华为云用户手册

计费项 云搜索服务 对您选择的实例规格和使用时长计费。 表1 云搜索 服务计费说明 计费项 计费说明 节点规格 节点类型及规格（vCPUs、内存），购买时长以及所购买的实例数量，提供按需计费和包年包月2种计费方式。 节点存储 磁盘类型。您可以根据具体的业务场景选择对应的磁盘类型，不同的磁盘类型收费标准不一样。 节点存储提供按需计费和包年包月2种计费方式。 云搜索服务提供了多种磁盘类型： 普通I/O 高I/O 超高I/O 带宽 带宽大小。当您对集群开通公网访问或者Kibana公网访问功能时，会产生带宽计费。 带宽提供按需计费和包年包月2种计费方式。 云搜索服务提供了两种带宽类型： 低带宽(1~5Mbit/s) 高带宽(6~2000Mbit/s) 根据您选择的带宽大小，计费时会自动归类到低带宽或者高带宽。

变更配置 更改计费模式 按需变更为包年包月：会生成新的订单，用户支付订单后，包年包月资源立即生效。 包年包月变更为按需：包年包月转按需，需要包年包月资费模式到期后，按需的资费模式才会生效。 变更节点存储和节点数量 如果原集群是按需计费方式，则扩缩容集群变更的节点数量和节点存储容量默认是按需计费方式。 如果集群是包年包月计费方式，扩缩容集群变更的节点数量和节点存储容量，会根据当前变更时间到创建集群时的购买周期的截止日期计费。例如，创建集群时购买的包周期为1个月，到期时间为1月30日，在包周期到期之前进行变更，假设变更日期为1月20日，则用户需要支付1月20日到1月30日之间所变更的资源费用。 变更节点规格 当集群更改节点规格后，则按照新的节点规格进行计费。 变更带宽 如果更改了集群公网访问或者Kibana公网访问中的带宽，则按照新的带宽进行计费。

与其他服务之间的关系 CSS 与其他服务的关系如图1所示。 图1 CS S与其他服务的关系 表1 CSS服务与其他服务的关系 相关服务 交互功能 虚拟私有云（Virtual Private Cloud，简称VPC） 云搜索服务CSS的集群创建在虚拟私有云（VPC）的子网内，VPC通过逻辑方式进行网络隔离，为用户的集群提供安全、隔离的网络环境。详细请参考虚拟私有云用户指南。 弹性云服务器（Elastic Cloud Server，简称ECS） 云搜索服务CSS的集群中每个节点为一台弹性云服务器（ECS）。创建集群时将自动创建弹性云服务器作为节点。 云硬盘（Elastic Volume Service，简称EVS） 云搜索服务CSS使用云硬盘（EVS）存储索引数据。创建集群时，将自动创建云硬盘用于集群存储。 对象存储服务 （Object Storage Service，简称OBS） 云搜索服务CSS的集群快照存储在对象存储服务（OBS）的桶中。详细请参考对象存储服务用户指南。 统一身份认证 服务（Identity and Access Management，简称 IAM ） 云搜索服务CSS使用统一身份认证服务（IAM）进行鉴权。详细请参考统一身份认证服务用户指南。 云监控服务 （Cloud Eye） 云搜索服务使用 云监控 服务实时监测集群的指标信息，保障服务正常运行。云搜索服务当前支持的监控指标为磁盘使用率和集群健康状态。用户通过磁盘使用率指标可以及时了解集群的磁盘使用情况。通过集群健康状态指标，用户可以了解集群的健康状态。详细请参考云监控服务用户指南。 云审计 服务（Cloud Trace Service，简称 CTS ） 云审计服务（CTS）可以记录与CSS云搜索服务相关的操作事件，便于日后的查询、审计和回溯。详细请参考云审计服务用户指南。

身份认证与访问控制 CSS服务的身份认证和访问控制主要包括两个大的方面：一方面是通过统一身份认证服务（Identity and Access Management，简称IAM）实现服务资源层面的身份认证和访问控制；另一方面是由CSS服务提供的安全集群内的身份认证和访问控制实现。两者是相互独立的模块。 IAM服务主要用来控制CSS服务管理面的资源操作权限。使用CSS服务时，如果需要给企业中的员工设置不同的控制台访问权限，以达到不同员工之间的权限隔离，可以使用IAM进行精细的权限管理。IAM提供用户身份认证、权限分配、访问控制等功能，可以安全控制CSS服务相关资源的访问。CSS权限管理请参见权限管理。 CSS集群内部的权限控制是通过安全集群实现的，当集群开启安全模式后，访问集群时需要进行身份认证，通过Kibana可以给集群创建用户进行授权。详细信息请参见创建Elasticsearch集群用户并授权使用集群。CSS服务仅支持对安全模式的集群进行身份认证与访问控制。 父主题： 安全

数据保护技术 云搜索服务主要从以下几个方面保障数据和业务运行安全： 网络隔离 整个网络划分为2个平面，即业务平面和管理平面。两个平面采用物理隔离的方式进行部署，保证业务、管理各自网络的安全性。 业务平面：主要是集群的网络平面，支持为用户提供业务通道，对外提供数据定义、索引、搜索能力。 管理平面：主要是管理控制台，用于管理云搜索服务。 主机安全 云搜索服务提供如下安全措施： 通过VPC安全组来确保VPC内主机的安全。 通过网络访问控制列表（ACL），可以允许或拒绝进入和退出各个子网的网络流量。 内部安全基础设施（包括网络防火墙、入侵检测和防护系统）可以监视通过IPsec VPN连接进入或退出VPC的所有网络流量。 数据安全 在云搜索服务中，通过多副本、集群跨az部署、索引数据第三方（OBS）备份功能保证用户的数据安全。 父主题： 安全

Cerebro Cerebro是使用Scala、Play Framework、AngularJS和Bootstrap构建的基于Elasticsearch Web的开源可视化管理工具。通过Cerebro可以对集群进行Web可视化管理，如执行Rest请求、修改Elasticsearch配置、监控实时的磁盘、集群负载、内存使用率等。 云搜索服务的Elasticsearch集群默认提供Cerebro，无需安装部署，即可一键访问Cerebro。云搜索服务完全兼容开源Cerebro，适配最新0.8.4版本。 支持Elasticsearch可视化实时负载监控。 支持Elasticsearch可视化数据管理。

Kibana Kibana是一个开源的数据分析与可视化平台，与Elasticsearch搜索引擎一起使用。通过Kibana可以搜索、查看存放在Elasticsearch索引中的数据，也可以实现以图表、地图等方式展示数据。Kibana的官方文档请参见：https://www.elastic.co/guide/en/kibana/current/index.html 云搜索服务的Elasticsearch集群默认提供Kibana，无需安装部署，即可一键访问Kibana。云搜索服务兼容了开源Kibana可视化展现和Elasticsearch统计分析能力。 支持10余种数据呈现方式 支持近20种数据统计方式 支持时间、标签等各种维度分类

