小螞蟻說：

“過無人區” 、“Made in China” 、“反哺”是GeaBase的幾個耀眼標籤。每年的支付寶春節紅包、每一筆交易的反洗錢識別等等，背後的技術都少不了它的身影。

如今，GeaBase這款廣泛應用於螞蟻金服風控、社交、推薦等技術場景的中國第一個金融級分散式圖資料庫，現正處於免費公測期，複製下方網址至瀏覽器中開啟即可檢視：

https://www.cloud.alipay.com/products/geabase

引子：一個值錢的難題

2015年下半年之後，各大超級App已基本把移動網際網路的高價值流量瓜分殆盡，按照這幾年頗為流行的增長黑客方法，網際網路企業如果想繼續獲得增長，就需要提升重度使用者的客單價和潛在使用者的轉化率，而兩者都離不開利用各種推薦演算法發現使用者社交關係和興趣點的病毒式營銷方案。

解法看起來簡單，實現起來卻並不簡單。如果把你的大學同學作為一度人脈的話，那麼你大學同學的高中同學就屬於你的二度人脈，而你同學高中同學的配偶就是你的三度人脈。如果要實現推薦二度人脈甚至五度人脈的推薦功能，應該如何實現？

相信有一定資料庫基礎的工程師，都可以實現一個推薦二度人脈的資料庫表設計和程式碼實現。只要建立一個包含使用者表user，好友關係表user_friends，用於表示好友之間的關係就可以實現了。但如果我們需要實現查一個五度範圍內和我一樣在某家天貓店消費過，並留下點評的使用者時，難度就來了——這絕不僅是要先把所有的五度範圍內的人脈找出來，然後再搜尋一下有過該店消費記錄的使用者那麼簡單！

實際上，在《Graph Databases》一書中曾以MySQL和Neo4j為例，對比關係型資料庫和圖資料庫之間的效能差異：如下表，第一列的“深度”表示社交朋友之間的關係，深度為1，表明二人為直接好友；深度為2，表明二人為好友的好友，以此類推。由圖表可知，當深度達到5時，關係型資料庫已無法完成任務，而圖資料庫的響應時間為2.132秒，在可接受範圍內。

資料來自《Graph Databases》

那麼，什麼是Graph Database？它最新的研發、應用場景和商業價值又是怎樣的？最近，我和螞蟻金服GeaBase團隊的核心成員，聊了聊他們的故事。

關於圖資料庫和GeaBase

要理解圖資料庫，首先得理解它的定義。與筆者首先分享圖資料庫觀點的，是蕭河。

何昌華：花名蕭河，螞蟻金服計算儲存首席架構師

何昌華，花名蕭河，現任螞蟻金服計算儲存首席架構師，斯坦福大學博士，入選為第14批國家“千人計劃”專家。2008至2015年供職於Google搜尋架構部門，後來加入Airbnb，負責後臺系統的應用架構，專注於大規模的分散式系統及大資料架構。2017年，蕭河加入螞蟻金服，帶領團隊研發並上線了螞蟻實時智慧決策系統，解決了端到端秒級資料實時性，線下模型訓練和線上決策資料一致性，以及業務智慧化門檻高和開發週期長的問題。目前蕭河正聚焦於新一代資料技術架構以及金融級核心計算引擎的自主研發。

在他看來，圖資料庫是擅長展現“關係”的非關係型資料庫，其特點在於，圖資料庫是以“圖”這種資料結構儲存和查詢資料。圖資料庫起源於圖理論，資料模型主要是以節點和關係（邊）來體現，它的優點是能夠快速解決複雜的關係問題。

圖資料庫的發展和大資料的發展有著密切的聯絡。大資料之所以受到廣泛關注，其本質在於對海量資料的統計、彙總，從中可以發現一些規律。在2000年左右，大資料應用的主要方向還是資料統計，但隨著人工智慧、知識圖譜的興起，人們開始更加關注資料和資料之間的聯絡，但這是傳統關係型資料庫很難展現出來的。

以電影知識圖譜為例，其兩大主體為電影和人。人和電影之間可能存在導演關係，某人是某部電影的導演；可能存在演員關係，某人為某部電影的演員，這兩種關係均可通過外來鍵表示。但是，上述關係通過關係型資料庫展現時，整個E-R圖非常複雜。通過圖資料庫展現時，電影和人為兩大主體，其之間的關係只存在演員和導演兩種，演員中將主演特徵標註出來即可。

