书: https://pan.baidu.com/s/1xhc2t938Uhd6HLI6pHjlVg?pwd=77ya
笔记如下：
1. 云原生与数据中台的结合
- 云原生数据中台的本质是利用云计算的弹性、微服务和DevOps能力，构建敏捷、可扩展的数据体系。
- 云原生的核心优势在于资源动态调度、高可用性和低成本运维，使数据中台更适应业务变化。
2. 架构设计
- 云原生数据中台的架构通常分为四层：数据接入层、存储计算层、数据服务层和智能应用层。
- 数据湖仓一体化（LakeHouse）是未来趋势，结合数据湖的灵活性和数据仓库的高效分析能力。
- 微服务化数据治理：将数据质量、元数据管理等能力拆解为独立服务，提升可维护性。
3. 关键技术
- Kubernetes 是云原生数据中台的底层编排核心，支撑计算与存储资源的弹性伸缩。
- Serverless数据处理（如AWS Lambda、阿里云函数计算）适用于低频但突发的数据分析需求。
- 实时数据中台依赖流计算框架（如Flink、Spark Streaming）和消息队列（如Kafka）。
- 数据服务化（Data API）通过RESTful或GraphQL接口提供标准化数据访问能力。
4. 数据治理与安全
- 云上数据安全需关注加密传输（TLS）、存储加密（KMS）和细粒度权限控制（RBAC）。
- 数据血缘与元数据管理是治理的基础，工具如Apache Atlas、DataHub被广泛采用。
- 成本优化策略：通过冷热数据分层存储（如S3+Iceberg）和自动伸缩降低云资源开销。
5. 落地实践
- 行业实践差异：金融行业强调实时风控，电商侧重用户行为分析，制造业聚焦IoT数据集成。
- 从单体到云原生的迁移路径：先容器化（Docker），再服务化（微服务），最后中台化。
- 数据中台失败常见原因：技术堆砌忽视业务需求、缺乏持续运营团队、治理流程缺失。
6. 未来趋势
- AI与数据中台的融合：MLOps（机器学习运维）成为数据中台的新增模块。
- 多云与混合云架构：避免厂商锁定，通过Kubernetes实现跨云数据中台部署。
- 边缘计算+数据中台：在IoT场景下，边缘节点预处理数据再回传云端中台。
7. 组织与文化
- 团队协作模式：数据工程师、业务分析师和开发人员需通过DevOps工具链（如GitLab CI/CD）协同。
- 云原生数据中台的衡量标准：业务响应速度（Time-to-Insight）、资源利用率、数据服务复用率。
（注：以上总结基于书籍核心观点归纳，非原文直接引用。建议结合原书案例和具体技术方案深入理解。）