docs: update why greptimedb

i18n/zh/docusaurus-plugin-content-docs/current/user-guide/concepts/why-greptimedb.md

@@ -5,109 +5,84 @@ description: 介绍 GreptimeDB 的特点、设计原则和优势，包括统一
 
 # 为什么选择 GreptimeDB
 
-GreptimeDB 是一个云原生、分布式和开源的时序数据库，旨在处理、存储和分析大量的指标、日志和事件数据（计划中还包括 Trace）。
-它在处理涉及时序和实时分析的混合处理工作负载方面非常高效，同时为开发者提供了极佳的体验。
+GreptimeDB 是一款为云原生环境打造的开源分布式时序数据库。我们的核心开发团队在构建时序数据平台方面拥有丰富经验，GreptimeDB 在以下数个关键领域体现了他们的最佳实践：
 
-可以阅读博客文章《[This Time, for Real](https://greptime.com/blogs/2022-11-15-this-time-for-real)》和《[Unifying Logs and Metrics](https://greptime.com/blogs/2024-06-25-logs-and-metrics)》了解我们开发 GreptimeDB 的动机。
-在这些文章中，我们深入探讨了 Greptime 高性能背后的原因以及一些突出的功能。
+## 基于对象存储的成本优势
 
-## 统一的指标、日志和事件
+GreptimeDB 采用云对象存储（如 AWS S3 和 Azure Blob Storage 等）作为存储层，与传统存储方案相比显著降低了成本。通过优化的列式存储和先进的压缩算法，实现了高达 50 倍的成本效率，而按需付费模式的 [GreptimeCloud](https://greptime.com/product/cloud) 确保您只需为实际使用的资源付费。
 
-通过[时序表](./data-model.md)的模型设计、对 SQL 的原生支持以及存算分离架构带来的混合工作负载，
-GreptimeDB 可以同时处理指标、日志和事件，
-增强不同时间序列数据之间的关联分析，
-并简化架构、部署成本和 API。
+## 高性能
 
-阅读 [SQL 示例](/user-guide/overview.md#sql-query-example) 了解详细信息。
+在性能优化方面，GreptimeDB 运用了多种技术，如 LSM Tree、数据分片和基于 Kafka 的 WAL 设计，以处理大规模时序数据的写入。
 
-## 可用性、可扩展性和弹性
+GreptimeDB 采用纯 Rust 编写，确保卓越的性能、安全和可靠性。其强大快速的查询引擎基于向量化执行和分布式并行处理（得益于 [Apache DataFusion](https://datafusion.apache.org/)），并结合了[多种索引能力](/user-guide/manage-data/data-index)，如倒排索引、跳数索引和全文索引等。GreptimeDB 将智能索引和大规模并行处理（MPP）相结合，以提升数据剪枝和过滤效率。详情请参阅[性能测试报告](https://greptime.cn/blogs/2024-09-09-report-summary)。
 
-从第一天起，GreptimeDB 就按照云原生数据库的原则设计，这意味着它能够充分利用云的优势。其一些好处包括：
+## 基于 Kubernetes 的弹性扩展
 
-1. 高可用的按需计算资源，目标是实现 99.999% 的可用性和正常运行时间，即每年大约只有五分钟十五秒的停机时间。
-2. 弹性和可扩展性，允许开发者根据使用情况轻松扩展或缩减、添加或移动资源。
-3. 高可靠性和容错性以防止数据丢失。系统的目标是实现 99.9999% 的可用性率。
+GreptimeDB 从底层就是为 Kubernetes 设计的，基于先进的存储计算分离的架构，实现真正的弹性扩展：
 
-这些功能共同确保 GreptimeDB 始终提供最佳的性能。
-下面是关于如何实现这些功能的额外技术解释。
+- 存储和计算资源可独立扩展
+- 通过 Kubernetes 实现无限水平扩展
+- 不同工作负载（数据写入、查询、压缩、索引）之间的资源隔离
+- 自动故障转移和高可用性
 