當需要描述大量關係時，傳統關係型資料庫通常會變得不堪重負，甚至無法返回結果。正如文章開頭的例子，圖資料模型非常適合用來表達現實世界裡面的資料。在很多場景中，相比於資料本身，其實我們更加關注資料背後所表達的一些資訊，以及資訊之間的關聯。圖資料模型能夠更加直觀、自然的展現這種關聯，對於使用者來說，和資料的互動方式、使用資料的方式，通過圖的方式也要更加直接。

實際上，得益於這種能夠展現資料之間“關係”的特性，圖資料庫在金融風控、知識圖譜等眾多領域有著廣泛的應用空間。例如，反欺詐是金融行業一個核心應用，通過圖資料庫可以對不同的個體、團體做關聯分析，從人物的親友關係和可信關係，歷史行為資料（比如在指定時間內的行為，去過地方的IP地址、曾經使用過的MAC地址，包括手機端、PC端、WIFI等），地理位置資訊（比如同一時間點是否曾經在同一地理位置附近出現過），以及銀行賬號之間是否有歷史交易資訊等進行關聯分析。

圖資料庫的應用場景越來越廣泛，而另一方面，隨著關係型資料庫使用場景的不斷擴大，也暴露出一些無法解決的問題，其中最主要的是資料建模中的一些缺陷、以及在大資料量和多伺服器之上進行水平伸縮的限制。在應對這些趨勢時，關係型資料庫產生了更多的不適應性，從而導致大量解決這些問題中某些特定方面的不同技術出現，一定程度上促進了圖資料庫的快速發展。

DB-Engines資料顯示，最近十年，圖資料庫已經成為關注度最高、也是發展趨勢最明顯的資料庫型別。螞蟻金服看到了這一趨勢，從2015年開始組建GeaBase團隊，自研圖資料庫。

他們做成了中國首個金融級分散式圖資料庫

2015年GeaBase團隊剛組建的時候，只有兩個阿里巴巴過來的從事過圖計算研究的兩個老員工，後來招了很多新人，絕大多數基本上都是剛畢業不久的。但就是這樣一支開始只有“三五個人、七八條槍”的年輕團隊，用了不到四年時間，打造出了中國首個金融級分散式圖資料庫。

“GeaBase現在給我們提供的不僅僅是一個圖資料庫，而是作為整個圖的資料這樣的一個大的底盤，在它上面我們會有更多的計算，然後會更好的支援業務”，蕭河解釋說。

蕭河在加入這個團隊之前，作為核心技術負責人之一，蕭河和當時的同事一起開發了谷歌新一代咖啡因搜尋引擎，並獲得公司最高技術獎項。之後在蕭河在Airbnb工作了兩年，負責後臺系統的應用架構，專注於大規模的分散式系統及大資料架構。

十幾年的矽谷經歷，讓蕭河成長為矽谷華人圈兒最年輕的頂級工程師之一，但這樣的履歷和光環並沒有阻礙蕭河歸國加入螞蟻金服。“有很多人都問過我為什麼回國加入螞蟻金服，在矽谷工作是一種比較平穩的狀態，但是缺少了真正看到自己的天花板在哪、能夠做成什麼樣的事業的機會”，蕭河說。

在蕭河看來，螞蟻金服承載著巨大的使用者量，支付寶等產品已經深入的影響了人們的日常生活，已經成為社會的基礎設施，影響深遠。相比在矽谷，在螞蟻金服從事的工作對於人們的生活來說更重要，也更有想象力。“每個人都想試一下你的極限在哪兒，我覺得在這裡才真正能夠嘗試能不能夠做到一個極限。”

加入螞蟻金服後，蕭河帶領團隊研發並上線了螞蟻實時智慧決策系統，對金融詐騙和洗錢等行為實現了實時判斷。更重要的一項工作是，作為螞蟻金服計算儲存首席架構師，蕭河領導計算儲存基礎技術團隊，研發新一代資料技術架構以及金融級核心計算引擎，為螞蟻金服的所有業務提供計算儲存支撐“底盤”。

不僅是蕭河，螞蟻金服GeaBase團隊彙集了一大批頂尖的工程師，比如浩壹（付志嵩）等人。

付志嵩：花名浩壹，螞蟻金服圖計算及儲存技術團隊高階專家

浩壹是2015年加入螞蟻金服的，現任螞蟻金服圖計算及儲存技術團隊高階專家。浩壹作為主要架構設計和研發人員參與了實時金融級分散式圖資料庫GeaBase的開發，實現了對超大規模關係網路毫秒級的複雜查詢及變更。

