Kinetica的主要功能和架构

Kinetica将其分布式，内存中，GPU加速的数据库与流分析，位置智能和机器学习相结合。 该数据库是矢量化的，列式的，内存优先的，并且设计用于分析（OLAP）工作负载，可自动在CPU和GPU之间分配任何工作负载。 Kinetica使用SQL-92作为查询语言，非常类似于PostgreSQL和MySQL，并支持多种功能，包括文本搜索，时间序列分析，位置智能和图形分析。

Kinetica可以通过跨GPU内存，系统内存，磁盘或SSD，HDFS和云存储（如Amazon S3）智能管理数据来对整个数据集进行操作。 据该公司称，这种管理所有存储层的能力是Kinetica在GPU数据库中独有的。

凭借其分布式并行摄取功能，Kinetica可以对流数据集（使用Kafka ）进行高速摄取，并同时对流数据和历史数据进行复杂的分析。 您可以直接在Kinetica中针对数据训练TensorFlow模型，或导入经过预先训练的TensorFlow或“黑匣子”模型，以通过批处理，流处理或公共Web服务执行推理。

Kinetica具有强大的GPU加速的地理空间库，可以执行按需过滤，聚合，时间序列，空间连接和地理围栏分析。 它也可以使用服务器端渲染技术来显示无限的几何图形，热图和轮廓（因为大型数据集的客户端渲染非常耗时）。

您可以在本机图形上下文中使用关系数据（通过从关系数据中显式创建节点，边线和其他图形对象）来了解地理空间和非地理空间关系，并且可以执行实时路线优化，甚至进行社交网络分析使用Kinetica的GPU加速图形算法（使用kinetica.solve_graph函数）。