高安全性 云搜索服务主要从以下几个方面保障数据和业务运行安全： 网络隔离 整个网络划分为2个平面，即业务平面和管理平面。两个平面采用物理隔离的方式进行部署，保证业务、管理各自网络的安全性。 业务平面：主要是集群的网络平面，支持为用户提供业务通道，对外提供数据定义、索引、搜索能力。 管理平面：主要是管理控制台，用于管理云搜索服务。 通过VPC或安全组专有网络来确保主机的安全。 访问控制 通过网络访问控制列表（ACL），可以允许或拒绝进入和退出各个子网的网络流量。 内部安全基础设施（包括网络防火墙、入侵检测和防护系统）可以监视通过IPsec VPN连接进入或退出VPC的所有网络流量。 支持用户认证与索引级别鉴权，支持对接第三方管理用户系统。 数据安全 在云搜索服务中，通过多副本机制保证用户的数据安全。 支持客户端与服务端通过SSL加密通信。 操作审计 通过云审计服务支持对关键日志与操作进行审计。

审计 云审计服务（Cloud Trace Service，CTS），是华为 云安全 解决方案中专业的日志审计服务，提供对各种云资源操作记录的收集、存储和查询功能，可用于支撑安全分析、合规审计、资源跟踪和问题定位等常见应用场景。 用户开通云审计服务并创建和配置追踪器后，CTS可记录CSS服务的操作事件用于审计。 CTS的详细介绍和开通配置方法，请参见CTS快速入门。 CSS服务支持云审计的操作列表请参见支持云审计的关键操作。 图1 云审计服务 在您开启了云审计服务后，系统会记录云搜索服务的相关操作，且控制台保存最近7天的操作记录。如何在云审计服务管理控制台查看最近7天的CSS服务操作记录请参见查询审计事件。

高可靠性 支持用户手动触发以及定时触发的快照备份，支持恢复到本集群以及其他集群的能力，通过快照恢复支持集群的数据迁移。详情请参见备份与恢复。 自动备份（备份快照） 云搜索服务提供备份功能，可以在控制台的备份恢复界面开启自动备份功能，并根据实际业务需要设置备份周期。 自动备份是将集群的索引数据进行备份。索引的备份是通过创建集群快照实现，第一次备份时，建议将所有索引数据进行备份。 云搜索服务支持将ES实例的快照数据保存到对象存储（OBS）服务中，借助OBS的跨region复制功能，可实现数据的跨region备份。 恢复数据（恢复快照） 当数据发生丢失或者想找回某一时间段数据时，可以在“集群快照”界面上单击“恢复”功能，将已有的快照，通过恢复快照功能，将备份的索引数据恢复到指定的集群中，可以快速获得数据。

产品规格 当您在云搜索服务创建集群时，系统将为您提供多种规格以满足您按需选择的要求。具体规格说明和适用场景请见表1。 表1 节点规格 CPU架构 节点规格类型 CPU内存比 适合场景 X86计算 计算密集型 1:2 CPU较强，适合高计算、要求低时延的搜索场景，比如电商，APP搜索，配合超高IO的磁盘。成本较高，相对于NVMe的本地盘集群可靠性强。 磁盘增强型 1:8 磁盘较大，本地SAS直通盘。适合存储大量数据的日志、舆情场景等场景。一般冷节点优选这种规格。 通用计算型 1:4 默认规格，使用较频繁，各种场景都能使用，如果没有特别要求，可选择该规格。 内存优化型 1:8 内存较大，优势较明显，在内存使用量较多并且对时延没有太大要求的场景可优先选择该规格，比如多聚合（filedata堆内）、排序、列式存储格式DocValue（系统堆外内存）等场景。 超高IO型 1:8 NVMe接口的本地SSD盘，相比磁盘增强型，数据盘较小。适合对时延要求高，写入压力大的场景，比如电商、APP搜索，性能比SSD云盘更好。存在本地盘有崩溃的风险，需要开启副本。 鲲鹏计算 鲲鹏通用计算型 1:2 和1:4 同上X86计算型场景，相比于X86计算型，ARM性价比较高。 鲲鹏超高IO型 1:4 性价比高，NVMe SSD本地盘，价格比超高IO型便宜，并且没有太大的内存浪费。适合低时延、写入高的场景，存在本地盘有崩溃的风险，需要开启副本。

内核增强 向量检索 云搜索服务的向量检索引擎支持对图像、视频、语料等非结构化数据提取的特征向量数据进行最近邻或近似近邻检索。详情请参见向量检索。 存算分离 云搜索服务提供冻结索引API，支持将存储在SSD的热数据转储到OBS中以降低数据的存储成本，实现存算分离。详情请参见存算分离。 流量控制 云搜索服务支持流量控制，提供节点级别的流量控制功能，可提供单个节点基于黑白名单的访问限制、HTTPS并发连接数限制、HTTP最大连接数限制等。每个功能配置独立的控制开关。详情请参见流量控制。 大查询隔离 云搜索服务的大查询隔离特性支持对查询请求进行独立管理，将高内存、长耗时的查询请求进行隔离，保证节点内存安全。详情请参见大查询隔离。 索引监控 云搜索服务的索引监控特性提供了丰富的监控指标，用以监控集群索引的运行状况和变化趋势，衡量业务使用情况，同时可以针对可能存在的风险及时处理，保障集群的稳定运行。详情请参见索引监控。 集群监控增强 云搜索服务支持集群监控增强，支持对集群Search请求的P99时延进行监控、对集群HTTP状态码进行监控等。详情请参见集群监控增强。

责任共担 华为云秉承“将公司对网络和业务安全性保障的责任置于公司的商业利益之上”。针对层出不穷的云安全挑战和无孔不入的云安全威胁与攻击，华为云在遵从法律法规业界标准的基础上，以安全生态圈为护城河，依托华为独有的软硬件优势，构建面向不同区域和行业的完善云服务安全保障体系。 安全性是华为云与您的共同责任，如图1所示。 华为云：负责云服务自身的安全，提供安全的云。华为云的安全责任在于保障其所提供的IaaS、PaaS和SaaS类云服务自身的安全，涵盖华为云数据中心的物理环境设施和运行其上的基础服务、平台服务、应用服务等。这不仅包括华为云基础设施和各项云服务技术的安全功能和性能本身，也包括运维运营安全，以及更广义的安全合规遵从。 租户：负责云服务内部的安全，安全地使用云。华为云租户的安全责任在于对使用的IaaS、PaaS和SaaS类云服务内部的安全以及对租户定制配置进行安全有效的管理，包括但不限于虚拟网络、 虚拟主机 和访客虚拟机的操作系统，虚拟防火墙、API网关和高级安全服务，各项云服务，租户数据，以及身份账号和密钥管理等方面的安全配置。 《华为云安全白皮书》详细介绍华为云安全性的构建思路与措施，包括云安全战略、责任共担模型、合规与隐私、安全组织与人员、基础设施安全、租户服务与租户安全、工程安全、运维运营安全、生态安全。 图1 华为云安全责任共担模型 父主题： 安全