前方，無人區

在螞蟻金服，自主研發是一件再正常不過的事情。如今，從伺服器、網路、儲存等基礎設施層的資源管理，到分散式資料庫和中介軟體、大資料、移動開發框架等系統平臺，再到智慧風控、生物識別等金融專屬技術，螞蟻金服已經形成了完整的自研技術棧。

螞蟻金服選擇自研技術的初衷其實很簡單，那就是開源或是商用產品已經無法滿足螞蟻金服的巨大業務量和發展速度。在一次關於中國自主創新的論壇上，螞蟻金服副CTO、阿里巴巴最年輕的合夥人胡喜曾回憶說，2007年螞蟻金服（當時還是支付寶的時候）的應用程式大部分還是開源的，後來隨著業務飛速發展變得過於複雜，不便於擴充套件和維護，技術團隊乾脆就從零開始coding。

胡喜：花名阿璽，螞蟻金服副CTO、副總裁、首席架構師

“被業務倒逼”是螞蟻金服選擇自主研發的一個主要驅動力。支付寶也曾採用IOE架構，但到了2011年的“雙11”，集中式的IOE架構已經完全不能滿足需求。當時有兩條路，一是繼續採用昂貴的IOE技術，另一條是選擇自研資料庫，自己趟出一條路。

“自研，前面就是無人區”，胡喜說。儘管一路荊棘，但螞蟻金服還是創造了奇蹟，七年苦修，螞蟻金服成功自研了金融級的分散式關係型資料庫OceanBase，頂住了2017年“雙11”高達25.6萬筆/秒的支付峰值，以分散式架構在普通硬體上實現了金融級高可用性。

而金融級分散式圖資料庫GeaBase的誕生，也有著鮮明的螞蟻金服特色，同樣是“被業務倒逼出來的”。

“過去很長一段時間圖資料庫一直停留在學術研究階段，行業應用場景不多，是因為沒有強的場景驅動，所以市場沒有太多發展”，蕭河指出。但是反過來看，圖資料庫近年來熱度不斷攀升，其核心原因是因為強場景的驅動，特別是金融場景。

而螞蟻金服GeaBase的自研路，也是從金融業務場景的需求開始。

據浩壹回憶，螞蟻金服在2014年左右就開始跟進社群的圖計算的研究，當時的風控團隊感覺圖計算、圖資料庫在風控上應該能有很大的應用場景，於是在一些產品上嘗試了開源的圖資料庫產品，做了之後發現效果很好，圖資料庫能夠很好地和風控結合起來。

2015年初，螞蟻金服和一家商業圖資料庫公司合作過，做了兩個專案的POC測試，結果在這個過程中發現了很多的問題。

螞蟻金服有著巨大的資料量，需要以分散式架構來支撐高併發的大資料量和大吞吐量，但當時無論是開源還是商業資料庫產品都只是單機版，都難以適應螞蟻金服如此大的資料量和複雜的環境。此外，在金融領域，圖資料庫將會是一個非常核心的技術，螞蟻金服希望能夠完完全全的掌握，實現自主可控。

既然沒有合適的產品，那就選擇自研。但自研不像請客吃飯那麼容易，如同胡喜所說，自研，前面就是無人區，前途到底如何，誰也不知道。

當時的圖資料庫團隊顯得有些“悲壯”，面對幾乎不可能完成的任務，唯有信心才是支撐團隊繼續做下去的動力。

從阿里輸入到反哺集團

2015年7月，組建不久的圖資料庫團隊就開始正式寫程式碼。但萬事開頭難，螞蟻金服其他產品的開發語言主要是Java，整套的研發體系、工具也是圍繞Java的，唯有OceanBase和GeaBase團隊採用C++。各種環境的搭建，包括各種輔助的工具的製作，全部都得從頭開始。

儘管當時時間緊任務重，團隊依舊對每一環都保持著嚴格的要求，尤其在程式碼質量上追求完美。所謂“磨刀不誤砍柴工”，一開始打好基礎，對於產品的穩定性、日後的維護都有著重要的意義。

比如，團隊所有程式碼必須要通過review，保證每個人寫出來程式碼的風格都差不多，這樣的好處在於對今後的維護會變得非常的方便。又如，團隊程式碼提交必須都要有單元測試，否則不能提交。“當時是花了很多時間去寫這個單元。但是好處在於，後面你做一些重構等，有單元測試保護話，你就不會擔心我的重構是不是跟原來的語義不一樣。”團隊負責人如是說。