-### 可弹性扩展的资源隔离
+![存储计算分离，计算资源隔离](/storage-compute-disaggregation-compute-compute-separation.png)
 
-![存储/计算分离，计算/计算分离](/storage-compute-disaggregation-compute-compute-separation.png)
+## 统一处理所有时序数据
 
-存储和计算资源是分离的，允许每个资源独立扩展、消耗和定价。
-这不仅大大提高了计算资源的利用率，还适配了“按需付费”的定价模式，避免了资源未充分利用的浪费。
+GreptimeDB 通过以下方式统一处理指标、日志和事件数据：
 
-除了存储和计算隔离，不同的计算资源也被隔离，避免了因数据写入、实时查询以及数据压缩或降采样等任务产生的资源竞争，
-从而实现高效率的大规模实时分析。
+- 统一的[数据模型]((./data-model.md))，将所有时序数据视为带有上下文的时间戳事件
+- 原生支持 [SQL](/user-guide/query-data/sql.md) 和 [PromQL](/user-guide/query-data/promql.md) 查询
+- 内置流处理能力（[Flow](/user-guide/flow-computation/overview.md)）用于实时聚合和分析
+- 无缝关联分析不同类型的时序数据，详见[SQL 示例](/user-guide/overview.md#sql-query-example)
 
-数据可以在多个应用程序之间共享而无需争用同一资源池，
-这不仅大大提高了效率，
-还可以根据需求提供无限的可扩展性。
 
-### 灵活的架构支持多种部署策略
+## 灵活架构：从边缘到云端
 
 ![GreptimeDB 的架构](/architecture-2.png)
 
 通过灵活的架构设计原则，不同的模块和组件可以通过模块化和分层设计独立切换、组合或分离。
 例如，我们可以将 Frontend、Datanode 和 Metasrc 模块合并为一个独立的二进制文件，也可以为每个表独立启用或禁用 WAL。
 
-灵活的架构允许 GreptimeDB 满足从边缘到云的各种场景中的部署和使用需求，同时仍然使用同一套 API 和控制面板。
-通过良好抽象的分层和封装隔离，GreptimeDB 的部署形式支持从嵌入式、独立、传统集群到云原生的各种环境。
-
-## 优异的成本效益
-
-GreptimeDB 利用流行的对象存储解决方案来存储大量的时序数据，例如 AWS S3 和 Azure Blob Storage，允许开发者只为使用的存储资源付费。
-
-GreptimeDB 使用自适应压缩算法，根据数据的类型和基数来减少数据量，以满足时间和空间复杂性约束。
-例如，对于字符串数据类型，当块的基数超过某个阈值时，GreptimeDB 使用字典压缩；
-对于浮点数，GreptimeDB 采用 Chimp 算法，该算法通过分析实际的时间序列数据集来增强 Gorilla（Facebook 的内存 TSDB）的算法，
-并提供比传统算法（如 zstd、Snappy 等）更高的压缩率和空间效率。
+灵活的架构允许 GreptimeDB 满足从边缘到云的各种场景中的部署和使用需求，同时仍然使用同一套 API 和控制面板。了解更多请参见[边云一体化解决方案](https://greptime.cn/carcloud)。
 
-## 高性能
-
-在性能优化方面，GreptimeDB 利用 LSM 树、数据分片和基于 Quorum 的 WAL 设计等不同技术来处理大量的时序数据写入时的工作负载。
-
-GreptimeDB 的查询引擎强大且快速，得益于矢量化执行和分布式并行处理，并结合了索引功能。
-为了提升数据修剪和过滤效率，GreptimeDB 构建了智能索引和大规模并行处理（MPP）架构。
-该架构使用独立的索引文件记录统计信息，类似于 Apache Parquet 的行组元数据，同时还使用了内置指标记录不同查询的工作负载。
-通过结合基于成本的优化（CBO）和开发者定义的提示，GreptimeDB 能够启发式地构建智能索引，从而进一步提升查询性能。
+通过良好抽象的分层和封装隔离，GreptimeDB 的部署形式支持从嵌入式、独立、传统集群到云原生的各种环境。
 