性能说明 通过Elasticsearch官方提供的benchmark脚本rally1.0.0，对云搜索服务的集群（版本：7.6.2） 进行性能测试。 本次测试采用官方提供的geonames，大小3.2G，11396505个doc。索引采用6个shard（默认为5个）。性能指标说明可以参考官方文档https://esrally.readthedocs.io/en/stable/summary_report.html#summary-report。 节点规格为ess.spec-4u16g、节点数为3的集群性能测试结果如下。 Metric Task Value Unit Cumulative indexing time of primary shards - 11.95073333 min Min cumulative indexing time across primary shards - 0 min Median cumulative indexing time across primary shards - 2.339941667 min Max cumulative indexing time across primary shards - 2.470116667 min Cumulative indexing throttle time of primary shards - 0 min Min cumulative indexing throttle time across primary shards - 0 min Median cumulative indexing throttle time across primary shards - 0 min Max cumulative indexing throttle time across primary shards - 0 min Cumulative merge time of primary shards - 4.21495 min Cumulative merge count of primary shards - 65 - Min cumulative merge time across primary shards - 0 min Median cumulative merge time across primary shards - 0.813216667 min Max cumulative merge time across primary shards - 0.974483333 min Cumulative merge throttle time of primary shards - 0.83345 min Min cumulative merge throttle time across primary shards - 0 min Median cumulative merge throttle time across primary shards - 0.157775 min Max cumulative merge throttle time across primary shards - 0.24605 min Cumulative refresh time of primary shards - 2.164983333 min Cumulative refresh count of primary shards - 291 - Min cumulative refresh time across primary shards - 0 min Median cumulative refresh time across primary shards - 0.425391667 min Max cumulative refresh time across primary shards - 0.450516667 min Cumulative flush time of primary shards - 0.1559 min Cumulative flush count of primary shards - 11 - Min cumulative flush time across primary shards - 0 min Median cumulative flush time across primary shards - 0.0248 min Max cumulative flush time across primary shards - 0.043433333 min Total Young Gen GC - 6.421 s Total Old Gen GC - 0 s Store size - 3.124213032 GB Translog size - 2.790678718 GB Heap used for segments - 15.03110981 MB Heap used for doc values - 0.043689728 MB Heap used for terms - 13.85075188 MB Heap used for norms - 0.077697754 MB Heap used for points - 0.266856194 MB Heap used for stored fields - 0.792114258 MB Segment count - 99 - Min Throughput index-append 92446.94 docs/s Median Throughput index-append 92935.55 docs/s Max Throughput index-append 93217.68 docs/s 50th percentile latency index-append 176.7329985 ms 90th percentile latency index-append 285.5450693 ms 100th percentile latency index-append 333.228537 ms 50th percentile service time index-append 176.7329985 ms 90th percentile service time index-append 285.5450693 ms 100th percentile service time index-append 333.228537 ms error rate index-append 0 % Min Throughput index-stats 90.04 ops/s Median Throughput index-stats 90.06 ops/s Max Throughput index-stats 90.11 ops/s 50th percentile latency index-stats 3.6713165 ms 90th percentile latency index-stats 3.919960223 ms 99th percentile latency index-stats 4.500246093 ms 99.9th percentile latency index-stats 20.14171663 ms 100th percentile latency index-stats 21.36778278 ms 50th percentile service time index-stats 3.604376499 ms 90th percentile service time index-stats 3.8517339 ms 99th percentile service time index-stats 4.36148177 ms 99.9th percentile service time index-stats 20.0748024 ms 100th percentile service time index-stats 21.300971 ms error rate index-stats 0 % Min Throughput node-stats 90.05 ops/s Median Throughput node-stats 90.09 ops/s Max Throughput node-stats 90.32 ops/s 50th percentile latency node-stats 4.056046 ms 90th percentile latency node-stats 4.256959922 ms 99th percentile latency node-stats 7.993649534 ms 99.9th percentile latency node-stats 15.0162469 ms 100th percentile latency node-stats 18.79192022 ms 50th percentile service time node-stats 3.989104 ms 90th percentile service time node-stats 4.1902188 ms 99th percentile service time node-stats 7.39785926 ms 99.9th percentile service time node-stats 14.95028028 ms 100th percentile service time node-stats 15.226284 ms error rate node-stats 0 % Min Throughput default 50.03 ops/s Median Throughput default 50.04 ops/s Max Throughput default 50.09 ops/s 50th percentile latency default 2.890284501 ms 90th percentile latency default 3.054330301 ms 99th percentile latency default 3.41013575 ms 99.9th percentile latency default 4.536945459 ms 100th percentile latency default 5.063877001 ms 50th percentile service time default 2.82345 ms 90th percentile service time default 2.987489999 ms 99th percentile service time default 3.34539951 ms 99.9th percentile service time default 4.466092296 ms 100th percentile service time default 4.996857 ms error rate default 0 % Min Throughput term 150.06 ops/s Median Throughput term 150.09 ops/s Max Throughput term 150.14 ops/s 50th percentile latency term 2.822069666 ms 90th percentile latency term 2.927460233 ms 99th percentile latency term 3.585279107 ms 99.9th percentile latency term 9.586351776 ms 100th percentile latency term 13.36534567 ms 50th percentile service time term 2.755832 ms 90th percentile service time term 2.8613018 ms 99th percentile service time term 3.4037467 ms 99.9th percentile service time term 4.571924473 ms 100th percentile service time term 13.301659 ms error rate term 0 % Min Throughput phrase 149.99 ops/s Median Throughput phrase 150.07 ops/s Max Throughput phrase 150.13 ops/s 50th percentile latency phrase 3.207932333 ms 90th percentile latency phrase 3.514073 ms 99th percentile latency phrase 26.65015757 ms 99.9th percentile latency phrase 38.92041855 ms 100th percentile latency phrase 40.044182 ms 50th percentile service time phrase 3.1409695 ms 90th percentile service time phrase 3.3666699 ms 99th percentile service time phrase 9.39342965 ms 99.9th percentile service time phrase 18.80974216 ms 100th percentile service time phrase 21.417291 ms error rate phrase 0 % Min Throughput country_agg_uncached 4.01 ops/s Median Throughput country_agg_uncached 4.01 ops/s Max Throughput country_agg_uncached 4.01 ops/s 50th percentile latency country_agg_uncached 153.726532 ms 90th percentile latency country_agg_uncached 156.0977097 ms 99th percentile latency country_agg_uncached 167.696362 ms 100th percentile latency country_agg_uncached 198.43754 ms 50th percentile service time country_agg_uncached 153.606521 ms 90th percentile service time country_agg_uncached 155.9869715 ms 99th percentile service time country_agg_uncached 167.5793267 ms 100th percentile service time country_agg_uncached 198.325432 ms error rate country_agg_uncached 0 % Min Throughput country_agg_cached 100.04 ops/s Median Throughput country_agg_cached 100.05 ops/s Max Throughput country_agg_cached 100.07 ops/s 50th percentile latency country_agg_cached 2.7020445 ms 90th percentile latency country_agg_cached 2.783604899 ms 99th percentile latency country_agg_cached 3.03382523 ms 99.9th percentile latency country_agg_cached 3.635769276 ms 100th percentile latency country_agg_cached 4.106574 ms 50th percentile service time country_agg_cached 2.6356045 ms 90th percentile service time country_agg_cached 2.717349899 ms 99th percentile service time country_agg_cached 2.93948264 ms 99.9th percentile service time country_agg_cached 3.567144201 ms 100th percentile service time country_agg_cached 4.039871999 ms error rate country_agg_cached 0 % Min Throughput scroll 20.04 pages/s Median Throughput scroll 20.05 pages/s Max Throughput scroll 20.07 pages/s 50th percentile latency scroll 421.9468245 ms 90th percentile latency scroll 433.3017323 ms 99th percentile latency scroll 450.0724775 ms 100th percentile latency scroll 505.502723 ms 50th percentile service time scroll 421.0948965 ms 90th percentile service time scroll 432.4389587 ms 99th percentile service time scroll 449.2045264 ms 100th percentile service time scroll 504.653479 ms error rate scroll 0 % Min Throughput expression 2 ops/s Median Throughput expression 2 ops/s Max Throughput expression 2 ops/s 50th percentile latency expression 270.920167 ms 90th percentile latency expression 277.4334041 ms 99th percentile latency expression 286.5631326 ms 100th percentile latency expression 293.09254 ms 50th percentile service time expression 270.662187 ms 90th percentile service time expression 277.1779957 ms 99th percentile service time expression 286.3073191 ms 100th percentile service time expression 292.826178 ms error rate expression 0 % Min Throughput painless_static 1.5 ops/s Median Throughput painless_static 1.5 ops/s Max Throughput painless_static 1.5 ops/s 50th percentile latency painless_static 360.9218617 ms 90th percentile latency painless_static 368.2584616 ms 99th percentile latency painless_static 382.3877013 ms 100th percentile latency painless_static 425.989704 ms 50th percentile service time painless_static 360.5910995 ms 90th percentile service time painless_static 367.9205895 ms 99th percentile service time painless_static 382.0613883 ms 100th percentile service time painless_static 425.659728 ms error rate painless_static 0 % Min Throughput painless_dynamic 1.5 ops/s Median Throughput painless_dynamic 1.5 ops/s Max Throughput painless_dynamic 1.5 ops/s 50th percentile latency painless_dynamic 354.4270103 ms 90th percentile latency painless_dynamic 362.9108269 