就像一個武者的成長，經過“冬練三九、夏練三伏”的苦修，不難練就一身技藝。但這還遠遠不夠，只有經過不斷的實戰磨練之後，才能成長為真正的武林高手。

經過大半年的閉門苦研，GeaBase第一個版本在2016年初就可以釋出了。當時正趕上支付寶史上最大的一次改版，原來的模組化功能被替換成資訊流，大大強化了社交屬性，自然而然就聯絡到了圖計算，這就給當時的GeaBase團隊一個很好的機會，可以到實戰中去磨練。

2016年2月，春節之後，GeaBase團隊開始介入支付寶，花了大概三個多月時間，在這個過程中不斷磨練產品。

浩壹還記得當時的工作狀態：壓測持續了幾個月，每天都是從晚上12點開始，以降低對使用者的影響。由於壓力測試的順序是自上而下，先壓測上層的產品，再到下層。GeaBase處於最底層，每次輪到GeaBase壓測的時候基本都要到凌晨四點鐘，壓測之後天都快亮了。這段時間是GeaBase團隊壓力最大，也最煎熬的一段。

但GeaBase團隊的付出沒有白費，壓測順利，新版支付寶在2016年6月份正式上線，GeaBase的成熟度也邁進了一大步。接下來，GeaBase在螞蟻金服內部推廣了很多的應用場景，後來甚至從2016年下半年開始，GeaBase還被推廣到了阿里巴巴集團，應用於淘寶等場景。Geabase作為螞蟻金服反哺集團的多個技術之一，讓該團隊十分自豪。

故事尚未結束。經過支付寶大改版的磨練之後，GeaBase團隊很快又迎來一次重大的挑戰，讓浩壹他們這些親歷者仍舊記憶猶新。

從2016年開始，除夕夜看春晚、收集“五福卡”、搶紅包成為過年的固定節目，支付寶與央視春晚的聯手打造了一種全新的娛樂互動形式。2017年春節，支付寶五福卡引入了更多的社交功能，GeaBase團隊也全部投入了專案之中。

這是GeaBase第一次面對這麼大的挑戰，由於是春節，與央視合作，並且肩負著無數中國人的搶紅包“重任”，這次專案只許成功不許失敗。

當時GeaBase團隊還只有十幾個人，白天要開發，還要保障其他業務的運維正常。晚上就開始投入春節紅包專案的壓力測試，基本上是24小時連軸轉。“春節時候我們還要值班，當時很辛苦，但是很有收穫感和成就感”，浩壹回憶說。

結果，2017年春節，GeaBase團隊成功頂住了壓力，為春晚支付寶紅包提供了穩健的支撐。當天，螞蟻金服為GeaBase團隊準備了火鍋，作為年夜飯也是慶功宴，但GeaBase團隊也只能輪流吃，像流水席一樣。“痛並快樂著，雖然辛苦，但大家都覺得特別有意義，乾的也特別有激情。”

經過2016年中支付寶大改版和2017年初春晚紅包的洗禮，在實戰中不斷得到昇華的GeaBase基本已經成型，進入了相對成熟的時期，也讓GeaBase在整個阿里巴巴集團打響了知名度，獲得了越來越多的應用場景。“2017年的時候，基本上不用我們去找業務，而是業務都來找我們了”。

還有一個收穫是，經歷過兩次大的磨練，GeaBase團隊開始慢慢變得有信心，凝聚力也在不斷增強，大家覺得圖資料庫非常有做頭，是未來方向之一。GeaBase團隊也非常穩定，自2015年組建以來，沒有一個轉崗的。

GeaBase，中國造

不到四年時間，從頭開始，螞蟻金服GeaBase從幾個人的小團隊起步，最終做出了中國第一個自主研發的金融級分散式圖資料庫，不僅具備高效能、高擴充套件、高可用等優勢，擁有自研的高效查詢語言，更已成熟應用於線上查詢/離線計算的四十多個金融級應用場景，包括支付、風控、財富、會員、營銷、口碑等，幾乎覆蓋了螞蟻金服所有的業務線。同時，阿里巴巴集團的近二十個產品，如淘寶、天貓、高德、UC、菜鳥、阿里媽媽、天貓精靈等都在使用GeaBase。

