All Products
Search

This Product

    EventBridge:Ikhtisar EventHouse

    Document Center

    EventBridge:Ikhtisar EventHouse

    Last Updated:Jun 23, 2026

    Ikhtisar

    EventHouse adalah lakehouse event cloud-native untuk EventBridge yang menyimpan, mengelola, dan menganalisis data event secara cerdas.

    Jika EventBridge bertugas merutekan dan mendistribusikan event, EventHouse menangani proses setelah event disimpan. EventHouse menyatukan data terstruktur, semi-terstruktur, dan tidak terstruktur dari berbagai sumber—seperti antrian pesan (Kafka, RocketMQ), database relasional (MySQL), dan Object Storage Service (OSS)—ke dalam model event standar. Open Catalog bawaan dan lapisan semantik AI menyediakan manajemen Zero-ETL untuk sumber data heterogen serta memungkinkan analisis real-time melalui kueri SQL atau AI Agent.

    image

    Komponen Inti

    EventHouse terdiri dari tiga komponen inti yang dapat beroperasi secara independen maupun kolaboratif:

    Komponen

    Tujuan

    Kemampuan Inti

    Data Catalog

    Pusat manajemen metadata

    Pendaftaran metadata multi-sumber, evolusi skema, pelacakan alur data, kontrol akses detail halus

    Data Analysis

    Lapisan mesin komputasi

    SQL stream-batch, query terfederasi, tampilan yang di-materialisasi, deteksi anomali real-time

    Intelligent Analysis Luma

    Lapisan analisis AI

    Lapisan semantik AI, integrasi protokol MCP, analisis otonom DataAgent, kueri bahasa alami

    Nilai Inti

    Zero-ETL (Integrasi Data Tanpa Hambatan)

    Memetakan langsung sumber data eksternal seperti RDS dan OSS serta menjalankan kueri terfederasi tanpa memindahkan data ke dalam EventHouse, sehingga mengurangi latensi data dan biaya penyimpanan.

    Tata Kelola Terpadu

    Open Catalog menyediakan manajemen metadata standar dan pelacakan alur data untuk data tanpa skema dalam antrian pesan—sering disebut "dark data"—guna menghilangkan silodata.

    Agentic Analytics

    EventHouse secara native mengintegrasikan Model Context Protocol (MCP), memungkinkan AI Agent memahami struktur data event dan melakukan analisis menggunakan kueri bahasa alami.

    Data Catalog

    Data Catalog merupakan pusat manajemen metadata untuk EventHouse yang mengelola metadata, definisi skema, izin akses, dan alur data dari seluruh sumber data terhubung.

    Manajemen Metadata Terpadu

    • Pemetaan Multi-sumber: Secara otomatis menemukan dan mendaftarkan metadata dari sumber data seperti Kafka, RocketMQ, dan RDS.

    • Evolusi Skema: Secara otomatis melakukan inferensi dan mengelola versi skema untuk data event. Ketika bidang hulu berubah, kontrol versi kompatibilitas memastikan tugas analisis hilir tetap berjalan tanpa gangguan.

    • Pelacakan Alur Data: Melacak seluruh siklus hidup event mulai dari produksi (Producer) dan penyimpanan (EventStore) hingga analisis (Analysis), mendukung troubleshooting dan penilaian dampak.

    Kompatibilitas Ekosistem Terbuka

    Open Catalog mendukung format tabel terbuka seperti Iceberg, Hudi, dan Delta Lake. Data Anda tidak terkunci pada vendor tertentu, sehingga Anda dapat memilih mesin komputasi sesuai preferensi.

    Izin dan Keamanan

    Kontrol akses detail halus (ACL) tersedia pada tiga tingkat: database, tabel, dan kolom.

    Skenario Aplikasi: Tampilan Data Terpadu

    Dalam skenario e-dagang, data pesanan mungkin tersebar di RocketMQ untuk aliran real-time dan MySQL untuk persistensi. Anda dapat membuat View terpadu di Catalog untuk mengaitkan secara logis aliran pesanan real-time di MQ dengan tabel informasi pengguna di database, lalu mengkueri View tersebut secara langsung tanpa perlu mengetahui lokasi penyimpanan fisik data yang mendasarinya.

    Data Analysis

    Data Analysis adalah lapisan mesin komputasi EventHouse yang menyediakan kueri SQL berkinerja tinggi, pemrosesan aliran, dan kemampuan query terfederasi.