ms 99th percentile latency painless_dynamic 409.7732626 ms 100th percentile latency painless_dynamic 410.1049017 ms 50th percentile service time painless_dynamic 354.0901565 ms 90th percentile service time painless_dynamic 362.5730453 ms 99th percentile service time painless_dynamic 409.4442952 ms 100th percentile service time painless_dynamic 409.777646 ms error rate painless_dynamic 0 % Min Throughput decay_geo_gauss_function_score 1 ops/s Median Throughput decay_geo_gauss_function_score 1 ops/s Max Throughput decay_geo_gauss_function_score 1 ops/s 50th percentile latency decay_geo_gauss_function_score 354.387216 ms 90th percentile latency decay_geo_gauss_function_score 358.9124798 ms 99th percentile latency decay_geo_gauss_function_score 363.9485787 ms 100th percentile latency decay_geo_gauss_function_score 371.780245 ms 50th percentile service time decay_geo_gauss_function_score 353.7158425 ms 90th percentile service time decay_geo_gauss_function_score 358.2845019 ms 99th percentile service time decay_geo_gauss_function_score 363.275623 ms 100th percentile service time decay_geo_gauss_function_score 371.114045 ms error rate decay_geo_gauss_function_score 0 % Min Throughput decay_geo_gauss_script_score 1 ops/s Median Throughput decay_geo_gauss_script_score 1 ops/s Max Throughput decay_geo_gauss_script_score 1 ops/s 50th percentile latency decay_geo_gauss_script_score 379.4620745 ms 90th percentile latency decay_geo_gauss_script_score 383.2876548 ms 99th percentile latency decay_geo_gauss_script_score 389.7544834 ms 100th percentile latency decay_geo_gauss_script_score 395.75293 ms 50th percentile service time decay_geo_gauss_script_score 378.8137045 ms 90th percentile service time decay_geo_gauss_script_score 382.6389076 ms 99th percentile service time decay_geo_gauss_script_score 389.1097136 ms 100th percentile service time decay_geo_gauss_script_score 395.100654 ms error rate decay_geo_gauss_script_score 0 % Min Throughput field_value_function_score 1.5 ops/s Median Throughput field_value_function_score 1.5 ops/s Max Throughput field_value_function_score 1.51 ops/s 50th percentile latency field_value_function_score 142.4418055 ms 90th percentile latency field_value_function_score 146.0292471 ms 99th percentile latency field_value_function_score 149.4448299 ms 100th percentile latency field_value_function_score 154.4188467 ms 50th percentile service time field_value_function_score 141.8792295 ms 90th percentile service time field_value_function_score 145.4722711 ms 99th percentile service time field_value_function_score 148.8731825 ms 100th percentile service time field_value_function_score 153.87006 ms error rate field_value_function_score 0 % Min Throughput field_value_script_score 1.5 ops/s Median Throughput field_value_script_score 1.5 ops/s Max Throughput field_value_script_score 1.51 ops/s 50th percentile latency field_value_script_score 200.310233 ms 90th percentile latency field_value_script_score 206.2690364 ms 99th percentile latency field_value_script_score 216.7453505 ms 100th percentile latency field_value_script_score 252.6694313 ms 50th percentile service time field_value_script_score 199.886616 ms 90th percentile service time field_value_script_score 205.7897592 ms 99th percentile service time field_value_script_score 216.2602712 ms 100th percentile service time field_value_script_score 252.180659 ms error rate field_value_script_score 0 % Min Throughput random_function_score 1.5 ops/s Median Throughput random_function_score 1.5 ops/s Max Throughput random_function_score 1.5 ops/s 50th percentile latency random_function_score 242.6018717 ms 90th percentile latency random_function_score 251.1366288 ms 99th percentile latency random_function_score 290.9842466 ms 100th percentile latency random_function_score 307.5584597 ms 50th percentile service time random_function_score 242.149128 ms 90th percentile service time random_function_score 250.6830153 ms 99th percentile service time random_function_score 290.5378949 ms 100th percentile service time random_function_score 307.111375 ms error rate random_function_score 0 % Min Throughput random_script_score 1.5 ops/s Median Throughput random_script_score 1.5 ops/s Max Throughput random_script_score 1.5 ops/s 50th percentile latency random_script_score 258.3288777 ms 90th percentile latency random_script_score 262.5996219 ms 99th percentile latency random_script_score 276.7350459 ms 100th percentile latency random_script_score 278.8234443 ms 50th percentile service time random_script_score 257.8902625 ms 90th percentile service time random_script_score 262.1680452 ms 99th percentile service time random_script_score 276.3056912 ms 100th percentile service time random_script_score 278.384714 ms error rate random_script_score 0 % Min Throughput large_terms 1.5 ops/s Median Throughput large_terms 1.5 ops/s Max Throughput large_terms 1.5 ops/s 50th percentile latency large_terms 429.023917 ms 90th percentile latency large_terms 438.5573247 ms 99th percentile latency large_terms 468.2661402 ms 100th percentile latency large_terms 494.4412297 ms 50th percentile service time large_terms 428.772941 ms 90th percentile service time large_terms 438.29435 ms 99th percentile service time large_terms 468.0068679 ms 100th percentile service time large_terms 494.168992 ms error rate large_terms 0 % Min Throughput large_filtered_terms 1.5 ops/s Median Throughput large_filtered_terms 1.5 ops/s Max Throughput large_filtered_terms 1.5 ops/s 50th percentile latency large_filtered_terms 433.0397738 ms 90th percentile latency large_filtered_terms 443.241508 ms 99th percentile latency large_filtered_terms 460.8045067 ms 100th percentile latency large_filtered_terms 486.396965 ms 50th percentile service time large_filtered_terms 432.7802525 ms 90th percentile service time large_filtered_terms 442.9739873 ms 99th percentile service time large_filtered_terms 460.7444745 ms 100th percentile service time large_filtered_terms 486.145846 ms error rate large_filtered_terms 0 % Min Throughput large_prohibited_terms 1.5 ops/s Median Throughput large_prohibited_terms 1.5 ops/s Max Throughput large_prohibited_terms 1.5 ops/s 50th percentile latency large_prohibited_terms 430.1467708 ms 90th percentile latency large_prohibited_terms 436.8730103 ms 99th percentile latency large_prohibited_terms 484.5697929 ms 100th percentile latency large_prohibited_terms 492.75088 ms 50th percentile service time large_prohibited_terms 429.8833325 ms 90th percentile service time large_prohibited_terms 436.6196592 ms 99th percentile service time large_prohibited_terms 484.3087876 ms 100th percentile service time large_prohibited_terms 492.492977 ms error rate large_prohibited_terms 0 % Min Throughput desc_sort_population 1.5 ops/s Median Throughput desc_sort_population 1.51 ops/s Max Throughput desc_sort_population 1.51 ops/s 50th percentile latency desc_sort_population 45.9402765 ms 90th percentile latency desc_sort_population 49.01190953 ms 99th percentile latency desc_sort_population 58.5120831 ms 100th percentile latency desc_sort_population 60.027354 ms 50th percentile service time desc_sort_population 45.2962825 ms 90th percentile service time desc_sort_population 48.3757462 ms 99th percentile service time desc_sort_population 57.86711494 ms 100th percentile service time desc_sort_population 59.377354 ms error rate desc_sort_population 0 % Min Throughput asc_sort_population 1.5 ops/s Median Throughput asc_sort_population 1.51 ops/s Max Throughput asc_sort_population 1.51 ops/s 50th percentile latency asc_sort_population 46.02105783 ms 90th percentile latency asc_sort_population 48.79212977 ms 99th percentile latency asc_sort_population 55.94577758 ms 100th percentile latency asc_sort_population 72.898199 ms 50th percentile service time asc_sort_population 45.37886 ms 90th percentile service time asc_sort_population 48.1426418 ms 99th percentile service time asc_sort_population 55.30153109 ms 100th percentile service time asc_sort_population 72.260339 ms error rate asc_sort_population 0 % Min Throughput desc_sort_geonameid 1.5 ops/s Median Throughput desc_sort_geonameid 1.51 ops/s Max Throughput desc_sort_geonameid 1.51 ops/s 50th percentile latency desc_sort_geonameid 52.22274167 ms 90th percentile latency desc_sort_geonameid 69.4325779 ms 99th percentile latency desc_sort_geonameid 79.57920996 ms 100th percentile latency desc_sort_geonameid 80.11872267 ms 50th percentile service time desc_sort_geonameid 51.6055115 ms 90th percentile service time desc_sort_geonameid 68.801679 ms 99th percentile service time desc_sort_geonameid 79.41158055 ms 100th percentile service time desc_sort_geonameid 79.465491 ms error rate desc_sort_geonameid 0 % Min Throughput asc_sort_geonameid 1.5 ops/s Median Throughput asc_sort_geonameid 1.51 ops/s Max Throughput asc_sort_geonameid 1.51 ops/s 50th percentile latency asc_sort_geonameid 51.35154333 ms 90th percentile latency asc_sort_geonameid 52.2966503 ms 99th percentile latency asc_sort_geonameid 55.33079961 ms 100th percentile latency asc_sort_geonameid 55.520544 ms 50th percentile service time asc_sort_geonameid 50.7138335 ms 90th percentile service time asc_sort_geonameid 51.6588923 ms 99th percentile service time asc_sort_geonameid 54.68967127 ms 100th percentile service time asc_sort_geonameid 54.874135 ms error rate asc_sort_geonameid 0 %

