DBA晨报·第33期｜Oracle+Google AI数据库Agent发布、达梦四款新品详解、PG 19内核REPACK解读

📊 HiddenMerit Daily · Issue 39 Focus on Database Frontiers, Practical Insights for DBAs June 9, 2026 ｜ 5 Selected Global Breaking News 01｜MongoDB 8.3 “AI‑Native” Launches Domestically, Alibaba Cloud Fires First Shot in AI Database Race In early June, Alibaba Cloud became the first in China to launch MongoDB 8.3. MongoDB 8.3 introduces an “AI‑Native” design philosophy – not “add‑on” AI support, but deep integration of three major capabilities – vector search, auto‑embedding, and intelligent O&M – directly into the database engine, achieving a trinity of “native search, native vectorisation, native O&M.” The three native AI capabilities in detail: Native Search: Vector and full‑text search are built into the engine layer; a single pipeline completes hybrid search combining “vector + full‑text + scalar” (with $rankFusion stage using the RRF algorithm for score fusion), eliminating the need for applications to switch between multiple systems. Native Vectorisation: Write‑time auto‑embedding, transparent to applications, zero sync overhead; the engine layer automatically listens for data changes via Change Stream, calls models to generate vectors, writes back to documents, and triggers index updates. Native O&M: Natural language management, AI‑assisted slow query analysis, index recommendations, and parameter tuning, covering all versions; this capability covers all versions […]

📊 HiddenMerit Daily · Issue 12 Focus on Database Frontiers, Practical Insights for DBAs May 7, 2026 ｜ 5 Selected Global Breaking News 01｜AI Security Microscope Strikes Again: 20‑Year‑Old RCE Flaw Exposed, 80% of Cloud PostgreSQL Directly Exposed On May 4, Wiz’s AI‑powered security analysis tool Xint Code, during the ZeroDay.Cloud security event, uncovered a heap buffer overflow vulnerability (CVE-2026-2005) that had lain dormant in the PostgreSQL pgcrypto extension for two decades, as well as a still‑widespread JSON schema validation flaw in MariaDB (CVE-2026-32710). These vulnerabilities have existed since