    Mesin Kueri Cerdas

    • Kueri Multimodal: Mendukung tiga mode kueri: SQL untuk kueri terstruktur, NoSQL untuk kueri dokumen, dan External untuk kueri sumber data eksternal.

    • Integrasi Stream-Batch: Sintaksis SQL yang sama dapat digunakan untuk mengkueri data arsip historis (Batch) maupun aliran event masuk real-time (Streaming).

    • Tampilan yang di-Materialisasi: Tampilan yang di-materialisasi yang telah diproses sebelumnya menyimpan hasil kueri frekuensi tinggi untuk respons dalam milidetik.

    Query Terfederasi

    • Analisis Terfederasi Lintas-Sumber: Mengaitkan langsung tabel internal EventHouse dengan sumber data eksternal seperti file log OSS dan tabel dimensi RDS menggunakan JOIN SQL, tanpa migrasi data.

    • Predicate Pushdown: Kondisi filter didorong ke sumber untuk dieksekusi, sehingga hanya data yang diperlukan yang ditarik, meningkatkan efisiensi kueri.

    Deteksi Anomali Real-time

    • Fungsi jendela waktu bawaan (Tumble, Hop, dan Session) menghitung metrik seperti laju keberhasilan transaksi dan distribusi latensi secara real-time.

    • Kombinasikan ini dengan mesin aturan untuk secara otomatis memicu event peringatan ketika hasil analisis melebihi ambang batas, misalnya, "lebih dari 100 pesanan gagal dalam 1 menit".

    Keunggulan Teknis

    Fitur

    Deskripsi

    Storage-Compute Separation

    Penyimpanan menggunakan Object Storage Service berbiaya rendah. Sumber daya komputasi melakukan auto-scale untuk menangani puncak trafik.

    High Compression Ratio

    Kompresi kolom untuk data event (JSON/CloudEvents) mengurangi biaya penyimpanan lebih dari 50% dibandingkan database tradisional.

    Intelligent Analysis Luma

    Luma adalah lapisan analisis AI EventHouse. Lapisan semantik AI dan protokol MCP-nya memungkinkan model bahasa besar (LLM) memahami dan menganalisis data event secara langsung.

    DataAgent

    Luma mencakup DataAgent bawaan yang menjalankan loop persepsi-perencanaan-aksi secara otonom:

    1. Persepsi: Penurunan abnormal pada volume transaksi terdeteksi.

    2. Perencanaan: Memutuskan untuk mengkueri log gerbang pembayaran terkait dan status kolam koneksi database.

    3. Aksi: Secara otomatis menghasilkan SQL untuk analisis asosiasi dan mengeluarkan laporan akar penyebab.

    Lapisan Semantik AI

    Bidang database tradisional seperti col_1 dan status_code sering kali tidak memiliki makna bisnis yang dapat ditafsirkan oleh model AI. Luma memungkinkan Anda menambahkan deskripsi bisnis, sinonim, dan logika komputasi ke bidang dalam Catalog, sehingga meningkatkan akurasi konversi Text-to-SQL.

    Contoh: Jika Anda bertanya "Kueri pesanan gagal kemarin di Beijing" dalam bahasa alami, Luma secara otomatis menghasilkan SQL yang sesuai dan mengembalikan hasilnya.

    Skenario Aplikasi: Pengendalian Risiko E-dagang

    1. Anggota tim operasi bertanya, "Apakah ada perilaku brushing abnormal dalam setengah jam terakhir?"

    2. Agent Luma mengambil informasi Catalog menggunakan MCP dan mengidentifikasi Transaction_Table dan User_Behavior_Log.

    3. Agent secara otomatis menghasilkan SQL asosiasi (termasuk jendela waktu, agregasi IP, dan analisis sidik jari perangkat) serta mengeksekusinya di mesin analisis EventHouse.

    4. Agent mengembalikan daftar UserID yang dicurigai melakukan brushing dan menghasilkan laporan risiko menggunakan basis pengetahuan.

    Integrasi Protokol MCP

    EventHouse secara native mendukung MCP. Setiap AI Agent yang mendukung MCP—seperti LangChain, Dify, atau Agent kustom—dapat terhubung ke EventHouse:

    • Kueri Berbasis Tool: Kemampuan kueri dikemas sebagai MCP Tools yang dipanggil Agent secara otonom berdasarkan maksud pengguna.

    • Kesadaran Konteks: Agent mengambil skema data sebagai konteks untuk menghasilkan hasil analisis yang lebih akurat.

    Integrasi protokol MCP belum tersedia secara umum. Untuk tanggal rilis spesifik, ikuti pembaruan produk kami.