Druid是一个分布式数据分析平台,也是一个时序数据库，也是一个集群系统，使用zookeeper做节点管理和事件监控，所以Druid一般搭配mysql使用

Druid是一个快速的列式分布式的支持实时分析的数据存储系统。它在处理PB级数据、毫秒级查询、数据实时处理方面，比传统的OLAP系统有了显著的性能改进。

注意：阿里巴巴也曾创建过一个开源项目叫作Druid（简称zxdyl），它是一个数据库连接池的项目。zxdyl和本文讨论的Druid没有任何关系，它们解决完全不同的问题。

Druid是一种能对历史和实时数据提供亚秒级别的查询的数据存储系统。Druid 支持低延时的数据摄取，灵活的数据探索分析，高性能的数据聚合，简便的水平扩展。适用于数据量大，可扩展能力要求高的分析型查询系统。其机制将热点和实时数据存储在实时节点（Realtime Node）内存中，将历史数据存储在历史节点（history node）的硬盘中，实时+伪实时的结构，保证查询基本都在毫秒级。高速摄入，快速查询正是满足了我们的需求，同时还有通用计算引擎团队的有力支持，在早期阿里选择了druid作为监控大盘的OLAP支持系统。

Druid使用过程中也暴露出一系列问题：
1）数据量摄入的瓶颈， 集团上云，流量的引入，随着数据量激增，数据写入出现了数次大故障
2）由于业务复杂多变，我们需要增加维度数据，Druid增加相对来说过程比较复杂
3）Druid的查询方式不友好，有一套自己的查询语言，对于SQL支持太差，浪费大量时间学习
4）不支持高并发，对于大促来说简直是灾难。有两年双十一，只能上线踢用户保证监控大盘可用。

（1）从超大数据的查询效率来看：
Druid > Kylin > Presto > Spark SQL
（2）从支持的数据源种类来讲：
Presto > Spark SQL > Kylin > Druid

随着暴露出的问题越来越多，我们也在寻找一款既能替代Druid解决当前问题，又能满足实时OLAP多维分析场景需求的产品。
也是在集团内其他部门沉淀的最佳实践中知道Hologres，并且了解到Hologres支持行存模式下的高并发点查和列存模式下的实时OLAP多维分析，觉得这一点很贴合我们网络监控系统的要求，于是就抱着试试的心态先去测试体验Hologres。通过全链路的测试和大量的场景数据验证，能满足我们场景需求，于是就决定上线Hologres至正式生产中。

改造后的新OLAP监控系统如下图所示，整体的数据流程大致如下：

• Kafka实时采集网络相关的监控指标数据，并写入Flink中轻度汇总加工
• Flink将初步加工完成的基础粒度的实时数据实时写入Hologres中，由Hologres提供统一的存储
• Hologres直接实时对接监控大屏，大屏实时展示多种监控指标的变化情况，不符合预期的数据实时报警，相应的业务人员立即排查问题并解决。   

虽然Druid查询语言有所以差异但是在工业领域随着IOT及物联网数据爆发增长关系型数据库已经无法满足业务场景，目前选型有MongoDB和Druid