Elasticsearch集群版本特性差异 表1 Elasticsearch集群版本特性 版本特性 5.x版本 6.x版本 7.x版本 多type支持情况 一个index里面支持包含多个type，每个type名称可以自定义。 一个index里面只支持有一个type，type名称可以自定义。 一个index里面只支持有一个type，type名称是固定的，_doc不能自定义。 客户端接入 支持TransportClient，可以同时使用tcp和http进行连接请求。 支持TransportClient，可以同时使用tcp和http进行连接请求。建议使用Java High Level REST Client。 只支持RestClient，只支持使用http进行连接请求。建议使用Java High Level REST Client。 Elasticsearch 5.x版本使用TransportClient接入Elasticsearch集群的样例： // 初始化客户端，连接9300端口TransportClient client = new PreBuiltTransportClient(Settings.EMPTY) .addTransportAddress(new InetSocketTransportAddress(InetAddress.getByName("host1"), 9300)) .addTransportAddress(new InetSocketTransportAddress(InetAddress.getByName("host2"), 9300));// 关闭客户端client.close(); Elasticsearch 6.x版本、7.x版本中使用Java High Level REST Client接入集群的样例： // 初始化客户端，连接9200端口RestHighLevelClient client = new RestHighLevelClient( RestClient.builder( new HttpHost("localhost", 9200, "http"), new HttpHost("localhost", 9201, "http")));// 关闭客户端client.close(); 模板配置 Elasticsearch 5.x版本中创建模板使用的是template字段。 Elasticsearch 5.x版本样例： PUT _template/template_1{ "template": "te*", "settings": { "number_of_shards": 1 }} Elasticsearch 6.x及以上版本开始使用index_pattern字段。 Elasticsearch 6.x及以上版本样例： PUT _template/template_1{ "index_patterns": ["te*"], "settings": { "number_of_shards": 1 }} boolean类型解析变化 在Elasticsearch 5.x版本中，true、false、on、off、yes、no、0和1的值都可以被解析成boolean。 Elasticsearch 6.x及以上版本只接受true/false，其他值会发生异常错误。 以下语句在Elasticsearch 5.x版本不会报错，在Elasticsearch 6.x/7.x版本会直接报错： GET data1/_search{ "profile": "noprofile", "query": { "match_all": {} }} JSON格式校验 Elasticsearch 5.x中允许JSON中存在重复的key，后台会自动去掉。 Elasticsearch 6.x及以上版本不允许JSON存在重复的key，会直接报解析错误。 以下语句在Elasticsearch 5.x版本不会报错，在Elasticsearch 6.x/7.x版本中会报错： POST data1/doc{ "isl": 0, "isl": 1} DELETE文档变化 Elasticsearch 5.x中，执行DELETE index1/doc/1，如果index1不存在，会将index1创建出来。 Elasticsearch 6.x及以上版本，如果执行删除文档的索引不存在，会报错索引不存在。 _alias API校验 Elasticsearch 5.x中，_alias API允许在index字段中指定为别名，能正常解析。 类似的，Elasticsearch 5.x版本中允许使用别名删除一个索引。 Elasticsearch 6.x版本中，_alias API中的index字段只能指定为索引名，不允许是别名。 Elasticsearch 6.x版本中不再允许，必须使用索引名进行删除。 如以下示例，在Elasticsearch 5.x版本中能正常工作，但是在Elasticsearch 6.x版本/7.x版本中会报错。 PUT log-2023.11.11POST _aliases{ "actions": [ { "add": { "index": "log-2023.11.11", "alias": "log" } } ]}POST _aliases{ "actions": [ { "remove": { "index": "log", "alias": "log" } } ]} 报错信息： { "error" : { "root_cause" : [ { "type" : "illegal_argument_exception", "reason" : "The provided expression [log] matches an alias, specify the corresponding concrete indices instead." } ], "type" : "illegal_argument_exception", "reason" : "The provided expression [log] matches an alias, specify the corresponding concrete indices instead." }, "status" : 400} 默认配置变化 新建索引默认分片数为5。 新建索引默认分片数为1。 默认routing变化 Elasticsearch 5.x版本/6.x版本使用以下公式计算文档应该落在哪个shard。 shard_num = hash(_routing) % num_of_primary_shards Elasticsearch 7.x版本使用以下公式计算文档应该落在哪个shard。 routing_factor = num_routing_shards / num_primary_shards shard_num = (hash(_routing) % num_routing_shards) / routing_factor 其中num_routing_shards可以由以下配置指定。 index.number_of_routing_shards 如果不显式指定，则Elasticsearch会自动计算该值，以达到对索引进行split的能力。 Refresh时机变化 默认定期每秒钟执行refresh。 Elasticsearch 7.x版本中如果没有显式的指定index.refresh_interval，并且索引长时间没有search请求，这里的长时间是由配置index.search.idle.after指定，默认30秒，Elasticsearch就不会再定期的进行refresh，而是等到有新的search请求进来时再进行refresh，这时候进行的search请求会等待，直到下一轮refresh完成才进行检索并返回，所以第一次search请求一般耗时会相对较长。 父熔断器变化 父熔断器是在多个子熔断器中内存统计之和超限的情况下触发，超限阈值为70%。 父熔断器会在堆内存超限的情况下触发，默认超限阈值为95%。 Field Data熔断器阈值变化 Field Data熔断器超限阈值indices.breaker.fielddata.limit默认为60%。 Field Data熔断器超限阈值indices.breaker.fielddata.limit默认为40%。 _all字段支持情况 支持_all字段。 _all字段被废弃。 已删除_all字段，不再支持。 search API返回中hits.total Elasticsearch 5.x版本/6.x版本中，search API返回中，hits.total为数字，表示命中条数： { "took": 0, "timed_out": false, "_shards": { "total": 5, "successful": 5, "failed": 0 }, "hits": { "total": 4, "max_score": 1, }} Elasticsearch 7.x版本中，hits.total不再是数字： { "took" : 76, "timed_out" : false, "_shards" : { "total" : 1, "successful" : 1, "skipped" : 0, "failed" : 0 }, "hits" : { "total" : { "value" : 4, "relation" : "eq" }, "max_score" : 1.0 }} 其中： value表示命中的条数。 relation表示value参数中的命中条数是否是准确值。 eq表示是准确值。 gte表示命中条数大于等于value参数。 _cache/clear API _cache/clear API支持POST/GET方式。 _cache/clear API只支持POST方式，不再支持GET方式。