pgcrypto was first contributed in 2005. Affected PostgreSQL instances must be upgraded immediately to patched versions such as v18.2, v17.8, etc. Further analysis by Wiz found that among cloud environments running PostgreSQL, 80% are deployed, and of those, 45% are directly exposed to the internet. · DBA Perspective · Immediate inventory of two high‑risk indicators: First, check production environments for pgcrypto extension loading and identify PostgreSQL instances directly exposed to the internet. Second, urgently review user creation permissions and establish a strict approval process for extension creation. · Beware of cloud network exposure risks: 45% of cloud PG instances exposed to the internet is a devastating risk. You must scan forward‑facing […]

DBA晨报·第32期｜MySQL 9.7 LTS即将发布、国产数据库头部厂商格局变化、DBA职业警钟 为你摘取技术圈值得关注的3件事。今天是2026年4月27日，星期一。 01 版本前瞻｜MySQL 9.7 LTS重磅来袭，社区协作进入新时代 在即将到来的MySQL活动季中，MySQL 9.7 LTS将成为焦点话题。4月29日，在日本名古屋举办的OSC 2026及MySQL日本协会在线研讨会上，将深入解读这一即将发布的长期支持版本。 活动预告 活动 时间 核心议题 OSC 2026 Nagoya 4月29日 16:15-17:00（日本时间） MySQL的下一篇章：社区协作增强 & MySQL 9.7 LTS新特性 MyNA在线研讨会 4月27日 19:00（日本时间） MySQL 9.7 LTS解读 + 社区协作未来方向 9.7 LTS核心看点 MySQL社区近期经历了重要变革——MySQL独立基金会正式成立，Oracle承诺将原本企业版/HeatWave专有的向量功能引入社区版，并提高开发透明度。 9.7 LTS将重点聚焦： 社区协作增强：Oracle承诺开启“新时代”路线图，社区对决策有更多可见性 开发者体验：更多功能向社区版开放 AI能力集成：向量检索等AI功能可能成为LTS版本标配 DBA视角 MySQL 8.0已于2026年4月30日结束生命周期，升级至8.4 LTS或9.7 LTS成为必然选择。9.7 LTS将是首个融入基金会治理模式的长期支持版本，值得关注： 升级路径：从8.0可直接升级至9.7，但建议先在测试环境验证 AI能力：若向量检索等能力正式进入社区版，MySQL在AI应用场景的竞争力将显著提升 生态变化：基金会成立后的社区活跃度变化，需持续观察 建议DBA参加4月27日/29日的线上活动，获取9.7 LTS的一手信息。 02 国产动态｜2026信创数据库产业跟踪：三强格局稳固，AI运维降低DBA门槛 根据最新的行业分析报告，2026年国产数据库市场正从“概念验证”进入“规模化落地”阶段，行业格局与商业模式均发生深刻变化。 市场规模与竞争格局 指标 数据 关键领域渗透率（政务/金融/能源） 超40% 关系型数据库国产化占比 首次突破50% 2026年目标规模 90.1亿美元 头部通用型厂商份额 预计3-5家占约60% 达梦数据在2026中国数据库技术与产业大会上披露：2025年中国数据库市场规模达430.2亿元，国产厂商市场占有率已领先国外厂商，达梦数据保持国产厂商第一名。 竞争格局特点： 头部集中：增量市场份额主要流向达梦、OceanBase、金仓等头部厂商 腰部承压：中小厂商面临价格压力，行业处于洗牌阶段 细分赛道机会：图数据库、时序数据库、多模数据库等仍有小而美厂商生存空间 技术路线：分布式与集中式融合 2026年的行业共识是混合架构： 场景 推荐架构 理由 超高并发、海量数据 分布式 互联网级并发、弹性扩容 零容错核心交易 集中式 银行账户、证券结算，稳定性大于一切 头部厂商已实现同一内核支持OLTP与OLAP混合负载，客户可根据业务场景自主选择。 