[编者按：今天我们听到的是Precognitive公司的消息，大数据的发展，该公司开发了解释数据的技术，以提高欺诈检测和预防的准确性，其目标是减少误报和避免客户中断。他们对正确数据库的追求使他们找到了Cloud Bigtable，我们将向您介绍他们的故事。]
在PreContinive，什么叫云服务，我们能够从一个空白的技术板开始，以支持我们的欺诈检测软件产品。当我们在2017年开始构建平台的初始版本时，物联网应用技术是什么，我们有一些决策要做：使用什么编码语言？选择什么云基础设施提供商？使用什么数据库？大多数决定都很简单，但我们很难决定一个数据库。我们对关系数据库有着丰富的集体经验，但对于像Cloud Bigtable这样的宽列数据库，我们知道需要扩展我们的行为和设备工作负载。在产品发布时，我们的产品由一个自我管理的数据库支持，但我们很快就迁移到了Cloud Bigtable，我们非常喜欢它。
为了有效地支持我们的突发性、实时欺诈检测工作负载，我们需要一个能够满足以下关键要求的云数据库：
添加Cloud Bigtable作为我们的性能数据库
随着我们业务的扩展服务和新增客户，我们的设备智能和行为分析产品的数据收集服务每秒可看到数千个事件。cloudbigtable提供了一个稳定的托管数据库，可以处理我们在高峰时间接收的卷。我们并不总是能够处理这种规模，因为我们的产品的早期版本使用了一个自我管理的数据库。
每个月，微信返利机器人，两到三个工程师花费数小时管理数据库实例。每当实例崩溃时，至少需要一个工程师一天或两天的时间来恢复实例并从备份数据库中恢复任何数据。内部管理这个数据库占用了产品开发的宝贵时间。经过两周的研发，我们决定将设备智能和行为分析服务转向Cloud Bigtable.
Cloud Bigtable解决了我们的扩展问题。cloudbigtable从一开始就对我们很有吸引力，因为它是完全托管的，并且提供了区域复制和我们自己的托管实例中缺少的其他功能。cloudbigtable提供了水平缩放，并随着时间的推移自动重新平衡行键（相当于一个shard键），以防止"热"节点。此外，Cloud Bigtable提供了到BigQuery和Cloud Dataproc的连接器，允许我们分析正在处理的数TB数据，什么叫云，并将这些数据用于无监督的机器学习。
使用Cloud Bigtable的好处
迁移到Cloud Bigtable后，我们注意到了一些额外的好处：提高了I/O性能，显著降低了成本，大大减少了数据库维护的时间。
我们在实现Cloud Bigtable之前和之后测量了一些典型指标。对于API请求，我们的请求延迟平均下降了30毫秒（低于10毫秒）。在改变之前，我们发现平均潜伏期为40+ms。我们的行为分析和设备智能产品的延迟下降使我们在所有相关服务中的平均响应时间减少了10到15毫秒。