数据库查询加速 云搜索服务可用于加速数据库查询。在电商、物流企业等有订单查询的业务场景，存在数据量大、查询并发高、吞吐大、查询延迟低的要求，关系型数据库具备较好的事务性与原子性，但其TP与AP处理能力较弱，通过将CSS作为备数据库，可提升整个系统的TP与AP处理能力。 高性能：支持文本、时间、数字、空间等数据类型；亿级数据查询毫秒级响应。 高可扩展性：支持200+数据节点，支持1000+个数据字段。 业务“0”中断：规格变更、配置更新采用滚动重启，双副本场景下业务0中断。 图3 数据库查询加速场景

全场景 日志分析 云搜索服务可用于全场景日志分析，包括ELB日志、服务器日志、容器和应用日志。其中Kafka作为消息缓冲队列，用于削峰填谷，Logstash负责数据ETL，Elasticsearch负责数据检索与分析，最后由Kibana以可视化的方式呈现给用户。 性价比高：采用鲲鹏算力、冷热分离、存算分离，成本同比降低30%+。 易用性好：支持丰富的可视化查询语句与拖拽式报表。 强大的处理能力：支持每天百TB级数量入库，提供PB级以上数据处理能力。 图2 全场景日志分析场景

操作步骤 执行如下的sql作业。 select c.id as `企业id`, 0.5 * a.tax_bal + 0.8 * b.supp_bal + (0.05 * c.electric_bal + 0.05 * c.water_bal) * 0.1 as `企业评分`from Partner1.TAX a, Partner1.SUPPORT b, Partner2.POWER_DATA c where b.id = c.id and a.id = b.id 审批时可以看到如下的信息，涉及关联字段较多，其使用方式都能够在审批界面中展示出来。 图1 基础信息 执行结果如下。 图2 执行结果 结果显示， TICS 支持大量基础的SQL语法。 图3 SQL编写提醒

阶段五：基于MPC算法的高安全级别计算 完成demo验证阶段，为提升数据保护级别，接入以纯密文的状态做计算的更高安全级别的数据，可以通过开启高隐私级别开关，提升空间安全级别。 图1 高隐私级别开关 再次单击作业，审批进行的同时敏感数据被进行了秘密分享加密。DAG图显示了“psi + 秘密分享”的全过程流向，基本符合业界已公开的PSI算法流程和秘密分享流程。 图2 加密流程 图3 加密流程 父主题： 基于TICS实现端到端的企业积分查询作业

操作步骤 进入TICS服务控制台。 在计算节点管理中，找到购买的计算节点，通过登录地址，进入计算节点控制台。 图1 前往计算节点 登录计算节点后，在下图所述位置新建连接器。 图2 新建连接器 输入正确的连接信息，建立数据源和计算节点之间的安全连接。 图3 输入信息 建立完成后，连接器显示正常说明连接正常。 图4 连接正常 进入数据管理，进行数据集发布。 图5 新建数据管理 填写参数信息。 图6 填写参数 重复步骤1~7，发布support资助金数据表和power_data能源表。 数据发布的过程并不会直接从数据源中导出用户数据，仅从数据源处获取了数据集相关的元数据信息，用于任务的解析、验证等。

操作步骤 进入多方安全计算的作业执行界面，单击创建。 图1 创建作业 在作业界面中，按照1~4提供的案例和SQL语句进行作业测试。 图2 作业界面 假设有人输入以下代码试图直接查询敏感数据。 select tax_bal, id from league_creator.tax 系统提示不支持进行敏感数据的SELECT操作。 图3 不支持敏感操作 若试图在敏感数据中追加自己的数据， 从结果倒推敏感数据，即求原数据。 Select tax_bal + electric_bal from LEAGUE_CREATOR.tax a join ZZZZZZ.power_data b on a.id = b.id TICS会识别并提示。 图4 执行失败告警 上述隐私规则，均为TICS系统提供的默认规则。