AI驱动运维革命 核心观点：数据库厂商的核心隐性成本是人力成本——中大型客户往往需要配备多名DBA驻场。突破路径是用AI降低运维成本： AI自动调优：智能索引推荐、参数自适应 故障自愈：自动诊断、自动恢复 运维成本下降：低价值人力投入减少，释放人力资源投入更高价值工作 一篇行业分析的“你可能会失去什么”部分指出，大型企业DBA团队正在经历结构性调整。 DBA视角 国产数据库产业变化对DBA职业的影响深远： 技能转型：AI运维工具成熟后，DBA需从“日常巡检”转向“架构设计+调优专家” 选型参考：头部厂商生态更完善，职业发展空间更大 迁移机遇：2026-2027年核心系统迁移进入高峰期，具备异构迁移能力的DBA需求旺盛 有分析指出，一位DBA如果只掌握单一数据库运维而缺乏架构设计能力，在未来1-3年内面临的风险值得关注。 03 职业警钟｜甲骨文裁员3万：47人DBA团队仅留3人，AI正在取代数据库管理员？ 近期，甲骨文公司裁员3万人的消息在行业内引发巨大震动。这次裁员不是被动收缩，而是主动的战略换血——甲骨文2026财年三季报显示营收超170亿美元、净利润37亿美元，均同比增长20%以上，创下历史最好业绩。 裁员核心数据 团队 原有人数 裁撤人数 保留人数 优化比例 DBA团队 47人 44人 3人 93.6% 公司整体 约16.7万 3万 约13.7万 18% 被裁撤的44名DBA主要是中层运维管理、常规数据库岗位，仅保留3名核心架构师负责AI系统的管控与优化。甲骨文CEO萨弗拉·卡兹在内部讲话中说：“我们需要的是能直接创造算力价值的人，而不是坐在中间负责汇报的人。” 这不是孤例 全球科技巨头正在不约而同地做同一件事：砍中层、换AI。 公司 裁员规模 核心逻辑 ASML 约1,700人 失去敏捷性，精简信息技术部门架构 亚马逊 1.6万人 减少组织层级，清除官僚主义，适配AI时代 这些公司裁员的共同特点：不是活不下去，而是日子过得越好，越要砍掉臃肿的中间层，把资源聚焦到核心研发和创新。 AI能做DBA的哪些工作？ 根据甲骨文的实践，AI系统已能承接DBA团队的94%日常工作： 24小时数据监控 故障排查与性能优化 日常运维需求处理 零失误、不轮班 DBA视角：警钟还是趋势？ 这是所有DBA必须面对的现实问题： 1. 哪些DBA岗位最危险？ 仅掌握常规运维技能的DBA 处理重复性、流程化工作的岗位 缺乏架构设计和AI调优能力的中层管理 2. 哪些DBA岗位更安全？ 核心架构师：负责AI系统的管控与优化 迁移专家：拥有异构数据库迁移实战经验 AI调优专家：能用AI工具提升数据库效率 深度性能优化工程师：能解决AI无法处理的疑难杂症 3. 职业转型方向 从“操作型DBA”转向“架构型DBA” 学习AI运维工具，成为“AI+DBA”复合型人才 深耕细分领域（如分布式数据库调优、HTAP架构设计） 正如一位分析师的评论：“AI不会完全取代DBA，但会使用AI的DBA将取代不会使用AI的DBA。” 📌 本期结语：MySQL 9.7 LTS即将发布，基金会治理后的首个LTS版本值得关注；国产数据库市场渗透率超40%，AI运维正在降低DBA门槛；甲骨文DBA团队93.6%的裁员比例，为所有数据库从业者敲响了警钟——AI时代，不进则退。祝各位DBA今日工作顺利！ DBA晨报·第32期｜2026年4月27日

Oracle Database 23ai 新特性系列 —— 第二期：数据库内机器学习、图技术与湖仓一体 在第一期中，我们重点介绍了 Oracle Database 23ai 的 AI 向量搜索、JSON 关系二元性视图等划时代技术。如果说 AI Vector Search 赋予了数据库“感知”和理解语义的能力，那么本期介绍的数据库内机器学习（In-Database ML）、图技术（Graph）与湖仓一体（Lakehouse）等特性，则赋予了数据库“思考”、分析和自主优化的能力。 Oracle 在机器学习领域的布局已有超过 20 年的历史——从 Oracle 9i R2 首次提供内置数据挖掘功能，到如今已发展成为企业级数据科学和 AI 平台的核心支柱。而在 23ai 版本中，Oracle Machine Learning（OML）迎来了一次质的飞跃，数据库内机器学习不再只是“能用”，而是向着“好用”和“智能”全面进化。 一、数据库内机器学习（In-Database Machine Learning） 1.1 核心理念：“零数据迁移”的 AI 范式 在传统的企业 AI 架构中，数据科学家通常需要将数据从生产数据库导出，经过复杂的 ETL 流程，导入到独立的机器学习平台或 Python 环境中进行模型训练和预测。