-## 易于使用
+## 易于迁移和使用
 
 ### 易于部署和维护
 
 为了简化部署和维护过程，GreptimeDB 提供了 [K8s operator](https://github.com/GreptimeTeam/greptimedb-operator)、[命令行工具](https://github.com/GreptimeTeam/gtctl)、嵌入式[仪表盘](https://github.com/GreptimeTeam/dashboard)和其他有用的工具，
 使得开发者可以轻松配置和管理数据库。
-请访问我们官网的 [GreptimeCloud](https://greptime.com) 了解更多信息。
+请访问我们官网的 [Greptime](https://greptime.cn) 了解更多信息。
 
 ### 易于集成
 
-GreptimeDB 支持多种数据库连接协议，包括 MySQL、PostgreSQL、InfluxDB、OpenTSDB、Prometheus Remote Storage 和高性能 gRPC。
-此外，还提供了多种编程语言的 SDK，如 Java、Go、Erlang 等。
-我们还在不断与生态系统中的其他开源软件进行集成和连接，以增强开发者体验。
-接下来将详细介绍三种流行的语言：PromQL、SQL 和 Python。
+GreptimeDB 支持多种数据摄入协议：
+- 数据库协议：MySQL、PostgreSQL
+- 时序数据协议：InfluxDB、OpenTSDB、Prometheus RemoteStorage
+- 可观测性协议：OpenTelemetry、Loki、ElasticSearch
+- 高性能 gRPC 协议及客户端 SDK（Java、Go、Erlang 等）
 
-PromQL 是一种流行的查询语言，
-允许开发者选择和聚合由 Prometheus 提供的实时时序数据。
-它比 SQL 更简单，适用于使用 Grafana 进行可视化和创建告警规则。
-GreptimeDB 原生支持 PromQL，查询引擎会将其转换为查询计划，对其进行优化和执行。
+在数据查询方面，GreptimeDB 提供：
+- **SQL**：用于实时查询、复杂分析和数据库管理
+- **PromQL**：原生支持实时指标查询和 Grafana 集成
+- **Python**：（计划中）支持数据科学场景的数据库内 UDF 和 DataFrame 操作
 
-SQL 是一种高效的工具，
-用于分析跨越较长时间跨度或涉及多个表（如 join）的数据。
-此外，它在数据库管理方面也非常方便。
+这种统一的方法实现了与现有可观测性技术栈的无缝集成，用户可以方便地迁移，并同时保持高性能和灵活性。
 
-Python 在数据科学家和 AI 专家中非常流行。
-GreptimeDB 允许直接在数据库中运行 Python 脚本。
-开发者可以编写 UDF 和 DataFrame API，通过嵌入 Python 解释器来加速数据处理。
+![Greptime Ecosystem](/greptime-ecosystem.png)
 
 ### 简单的数据模型与自动创建表
 
 结合指标（Tag/Field/Timestamp）模型和关系数据模型（Table），
-GreptimeDB 提供了一种称为时序表的新数据模型（见下图），以表格形式呈现数据，由行和列组成，指标的 Tag 和 Value 映射到列，并强制时间索引约束表示时间戳。
+GreptimeDB 提供了一种称为时序表的新数据模型（见下图），以表格形式呈现数据，由行和列组成，指标、日志和事件的 Tag 和 Value 映射到列，并强制时间索引约束表示时间戳。
 
 ![时序表](/time-series-table.png)
 
 然而，我们对 schema 的定义不是强制性的，而是更倾向于 MongoDB 等数据库的无 schema 方法。
 表将在数据写入时动态自动创建，并自动添加新出现的列（Tag 和 Field）。
 
+
+要了解更多关于我们的方法和架构，请查看我们的博客文章：[《专为实时而生》](https://greptime.cn/blogs/2022-11-16-github)、[《GreptimeDB 统一存储架构》](https://greptime.cn/blogs/2024-12-24-observability)和[《事件管理革命：监控系统中统一日志和指标》](https://greptime.cn/blogs/2024-06-14-events)。