数据准备 以下数据和表结构是根据场景进行模拟的数据，并非真实数据。 以下数据需要提前存导入到MySQL\Hive\Oracle等用户所属数据源中，TICS本身不会持有这些数据，这些数据会通过用户购买的计算节点进行加密计算，保障数据安全。 政府信息提供方的数据tax和support，在用户计算节点agent_gov上发布。 能源信息提供方的数据power，在用户计算节点agent_power上发布。 表1 企业税收和资助金情况表tax 列名 含义 字段分类 Id 企业id 唯一标识 tax_bal 税收 敏感 Industry 行业类型 不敏感 表2 企业政府资助金数据表support 列名 含义 字段分类 Id 企业id 唯一标识 supp_bal 资助金的金额 敏感 Industry 行业类型 不敏感 表3 企业水电情况表power 列名 含义 字段分类 Id 企业id 唯一标识 electric_bal 电费 敏感 water_bal 水费 敏感 从业务角度考虑，安排五个阶段，来对TICS系统进行验证和测试。本章重点讲述如何端到端实现一个该场景下的隐私计算作业完整执行流程。

导入数据 在第一个合作方Partner1的MySQL数据源中，通过如下的SQL语句创建数据表： CREATE TABLE tax ( id integer COMMENT '企业id' , tax_bal integer COMMENT '税收金额' , industry varchar(150) COMMENT '行业' ); CREATE TABLE support ( id integer COMMENT '企业id' , supp_bal integer COMMENT '资助金额', industry varchar(150) COMMENT '行业'); 在第二个合作方Partner2的MySQL数据源中，通过如下的SQL语句创建数据表： CREATE TABLE power ( id integer COMMENT '企业id' , electric_bal integer COMMENT '电费', water_bal integer COMMENT '水费'); 将下面的数据分别导入csv文件并上传到MySQL数据源所在服务器。 Tax表的数据如下： id,tax_bal,industry123400999,745,互联网123400998,324,其他123400997,664,其他123400996,243,金融123400995,715,互联网123400994,475,通讯123400993,526,其他123400992,272,互联网123400991,646,金融123400990,510,其他 Support表的数据如下： id,supp_bal,industry123400999,314,互联网123400998,405,其他123400997,371,其他123400996,484,金融123400995,381,互联网123400994,405,通讯123400993,292,其他123400992,503,互联网123400991,303,金融123400990,412,其他 Power表的数据如下： id,electric_bal,water_bal123400999,79,48123400998,57,70123400997,69,37123400996,50,57123400995,66,50123400994,56,55123400993,63,53123400992,45,76123400991,80,36123400990,39,63 执行如下SQL语句，将csv文件内的数据导入创建的数据表。 LOAD DATA INFILE 'csv数据文件名' INTO TABLE 表名 或者执行如下的插入语句： Tax表： insert into tax values (123400999,745,'互联网'), (123400998,324,'其他' ), (123400997,664,'其他' ), (123400996,243,'金融' ), (123400995,715,'互联网' ), (123400994,475,'通讯' ), (123400993,526,'其他'), (123400992,272,'互联网' ), (123400991,646,'金融' ), (123400990,510,'其他'); Support表： insert into support values (123400999,314,'互联网' ), (123400998,405,'其他' ), (123400997,371,'其他' ), (123400996,484,'金融' ), (123400995,381,'互联网' ), (123400994,405,'通讯' ), (123400993,292,'其他' ), (123400992,503,'互联网' ), (123400991,303,'金融' ), (123400990,412,'其他'); Power表： insert into power values (123400999,79,48), (123400998,57,70), (123400997,69,37), (123400996,50,57), (123400995,66,50 ),(123400994,56,55), (123400993,63,53), (123400992,45,76), (123400991,80,36), (123400990,39,63);

处理方法 通过具有修改该流水线权限的账号登录流水线。 在流水线列表中找到目标流水线，单击操作列，选择“编辑”。 进入流水线“任务编排”页面，单击“权限管理”，检查用户的流水线权限。 图1 流水线权限 人员权限优先级高于角色权限：默认情况下，用户修改角色权限后会自动同步人员权限；如果修改人员权限，则以人员权限为准。 若“角色权限配置”中该用户所属角色没有执行权限，则为该角色添加执行权限（此操作会导致是该角色的用户，对该条流水线都具有执行权限）。 若“角色权限配置”中该用户所属角色有执行权限，则在“人员权限配置”页签，为该用户添加执行权限。

为什么提交代码时会触发执行没有监听代码提交事件的流水线？ 提交代码时触发执行了没有监听代码提交事件的流水线（即没有监听push事件的流水线），可能是以下原因导致： 修改并提交了合并请求的源分支代码，且该合并请求没有关闭。 在流水线上配置了合并请求时触发，且监听了更新事件。 图1 合并请求触发事件 综合上述两个条件，修改未关闭合并请求的源分支代码，且在流水线监听了合并请求的更新事件，提交代码时，会触发该合并请求的更新事件，如果该合并请求的目标分支在流水线监听范围内，则会触发执行相应的流水线。 父主题： 功能使用

处理方法 可通过以下两种方法解决： 方法一 将审核人重新添加至当前项目，并为该审核人添加流水线的执行权限。 添加项目成员请参考添加CodeArts项目成员。 配置权限请参考开通并授权使用CodeArts Pipeline。 编辑流水线，单击报错的人工审核任务，进入人工审核任务配置页。 图2 配置人工审核任务 重新添加审核人，保存任务并保存流水线。 方法二 添加当前项目其他成员为审核人。 编辑流水线，单击报错的人工审核任务，进入人工审核任务配置页。 添加其他审核人，保存任务并保存流水线。

如何访问虚拟私有云 通过管理控制台、基于HTTPS请求的API（Application Programming Interface）两种方式访问虚拟私有云。 管理控制台方式 管理控制台是网页形式的，您可以使用直观的界面进行相应的操作。登录管理控制台，从主页选择“虚拟私有云”。 API方式 如果用户需要将云平台上的虚拟私有云集成到第三方系统，用于二次开发，请使用API方式访问虚拟私有云，具体操作请参见《虚拟私有云API参考》。