这一过程伴随着几个难以解决的痛点： 数据时效性缺失：导出、转换、再导入的流程可能耗时数小时甚至数天，模型训练时使用的已是“过期数据” 安全风险与合规挑战：敏感业务数据一旦离开数据库环境，数据主权和审计追踪便难以保障 架构复杂与运维成本：多套系统之间需要维护数据同步、版本对齐和权限映射，系统复杂度呈指数级增长 Oracle Database 23ai 彻底改变了这一范式。OML 将 30 多种高性能机器学习算法直接内置于数据库内核，用户可以通过 SQL、Python、R 或低代码界面在数据所在的位置完成探索、准备、建模、评估和部署的全流程。正如 Oracle 所强调的：“AI where the data lives”——AI 能力的部署不再需要将数据从数据库中搬移，而是让智能能力在数据库内部落地。数据在哪，智能就在哪。 1.2 超过 30 种原生算法 Oracle Database 23ai 提供了超过 30 种高性能、可并行化的数据库内机器学习算法，覆盖了企业级数据科学任务的主流需求。这些算法在数据库内核级别实现，利用 Oracle 底层 SQL 引擎的并行处理能力，能够处理 PB 级数据，同时保持对 SQL 标准的完全兼容。 核心算法涵盖以下类别： 算法类别 包含算法 分类 决策树、逻辑回归、朴素贝叶斯、SVM、随机森林、XGBoost、神经网络 回归 线性回归、多元线性回归、XGBoost（回归）、神经网络回归 聚类 K-Means、O-Cluster 关联规则 Apriori 特征提取 非负矩阵分解（NMF）、主成分分析（PCA） 异常检测 单类 SVM 时间序列 指数平滑方法（ESM） 1.3 23ai 新增算法：XGBoost、ESM 与 NMF 23ai 在算法库方面实现了显著扩充。其中最受关注的是 XGBoost 算法，它支持分类、回归和生存分析三类任务。XGBoost 作为一种基于梯度提升决策树的集成学习方法，在 Kaggle 等数据科学竞赛中长期占据统治地位，它以高精度、高效率和鲁棒性著称。XGBoost 的原生引入，使 OML 在模型精度上进一步逼近甚至超越 Python 生态的主流机器学习框架。 指数平滑方法（ESM） 是另一项重要补充，专为时间序列预测场景设计。相较于传统的 ARIMA 模型，ESM 对数据平滑性和趋势性变化更为敏感，适合处理带有季节性和趋势成分的业务数据（如销量预测、库存规划、流量预估）。 非负矩阵分解（NMF） 则专注于特征提取和降维，在处理高维稀疏数据（如文本挖掘、推荐系统）时具有独特的优势。 1.4 数据库内评分的智能优化 OML 支持批量评分和实时评分两种模式。在生产环境中部署模型后，只需通过 SQL 查询调用预测算子即可完成评分，无需额外的部署流程。 值得特别强调的是，在 Exadata 和自治数据库上，OML 支持 Oracle Exadata Smart Scan 技术。评分处理可直接卸载到存储层执行，在数据存储端完成预测计算，显著减少了数据传输和 CPU 负载，带来了数量级的性能提升。 二、ONNX 集成：打破生态壁垒 2.1 ONNX：跨平台模型互操作的桥梁 Open Neural Network Exchange（ONNX） 是一种开源的深度学习模型表示格式，定义了统一的文件格式和算子集，使得模型可以在不同框架之间自由流转。23ai 的 OML 支持导入 ONNX 格式的机器学习模型，这意味着企业可以在任意环境（如 Hugging Face、PyTorch、TensorFlow、Scikit-learn）中训练模型，然后无缝导入到 Oracle 数据库中运行。 2.2 模型导入与应用 OML 支持导入以下类型的 ONNX 模型：文本嵌入模型（Transformer）、分类模型、回归模型和聚类模型。以 AI Vector Search 为例，企业可以通过 PL/SQL 包 DBMS_DATA_MINING 或 DBMS_VECTOR，将 Hugging Face 上的预训练文本嵌入模型以 ONNX 格式加载到数据库中，作为一等数据库对象供 AI Vector Search 使用。 在 OML4Py 中，Oracle 进一步简化了这一流程，提供了将 Hugging Face 模型自动转换为 ONNX 格式的工具。数据科学家无需关心底层转换细节，只需调用统一 API 即可完成从外部模型到数据库内部署的完整链路。 三、AutoML：让机器学习不再是数据科学家的专属 3.1 AutoML 用户界面 […]

