金融行业国产数据库选型的五大难点 - 副本.docx

《金融行业国产数据库选型的五大难点 - 副本.docx》由会员分享，可在线阅读，更多相关《金融行业国产数据库选型的五大难点 - 副本.docx（4页珍藏版）》请在优知文库上搜索。

1、百年未有之大变局给我国各行各业带来前所未有的机遇和挑战.在新一代数字技术推动下，全球加速迈进数字经济时代，数据成为关键生产要素.我国金融行业正在积极开展数字化转型，研发和运维都面临高标准严要求的银行业也身处这场浪潮之中.在IT基础设施中起若歪要作用的数据库正面临技术选型决策.本文结合笔者十多年的金融业工作经验，浅析金融行业国产数据库选型所面临的难点.一、思维认识层面从八十年代微机单体应用，到九十年代县域、省域集中，再到新世纪的全国数据大集中，IOE在金融行业的基础架构领域具有不可撼动的统治地位。主机、小型机、DB2、Oracle等产品良好的软件质疑，和IBM、甲骨文等公司成熟的技术服务体系，给

2、伴着金融行业快速发展的IT人留下了深深的烙印.随着时代发展.国产数据库需要走入金融同业时，大家潜意识中总将国外成熟产品和国内快速成长产品进行无形比对，对国内产品总有各种不满和抱怨。由于二者发展阶段不相同，就此进行比较稍微不公平.一方面，选用国产数据库是我国发展大势所趋，是时代的选择.另一方面，我行庞大的人口基数和成熟的电子支付行业，给国内外产品都带来巨大挑战，但国内产品具有更贴近业务场景和灵活快速发展的优势.未来潜力很多大所以，在思维意识上正确认识产品发展阶段及其国际国内环境，及时调整心态和观点，是一切工作的前提.二、产品研发质登目前自诬为开发分布式数据库产品的国内厂商已有上百家，但以互联网大

3、厂为主的一线厂商却屈指可数.随若我国电子商务的迅猛发展，当面临OraCle难以解决大数据量的场景和高昂的商业许可费用时，一线大厂开始以“开源数据库+分库分表”的方式对大数据方进行“分而治之,快速响应市场需求”的理念植根于互联网公司基因中，这使得分布式数据库发展多以本公司业务需求为主导，而非以研发产品为理念.这与国外同类产品成熟的研发品控体系存在多个方面差异.比如：1）有些产品规划只有一年甚至更短，产品功能随时调整，甚至因产品线负责人的更换而发生再大调整；2）产且内部测试不充分，在客户现场多次出现初级测试错误；3）产品经理具备良好的互联网思维，但缺少对金融行业的深度理解.一线大厂的产品质Sl尚且

4、如此，二三线厂商的情况就可想而知.近年来，超大型国有银行在分布式数据库产品铁域的实践表明，大部分厂商正在探索建立成熟的产品研发体系，这直接影响了产品质事.三、产品售后服务一线大厂起初多为满足自身发展需求而研发产品，后因出现社会商机而对外输出产品.空2C业务发展起来的互联网公司，在提供2B服务时面临了巨大的挑战.他们在2C方面展现出的强势思维间接影响了2B服务的思维模式。比如：1）产品线因负责人更换而发生至大调整时，不顾及已合作客户的使用现状，使得甲方陷入被动；2）由于当前国内产凤都处于快速发展期，在面临甲方和公司内部需求冲突时，厂商在甲方投入的人力保障、研发计划等可能会优先保障公司业务；3）一

5、线大厂绩效考核具有较高时效性，与金融行业商业费用支付延迟的情况匹死度不高，从而导致部分厂商支持积极性会下降.总之，一线大厂的服务理念尚未完全匹配金融行业现状，这也导致甲方在将其与国外厂商对比时满意度下降.四、市场成熟案例国内金融行业技术选型一般遵循同业可比的理念.数据库产品尚未完全成熟，所以，国有大型银行在重要业务场景进行小心狸里的探索和求证，难以放心使用.这也致使市场缺少宾正标杆性的成熟案例.虽然有些中小银行使用国产数据库完成了核心系统替代，但其业务量、并发量等技术参考指标对大型银行更要业务场景的参考借鉴意义不大.鉴于监管部门的严格要求、核心系统的审要性等，各冢大型银行正在结合本行特色在摸索

6、中前进,去做一项给飞行中的客机更换发动机的挑战性工作.五、技术体系转型目前在金融业发挥核心作用的基础架构体系主要以IOE为主.随着数字化转型，技术体系转换面临着国芯、操作系统、开发语言、中间件、数据库等多蜃面、多维度的软硬件更换挑战，同时，还面临云计算环境中系统架构、设计理念、研发工艺和工具、标准规范等一系列点大调整.从技术到流程的打磨和成熟，需要经过项目历练。数据库在其中扮演击要角色，对架构师、研发人员、运维人员都带来了技能转型的要求,企业在人才市场难以找到技能全面匹配的优秀候选人，内部培养的模式也难以短期奏效，这些给技术转型带来重大挑战。金融行业的分布式数据库选型是大势所趋，是时代发展要求,很多公司在选型时纠结产品的技术路线、功能性能等技术细节.殊不知，技术选型面临的很多问题，都是由于思维意识、产品研发质量、产品售后服务等深层次原则造成的.随着各款数据库在越来越多的金融场空中使用，相信不久的未来，会出现很多大数据量、高并发等豆杂业务场景下的成熟案例.