GeaBase在效能上做到了極致。如下圖示，GeaBase與開源分散式資料庫Titan在分散式環境下的效能對比，以及與商業圖資料庫Neo4j（不支援水平擴充套件版本）在單機上的效能對比，GeaBase的效能大概是Titan的10-20倍，是Neo4j的3倍左右。

“GeaBase最大的一個優勢就是可擴充套件性，GeaBase整個系統是完完全全為海量資料而建的”，蕭河說，GeaBase在螞蟻金服的應用場景下已經用到了百億個點、千億條邊，它的計算的查詢的能力都達到了非常高的水平，可以處理極大量的資料，而很多圖資料庫，水平擴充套件支援不是很好，能夠處理的資料量非常小。

GeaBase還引入了多叢集和多方位的監控體系來保證整個系統的高可用性，配備了嚴謹的分散式架構容災方案，可以做到多副本、多機房、多地部署，實現自動容災，出現故障秒級自動切換。

值得一提的是，GeaBase還自研了查詢語言。眾所周知，關係型資料庫共同的業界標準是SQL，但SQL並不適合圖模型查詢，常用的圖資料庫開源查詢語言如Gremlin並不能滿足螞蟻金服複雜的業務環境。

GeaBase自研的查詢語言具備四大特性：第一大特性是可擴充套件性，螞蟻金服內部業務場景眾多，對圖查詢需求較大，且螞蟻金服內部業務變化非常快，因此查詢語言的設計開發必須具備可擴充套件性；螞蟻金服在擴充套件性上的解決方案是所有OP完全獨立，彼此沒有任何關係，可保證隨時都可快速開發新的OP支援新業務。

第二大特性是自定義函式，使用者可靈活使用在不同型別裡，比如單條記錄或綜合記錄。第三大特性是整合動態語言程式設計環境，比如Python、C++。第四大特性是為了和開源結合，支援Gremlin。

GeaBase目前可以實現兩大類應用場景，其一是線上查詢，如實時風控、實時營銷、知識圖譜等；其二是離線計算，如風控模型計算、可信預測/團伙識別等圖模型計算等。

舉幾個例子。圖資料的最典型應用之一就是進行風險識別和詐騙識別，比如在資金關係網路中，如果我們發現資金的流動形成一個閉環，這就很可能是一個洗錢行為的訊號。

GeaBase裡儲存著螞蟻賬戶標籤、賬戶間資金關係、好友關係等圖結構資料。通過GeaBase多路通道分析出與指定賬戶關係較為密切的賬戶，並以此作為洗錢判定的參考依據之一。利用到的相關指標資料包括基於客戶的基本屬性和資金量等指標資料、與客戶有資金往來密切的客戶關係以及其資金內容、好友等親密關係。不同通道的召回關係層數以及客戶數等都可以由系統做到輕鬆配置，以保證業務的敏捷和精確。

GeaBase還能進行團伙識別，比如，當發現某人在反洗錢黑名單中時，通過對他的整個社交網路、資金網路和裝置網路使用機器學習計算節點之間的距離，特徵對映到向量的方式。同時，使用離線圖計算演算法將整個大圖分成眾多小社群，最後計算出該人所在的社群，以打擊整個團伙。

基於GeaBase的另外一個典型應用是推薦演算法，在螞蟻金服的產品線中，無論是好友推薦、內容推薦還是商品推薦都能找到其用武之地。以螞蟻財富App為例，GeaBase的主要應用場景包括頭條金融財經資訊的個性化推薦、社群問答內容推薦、財富號問答推薦，幫助提升社群的內容質量和使用者體驗。

而在風控應用中，GeaBase能夠將使用者社交關係、可信關係、交易關係等資料進行融合並提供實時多維多度分析能力，使得使用者打擾率大大下降，這些分析是用其他資料庫無法實時完成的。例如，通過GeaBase，風控系統可以實時查詢使用者的社交關係以及其所有可信裝置，當發現此手機為配偶可信裝置時，風控系統將不再打擾使用者。

這個分析用其他資料庫需要秒級才能完成，無法滿足使用者體驗要求，而GeaBase只需要毫秒級就能完成。

資料顯示，在轉賬到賬戶、轉賬到卡、手機號充值、新春紅包等場景中，GeaBase每日可為 2.2萬用戶優化打擾率，直接降低打擾1.5+萬筆/日，降低打擾 36%。

隨著GeaBase產品的不斷成熟，有越來越多的場景在接入進來，為了給客戶提供更強大的功能和更好的應用體驗，GeaBase也將繼續打磨產品，精益求精。

浩壹介紹，GeaBase團隊目前正在做離線計算和線上查詢的融合，提供一個一站式的圖處理服務。原因在於，現在有很多應用場景，既有離線計算的需求，也有一些線上的圖查詢、圖分析的業務場景，這兩個平臺之前是不在一起的。