虚拟私有云产品架构 接下来，本文档将从 虚拟私有云VPC 的基本元素、VPC的网络安全、VPC的网络连接以及VPC的网络运维方面进行介绍，带您详细了解VPC的产品架构。 图1 VPC产品架构 表1 VPC的产品架构介绍 项目分类 简要说明 详细说明 VPC的基本元素 VPC是您在云上的私有网络，您可以指定VPC的IP地址范围，然后通过在VPC内划分子网来进一步细化IP地址范围。同时，您可以配置VPC内的路由表来控制网络流量走向。 不同VPC之间的网络不通，同一个VPC内的多个子网之间网络默认互通。 IP地址范围：您在创建VPC时，需要指定VPC的IP网段，支持的网段为10.0.0.0/8~24、172.16.0.0/12~24和192.168.0.0/16~24。 子网：您可以根据业务需求在VPC内划分子网，VPC内至少需要包含一个子网。实例（云服务器、云容器、云数据库等）必须部署在子网内，实例的私有IP地址从子网网段中分配。 更多信息请参见子网。 路由表：在创建VPC时，系统会为您自动创建一个默认路由表，默认路由表确保同一个VPC内的子网网络互通。您可以在默认路由表中添加路由来管控网络，如果默认路由表无法满足需求时，您还可以创建自定义路由表。 更多信息请参见路由表和路由概述。 VPC的网络安全 安全组与网络ACL（Access Control List）用于保障VPC内部署实例的安全。 安全组：对实例进行防护，您可以在安全组中设置入方向和出方向规则，将实例加入安全组内后，该实例会受到安全组的保护。 更多信息请参见安全组和安全组规则概述。 网络ACL：对整个子网进行防护，您可以在网络ACL中设置入方向和出方向规则，将子网关联至网络ACL，则子网内的所有实例都会受到网络ACL保护。 更多信息请参见网络ACL概述。 相比安全组，网络ACL的防护范围更大。当安全组和网络ACL同时存在时，流量优先匹配网络ACL规则，然后匹配安全组规则。 更多信息请参见VPC访问控制概述。 VPC的网络连接 您可以使用VPC和云上的其他网络服务，基于您的业务诉求，构建不同功能的组网。 连通同区域VPC：通过VPC对等连接或者企业路由器ER，连通同区域的不同VPC。 连通跨区域VPC：通过云连接CC，连通不同区域的VPC。 连通VPC和公网：通过弹性公网IP (EIP)或者NAT网关，连通云内VPC和公网。 连通VPC和线下数据中心：通过云专线DC或者 虚拟专用网络 VPN，连通云内VPC和线下数据中心。 连通同区域VPC VPC对等连接：对等连接用于连通同一个区域内的VPC，您可以在相同账户下或者不同账户下的VPC之间创建对等连接。 更多信息请参见对等连接概述。 企业路由器ER：企业路由器作为一个云上高性能集中路由器，可以同时接入多个VPC，实现同区域VPC互通。 更多信息请参见什么是企业路由器。 对等连接免费，企业路由器收费，相比使用VPC对等连接，企业路由器连接VPC构成中心辐射性组网，网络结构更加简洁，方便扩容和运维。 连通跨区域VPC 云连接CC：云连接可以接入不同区域的VPC，快速实现跨区域网络构建。更多信息请参见什么是云连接。 连通VPC和公网 EIP：EIP是独立的公网IP地址，可以为实例绑定EIP，为实例提供访问公网的能力。 更多信息请参见什么是弹性公网IP。 NAT网关：公网NAT网关能够为VPC内的实例（ECS、BMS等），提供最高20Gbit/s能力的 网络地址转换 服务，实现多个实例使用一个EIP访问公网。 更多信息请参见什么是NAT网关。 连通VPC和线下数据中心 DC：DC用于搭建线下数据中心和云上VPC之间高速、低时延、稳定安全的专属连接通道，通过DC可以构建大规模混合云组网。 更多信息请参见什么是云专线。 VPN：VPN用于在线下数据中心和云上VPC之间建立一条安全加密的公网通信隧道。 更多信息请参见什么是虚拟专用网络。 相比通过DC构建混合云，使用VPN更加快速，成本更低。 VPC的网络运维 VPC流日志和流量镜像可以监控VPC内的流量，用于网络运维。 流日志：通过流日志功能可以实时记录VPC中的流量日志信息。通过这些日志信息，您可以优化安全组和网络ACL的控制规则，监控网络流量、进行网络攻击分析等。更多信息请参见VPC流日志概述。 流量镜像：通过流量镜像功能可以镜像弹性网卡符合筛选条件的报文到目的实例中，在目的实例中进行流量分析，不会影响运行业务的实例，适用于网络流量检查、审计分析以及问题定位等场景。更多信息请参见流量镜像概述。

VPC服务配额限制 配额是在某一区域下最多可同时拥有的某种资源的数量。 例如：华东-上海二区域下，VPC默认配额为5个，若在该区域下已创建2个VPC，则在该区域的剩余配额为3个。 华为云为防止资源滥用，对云服务每个区域的用户资源数量和容量做了配额限制。 如需查看每个配额项目支持的默认配额，请参考怎样查看我的配额？，登录控制台查询您的配额详情。如需扩大资源配额，请在华为云管理控制台申请扩大配额。 表1介绍VPC场景的默认配额限制。配额数据分区域呈现，默认每个区域的配额数据相同。 表1 VPC配额说明 配置名称 默认配额限制 是否支持调整 一个用户在单个区域可创建的虚拟私有云数量 不同用户根据其账户类型和服务等级享有不同的默认资源配额。请在配额限制查看您的个人配额详情。 是 提交工单申请提升配额 一个用户在单个区域可创建的子网数量 不同用户根据其账户类型和服务等级享有不同的默认资源配额。请在配额限制查看您的个人配额详情。 是 提交工单申请提升配额 一个用户在单个区域内，单个VPC可关联的路由表数量 不同用户根据其账户类型和服务等级享有不同的默认资源配额。请在配额限制查看您的个人配额详情。 是 提交工单申请提升配额 一个用户在单个区域内，单个路由表可添加的路由数量 不同用户根据其账户类型和服务等级享有不同的默认资源配额。请在配额限制查看您的个人配额详情。 不支持修改 一个用户在单个区域可创建的安全组数量 不同用户根据其账户类型和服务等级享有不同的默认资源配额。请在配额限制查看您的个人配额详情。 是 提交工单申请提升配额 一个用户在单个区域可添加的安全组规则数量 不同用户根据其账户类型和服务等级享有不同的默认资源配额。请在配额限制查看您的个人配额详情。 是 提交工单申请提升配额 一个用户在单个区域可创建的网络ACL数量 不同用户根据其账户类型和服务等级享有不同的默认资源配额。请在配额限制查看您的个人配额详情。 是 提交工单申请提升配额 一个用户在单个区域可创建的IP地址组数量 不同用户根据其账户类型和服务等级享有不同的默认资源配额。请在配额限制查看您的个人配额详情。 是 提交工单申请提升配额 一个用户在单个区域可创建的对等连接数量 不同用户根据其账户类型和服务等级享有不同的默认资源配额。请在配额限制查看您的个人配额详情。 不支持修改 一个用户在单个区域可创建的VPC流日志数量 不同用户根据其账户类型和服务等级享有不同的默认资源配额。请在配额限制查看您的个人配额详情。 不支持修改 一个用户在单个区域可创建的镜像会话数量 不同用户根据其账户类型和服务等级享有不同的默认资源配额。请在配额限制查看您的个人配额详情。 不支持修改

虚拟私有云简介 虚拟私有云（Virtual Private Cloud，VPC）是您在云上的私有网络，为云服务器、云容器、云数据库等云上资源构建隔离、私密的虚拟网络环境。VPC丰富的功能帮助您灵活管理云上网络，包括创建子网、设置安全组和网络ACL、管理路由表等。此外，您可以通过弹性公网IP连通云内VPC和公网网络，通过云专线、虚拟专用网络等连通云内VPC和线下数据中心，构建混合云网络，灵活整合资源。 VPC使用网络虚拟化技术，通过链路冗余，分布式网关集群，多AZ部署等多种技术，保障网络的安全、稳定、高可用。