Oracle Database 23ai 新特性系列 —— 第一期：AI 时代的融合数据库变革 引言 如果说数据库行业在过去十年经历了从“云优先”到“数据驱动”的演进，那么 2024 年 5 月 2 日，Oracle 宣布了一个足以标记行业分水岭的时刻——Oracle Database 23c 正式更名为 Oracle Database 23ai，作为全新的长期支持版本全面发布。版本号的更迭背后，承载的是超过 300 项新特性，其中近一半与人工智能直接相关。这不仅是 Oracle 历史上最大规模的 AI 化升级，更标志着这家年近 50 岁的数据库巨头正以彻底重塑的姿态，将数据库从“存储容器”转变为“能够自主思考和执行的智能平台”。 Oracle 执行副总裁 Juan Loaiza 直言：“Oracle Database 23ai 对全球企业而言改变了游戏规则。”从原计划的 23c 到正式发布的 23ai，Oracle 用一次看似简单的命名调整，完成了数据库行业数年的 AI 转型路线图。Premier Support 将持续至 2031 年 12 月 31 日，这意味着 23ai 将成为未来近十年企业数据架构的核心基石。 本系列将分多期全面解读 Oracle Database 23ai 的核心新特性。作为开篇之作，本期将聚焦于 23ai 的版本定位、AI 向量搜索、JSON 关系二元性视图以及多租户与安全增强等重磅特性。 一、版本定位：为什么是“23ai”？ 1.1 从 23c 到 23ai 的战略转型 Oracle Database 23c 最初于 2022 年 Oracle 年度大会上首次亮相，并于 2023 年初率先面向开发者发布，这是 Oracle 首次在向企业正式发布之前先行面向开发者群体开放——这一策略转变，意在拥抱开发者生态，为数据库业务注入新的增长动力。2023 年 9 月，Oracle 宣布在 23c 中增加向量搜索能力；2024 年 5 月，随着 AI 功能的全面成熟，Oracle 正式将 23c 更名为 23ai 并推向市场。 从“c”（Cloud）到“ai”，品牌标识的变更折射出 Oracle 核心战略的转变：云能力仍是基础，但 AI 能力已成为牵引企业数字化变革的核心引擎。Oracle 数据库不再只是一个事务处理与数据存储的平台，而是原生支持 AI 工作负载的融合数据平台。 1.2 版本发布节奏与可用性 Oracle Database 23ai 在 2024 年 5 月率先在 Oracle Cloud Infrastructure（OCI）、Oracle Exadata Database Service 以及 Oracle Database@Azure 上以云服务形式提供。随后在 2024 年 7 月，23ai 正式登陆 Oracle Database Appliance（ODA），将 AI 能力引入一体化设备平台。对于本地部署（On-Premises）用户，经过多次版本迭代后，Oracle 于 2026 年 1 月 28 日正式发布 23.26.1 版本，标志着 23ai 可在通用 Linux x86-64 平台本地部署，标准支持持续至 2031 年底。 值得一提的是，Oracle 在 2026 年 3 月伦敦 AI World Tour 上进一步宣布，23ai 通过应用 RU 23.26.0 即可无缝升级为 Oracle AI Database 26ai，无需数据库升级或应用重认证——这表明 Oracle 的 AI 数据库产品线已进入持续迭代的快车道。 二、AI Vector Search：将语义搜索内建于数据库核心 如果说 23ai 只能介绍一个特性，那一定是 AI Vector Search。这是本次发布最具标志性的创新，也是 Oracle 将数据库从“关系引擎”进化为“AI 引擎”的核心能力。 2.1 VECTOR 数据类型 AI Vector Search 的基础是全新的 VECTOR 数据类型。它是一个同构数组，支持 8 位有符号整数、8 位无符号整数、32 位浮点数或 64 […]

Oracle Database 23ai 新特性系列 —— 第三期：数据库内机器学习，让智能与数据共生 在数据库内机器学习（In-Database Machine Learning）这个方向上，Oracle 的布局早在 20 多年前就已经开始——从 Oracle 9i R2 首次提供内置数据挖掘功能，到如今已发展成为企业级数据科学和 AI 平台的核心支柱。而在 23ai 版本中，Oracle Machine Learning（以下简称 OML）迎来了一次质的飞跃，数据库内机器学习不再只是“能用”，而是向着“好用”和“智能”全面进化。 一、核心理念：让智能与数据共生 1.1 “零数据迁移”的 AI 范式 在传统的企业 AI 架构中，数据科学家通常需要将数据从生产数据库导出，经过复杂的 ETL 流程，导入到独立的机器学习平台或 Python 环境中进行模型训练和预测。这一过程伴随着几个难以解决的痛点： 数据时效性缺失：导出、转换、再导入的流程可能耗时数小时甚至数天，模型训练时使用的已是“过期数据” 安全风险与合规挑战：敏感业务数据一旦离开数据库环境，数据主权和审计追踪便难以保障 架构复杂与运维成本：多套系统之间需要维护数据同步、版本对齐和权限映射，系统复杂度呈指数级增长 Oracle Database 23ai 彻底改变了这一范式。