事件倉概述 - EventBridge

概述

重要

此功能目前處於邀約測試階段。如果您想使用此功能，請在功能邀測申請表中填寫相關資訊進行開通。

EventHouse 是 EventBridge 的雲原生事件湖倉（Cloud-Native Event Lakehouse），負責事件數目據的儲存、治理與資料智能。

EventBridge 的事件匯流排（EventBus）解決事件的路由與分發問題，EventHouse 在此基礎上解決事件數目據“存下來之後怎麼用”的問題。EventHouse 將訊息佇列（如 Kafka、RocketMQ）、關係型資料庫（如 MySQL）以及Object Storage Service（如 OSS）中的結構化、半結構化和非結構化資料統一抽象為標準事件模型，通過內建的 Open Catalog 和 AI 語義層，支援以 Zero-ETL 方式管理多源異構資料，並通過 SQL 查詢或 AI Agent 直接進行即時分析。

核心組件

EventHouse 由三個核心組件構成，各組件獨立又協同工作：

組件	定位	核心能力
資料目錄 Catalog	中繼資料管理中心	多源中繼資料註冊、結構變更管理、資料血緣追蹤、細粒度許可權控制
資料分析 Analysis	計算引擎層	流批一體 SQL、聯邦查詢、物化視圖（Materialized View）、即時異常檢測
資料智能 Luma	AI 分析層	AI 語義層、MCP 協議整合、DataAgent 自主分析、自然語言查詢

核心價值

Zero-ETL（無感Data Integration）

支援直接映射外部資料源（如 RDS、OSS），無需將資料搬運到 EventHouse 即可執行聯集查詢，降低資料延遲和儲存成本。

統一治理（Unified Governance）

通過 Open Catalog 為訊息佇列中缺乏 Schema 定義的資料（即"暗資料"）提供標準化的中繼資料管理和血緣追蹤，打破資料孤島。

智能體分析（Agentic Analytics）

原生整合 MCP（Model Context Protocol），AI Agent 可直接理解事件數目據結構，通過自然語言提問完成資料分析。

資料目錄 Catalog

資料目錄（Catalog）是 EventHouse 的中繼資料管理中心，負責管理所有接入資料來源的中繼資料、Schema 定義、存取權限及資料血緣。

統一中繼資料管理

多源映射：Catalog 自動探索並註冊來自 Kafka、RocketMQ、RDS 等資料來源的中繼資料。
結構變更（Schema Evolution）：自動推斷並管理事件數目據的 Schema 版本。當上遊業務欄位變更時，通過相容性版本管理確保下遊分析任務不中斷。
資料血緣追蹤：追蹤事件從產生（Producer）、儲存（EventStore）到分析（Analysis）的全鏈路，用於故障排查和影響面評估。

開放生態相容

Open Catalog 支援 Iceberg、Hudi、Delta Lake 等開放表格式，資料不被廠商鎖定，可自由選擇計算引擎。

許可權與安全

提供庫（Database）、表（Table）、列（Column）三級細粒度存取控制（ACL）。

應用情境：統一資料檢視

在電商情境中，訂單資料可能分散在 RocketMQ（即時資料流）和 MySQL（持久化）中。通過 Catalog 建立統一 View，邏輯關聯 MQ 中的即時訂單流和資料庫中的使用者資訊表。分析時只需查詢該 View，無需關心底層資料的實體儲存體位置。

資料分析 Analysis

資料分析（Analysis）是 EventHouse 的計算引擎層，提供高效能的 SQL 查詢、串流和聯邦查詢能力。

智能查詢引擎

多模態查詢：支援 SQL（結構化查詢）、NoSQL（文檔型查詢）和 External（外部資料源查詢）三種查詢模式。
流批一體：同一套 SQL 文法既可查詢歷史歸檔資料（Batch），也可查詢即時資料流入的事件流（Streaming）。
物化視圖（Materialized View）：支援預計算物化視圖，將高頻查詢結果緩衝，實現毫秒級響應。

聯邦查詢

跨源聯合分析：無需資料移轉，通過 SQL JOIN 直接關聯 EventHouse 內部表與外部資料源（如 OSS 記錄檔、RDS 維表）。
謂詞下推（Predicate Pushdown）：將過濾條件下推到源端執行，僅拉取必要資料，提升查詢效率。

即時異常檢測

內建時間視窗函數（Tumble、Hop、Session），支援Realtime Compute交易成功率、延遲分布等指標。
結合規則引擎，當分析結果觸發閾值（例如“1 分鐘內失敗訂單超過 100”）時，自動觸發警示事件。

技術優勢

特性	說明
存算分離	儲存基於低成本Object Storage Service，計算資源Auto Scaling，應對流量洪峰
高壓縮比	針對事件數目據（JSON/CloudEvents）進行列式壓縮，儲存成本較傳統資料庫降低 50% 以上

資料智能 Luma

Luma 是 EventHouse 的 AI 分析層，通過 AI 語義層和 MCP 協議，使大語言模型（LLM）能夠直接理解和分析事件數目據。

DataAgent

Luma 內建 DataAgent，可自主執行"感知 - 規劃 - 行動"迴圈：

感知：監控到交易量異常下跌。
規劃：決定查詢關聯的支付網關日誌和資料庫連接池狀態。
行動：自動產生 SQL 進行關聯分析，輸出根因報告。

AI 語義層

傳統資料庫欄位（如 col_1 、status_code ）對 AI 模型缺乏業務含義。Luma 支援在 Catalog 中為欄位添加業務描述、同義字和計算邏輯，基於這些語義資訊提升 Text-to-SQL 的準確率。

樣本：通過自然語言提問"查詢昨天北京地區支付失敗的訂單"，Luma 自動產生對應 SQL 並返回結果。

應用情境：電商風控

營運人員提問："最近半小時有沒有異常的刷單行為？"
Luma Agent 通過 MCP 擷取 Catalog 資訊，識別 Transaction_Table 和 User_Behavior_Log。
Agent 自動產生關聯 SQL（包含時間視窗、IP 彙總、裝置指紋分析），在 EventHouse 分析引擎中執行。
返回疑似刷單的 UserID 列表，結合知識庫產生風險報告。

MCP 協議整合

EventHouse 原生支援 MCP（Model Context Protocol）。任何支援 MCP 的 AI Agent（如 LangChain、Dify 或自訂 Agent）均可串連 EventHouse：

工具化查詢：查詢能力封裝為 MCP Tools，Agent 根據使用者意圖自主調用。
上下文感知：Agent 擷取資料 Schema 作為上下文，產生更準確的分析結果。

MCP 協議整合功能待開放，具體開放時間請關注產品動態。