓融合的两种思路；接着针对国内问题，介绍阿里云如何通过MaxCompute和Hologres解决湖仓融合中的挑战，特别是在非结构化数据处理方面的能力。最后，重点讲解Object Table为湖仓增添了SQL生态的非结构化数据处理能力，提升数据处理效率和安全性，使用户能够在云端灵活处理各类数据。
EMR Serverless StarRocks 全面升级：重新定义实时湖仓分析
本文介绍了EMR Serverless StarRocks的发展路径及其架构演进。首先回顾了Serverless Spark在EMR中的发展，并指出2021年9月StarRocks开源后，OLAP引擎迅速向其靠拢。随后，EMR引入StarRocks并推出全托管产品，至2023年8月商业化，已有500家客户使用，覆盖20多个行业。
文章重点阐述了EMR Serverless StarRocks 1.0的存算一体架构，包括健康诊断、SQL调优和物化视图等核心功能。接着分析了存算一体架构的挑战，如湖访问不优雅、资源隔离不足及冷热数据分层困难等。
MaxCompute Data + AI：构建 Data + AI 的一体化数智融合
本次分享将分为四个部分讲解：第一部分探讨AI时代数据开发范式的演变，特别是MaxCompute自研大数据平台在客户工作负载和任务类型变化下的影响。第二部分介绍MaxCompute在资源大数据平台上构建的Data + AI核心能力，提供一站式开发体验和流程。第三部分展示MaxCompute Data + AI的一站式开发体验，涵盖多模态数据管理、交互式开发环境及模型训练与部署。第四部分分享成功落地的客户案例及其收益，包括互联网公司和大模型训练客户的实践，展示了MaxFrame带来的显著性能提升和开发效率改进。
从数据存储到分析：构建高效开源数据湖仓解决方案
今年开源大数据迈向湖仓一体（Lake House）时代，重点介绍Open Lake解决方案。该方案基于云原生架构，兼容开源生态，提供开箱即用的数据湖仓产品。其核心优势在于统一数据管理和存储，支持实时与批处理分析，打破多计算产品的数据壁垒。通过阿里云的Data Lake Formation和Apache Paimon等技术，用户可高效搭建、管理并分析大规模数据，实现BI和AI融合，满足多样化数据分析需求。
并行文件存储在大模型训练中的探索与实践
阿里云智能集团存储产品专家何邦剑分享了并行文件存储CPFS在大模型训练中的应用。CPFS针对大模型训练的IO特点，优化性能、降低成本、提升用户体验。它支持多计算平台共享访问，具备数据分层存储、生命周期管理、缓存加速等特性，实现高效的数据处理与管理，显著提升训练效率和资源利用率。尤其在大规模集群中，CPFS提供了高吞吐、低延迟及灵活扩展的能力，助力客户如零一万物实现高性能训练。
招行面试：万亿GB网盘， 从0到1设计，如何实现?
本文由40岁老架构师尼恩撰写，针对一线互联网企业如得物、阿里、滴滴等的面试场景，特别是招商银行Java后端面试中的绝命12题，进行了深度解析。尼恩通过系统化、体系化的梳理，帮助读者提升技术肌肉，让面试官爱到“不能自已”。文章详细分析了如何设计一个支持万亿GB网盘实现秒传与限速的系统，涵盖了高并发处理、秒传实现、限速设计等核心技术挑战，并提供了完整的架构设计和代码示例。此外，还介绍了《尼恩Java面试宝典PDF》V171版本，帮助读者更好地准备面试。关注公众号【技术自由圈】，回复“领电子书”，获取更多资源。
手把手进行数据分析，解锁游戏行为画像
本文介绍了一套利用阿里云E-MapReduce StarRocks版进行游戏玩家画像和行为分析的完整流程，旨在帮助开发者构建高性能、低成本的游戏数据分析平台。