OML 将 30 多种高性能机器学习算法直接内置于数据库内核，用户可以通过 SQL、Python、R 或低代码界面在数据所在的位置完成探索、准备、建模、评估和部署的全流程。正如 Oracle 所强调的：“AI where the data lives”——AI 能力的部署不再需要将数据从数据库中搬移，而是让智能能力在数据库内部落地。数据在哪，智能就在哪。 1.2 统一的数据科学平台 OML 超越了传统机器学习平台的边界，它不仅覆盖标准的结构化表数据，还能够分析事务数据、聚合数据、原始星型架构数据，甚至通过 Oracle Text 提取 CLOB 中的非结构化内容进行分析。更关键的是，OML 与数据库的安全体系深度集成——模型构建和评分过程遵循 Oracle 的权限方案，所有操作均被审计跟踪，这在金融、医疗、政府等强监管行业中具有不可替代的价值。 二、强大的数据库内算法库 2.1 超过 30 种原生算法 Oracle Database 23ai 提供了超过 30 种高性能、可并行化的数据库内机器学习算法，覆盖了企业级数据科学任务的主流需求。这些算法在数据库内核级别实现，利用 Oracle 底层 SQL 引擎的并行处理能力，能够处理 PB 级数据，同时保持对 SQL 标准的完全兼容。 核心算法涵盖以下类别： 分类：决策树、逻辑回归、朴素贝叶斯、SVM、随机森林、XGBoost、神经网络 回归：线性回归、多元线性回归、XGBoost（回归）、神经网络回归 聚类：K-Means、O-Cluster 关联规则：Apriori 特征提取：非负矩阵分解（NMF）、主成分分析（PCA） 异常检测：单类 SVM 时间序列：指数平滑方法（ESM） 2.2 23ai 新增算法：XGBoost、ESM 与 NMF 23ai 在算法库方面实现了显著扩充。其中最受关注的是 XGBoost 算法，它支持分类、回归和生存分析三类任务。XGBoost 作为一种基于梯度提升决策树的集成学习方法，在 Kaggle 等数据科学竞赛中长期占据统治地位，它以高精度、高效率和鲁棒性著称。XGBoost 的原生引入，使 OML 在模型精度上进一步逼近甚至超越 Python 生态的主流机器学习框架。 指数平滑方法（ESM） 是另一项重要补充，专为时间序列预测场景设计。相较于传统的 ARIMA 模型，ESM 对数据平滑性和趋势性变化更为敏感，适合处理带有季节性和趋势成分的业务数据（如销量预测、库存规划、流量预估）。 非负矩阵分解（NMF） 则专注于特征提取和降维，在处理高维稀疏数据（如文本挖掘、推荐系统）时具有独特的优势。 2.3 神经网络与随机森林的升级 在 23ai 中，神经网络和随机森林算法也得到了重构。新增的 ore.odmNN 类用于分类和回归任务，能够捕捉输入与输出之间复杂的非线性关系。ore.odmRF 类则以集成学习方式提供随机森林建模能力，替代了原有的 ore.randomForest。这些升级使模型的准确性和稳健性进一步提升。 2.4 数据库内评分的智能优化 OML 支持批量评分和实时评分两种模式。在生产环境中部署模型后，只需通过 SQL 查询调用预测算子即可完成评分，无需额外的部署流程。 值得特别强调的是，在 Exadata 和自治数据库上，OML 支持 Oracle Exadata Smart Scan 技术。评分处理可直接卸载到存储层执行，在数据存储端完成预测计算，显著减少了数据传输和 CPU 负载，带来了数量级的性能提升。 三、ONNX 集成：打破生态壁垒 3.1 ONNX：跨平台模型互操作的桥梁 Open Neural Network Exchange（ONNX） 是一种开源的深度学习模型表示格式，定义了统一的文件格式和算子集，使得模型可以在不同框架之间自由流转。23ai 的 OML 支持导入 ONNX 格式的机器学习模型，这意味着企业可以在任意环境（如 Hugging Face、PyTorch、TensorFlow、Scikit-learn）中训练模型，然后无缝导入到 Oracle 数据库中运行。 3.2 模型导入与应用 OML 支持导入以下类型的 ONNX 模型：文本嵌入模型（Transformer）、分类模型、回归模型和聚类模型。以 AI Vector Search 为例，企业可以通过 PL/SQL 包 DBMS_DATA_MINING 或 DBMS_VECTOR，将 Hugging Face 上的预训练文本嵌入模型以 ONNX 格式加载到数据库中，作为一等数据库对象供 AI Vector Search 使用。 在 OML4Py 中，Oracle 进一步简化了这一流程，提供了将 Hugging Face 模型自动转换为 ONNX 格式的工具。数据科学家无需关心底层转换细节，只需调用统一 API 即可完成从外部模型到数据库内部署的完整链路。 四、AutoML：让机器学习不再是数据科学家的专属 4.1 AutoML […]