“兩個平臺的話，對於使用者來說是不友好的”，浩壹表示，所以，GeaBase團隊希望把這兩個平臺融合起來，為使用者在資料視角提供一致的體驗。

另外，GeaBase希望推動圖查詢語言標準的建立。因為到目前為止，圖查詢語言並沒有一個標準。如今，應用圖資料庫的場景越來越多，大家都意識到了圖查詢語言沒有標準會造成很大的麻煩，對圖資料庫的通用性和推廣普及都非常不利。

“所以，GeaBase團隊也在試圖和外界的其他公司去合作，看看能不能夠建立一個生態聯盟，能夠把圖查詢語言這個標準建立起來”，浩壹說，這也是圖資料庫發展的一個趨勢，預計未來幾年，業內應該會出現一個較為通用的圖查詢語言出來，大家都能支援這個查詢語言，這將是GeaBase團隊未來的一個努力方向。

Think Next, 商業化和技術輸出

下一步，GeaBase將緊隨螞蟻金服整體的金融科技開放戰略，逐步走上商業化和技術輸出之路。

經過十幾年在金融領域的技術沉澱，螞蟻金服逐漸具備了符合金融級系統標準的技術能力，已經能夠提供從基礎架構技術、金融專有技術到應用技術的完整金融科技堆疊。去年，螞蟻金服釋出了金融科技開放戰略，重新明確了“金融科技公司”的定位，在未來，金融科技開放將成為螞蟻金服的業務重心。

去年10月11日，螞蟻金服在ATEC大會上首次公佈了“BASIC”戰略，即Blockchain (區塊鏈)、Artificial Intelligence（人工智慧）、Security（安全風控）、 IoT（物聯網）和 Computing（計算）五大領域，這是螞蟻金服面向未來的技術佈局，也是金融科技開放的五大方向。而GeaBase則屬於“BASIC”戰略中“計算”的範疇。

2017年，GeaBase產品成熟之後，螞蟻金服開始對外推廣，在幾個國際會議和金融行業峰會上介紹了產品，當時GeaBase還沒有上雲，也還沒有對外輸出的打算。去年年底，螞蟻金服洽談了幾家銀行，每一家銀行都對GeaBase感興趣，因為銀行同樣有著風控應用場景，和螞蟻金服很多地方都是共通的。

於是，去年年底，螞蟻金服將GeaBase的對外開放提上了日程，而今年GeaBase的工作重心之一，就是將GeaBase的能力通過雲端計算開放給合作伙伴，並摸索出更多的應用場景。

GeaBase，從不自信，到一口氣

每家企業都有著不同的氣質，而最能體現企業氣質的莫過於產品。就像Windows之於微軟、iPhone之於蘋果。GeaBase上也有著很多鮮明的標籤，自研、金融級、分散式…它們描述的不僅僅是一款產品的特色，也在彰顯著螞蟻金服的商業之道，更在訴說著一群中國工程師的技術理想主義和情懷。

GeaBase剛起步的時候，團隊本身都對這個產品抱有懷疑，甚至缺乏信心。這樣的故事在阿里巴巴和螞蟻金服並不鮮見，阿里雲“飛天”、螞蟻金服OceanBase，無不是從最初技術評估時候的“不可行”、“不可能”，到成就傳奇，其中的曲折和艱難，唯有親歷者才有最真實的體會。

經歷風雨，終能見彩虹。但風雨過後，當時的那種波瀾壯闊也逐漸變得淡然。如同GeaBase團隊的這些工程師，在描述GeaBase誕生過程的時候，就是在講述一個平凡的故事。對他們來說，當GeaBase抗過了支付寶大升級、春節紅包這樣的巔峰壓力，為阿里巴巴集團和螞蟻金服滿足了十億級使用者需求的時候，曾經的付出就變成了滿滿的成就感，這也是支撐他們繼續走下去的最大動力。

福利放送

如果你想體驗中國首個金融級分散式圖資料庫的過人之處，感受下國人所自主研發的創新技術，瞭解這個“征服”整個阿里體系的現象級產品，那麼機會不容錯過。

原文連結 本文為雲棲社群原創內容，未經允許不得轉載。