使用客户端设备的实时日志作为事件源，我们可以得出测量值，以了解和量化用户设备如何无缝地处理浏览和回放。
一旦有了这些度量，就将它们输入数据库。每项措施均标有关于所用设备种类的匿名详细信息，例如，设备是智能电视，iPad还是Android手机。这使我们能够根据各个方面对设备进行分类并查看数据。反过来，这又使我们能够隔离仅影响特定人群的问题，例如应用程序的版本，特定类型的设备或特定国家/地区。
可以通过仪表板或临时查询立即使用此聚合数据进行查询。还会连续检查指标是否有警报信号，例如新版本是否正在影响某些用户或设备的播放或浏览。这些检查用于警告负责的团队，他们可以尽快解决该问题。
由于这些数据每秒可处理超过200万个事件，因此将其放入可以快速查询的数据库是非常艰巨的。我们需要足够的维数以使数据在隔离问题中很有用，因此，我们每天产生超过1150亿行。在Netflix，我们利用Apache Druid来帮助我们应对这一挑战。
Apache Druid是一个高性能的实时分析数据库。它是为真正需要快速查询和摄取的工作流而设计的。Druid在即时数据可见性，即席查询，运营分析和处理高并发方面表现出色。
因此，Druid非常适合我们的用例。事件数据的摄取率高，具有高基数和快速查询要求。
Druid不是关系数据库，但是某些概念是可移植的。我们有数据源，而不是表。与关系数据库一样，这些是表示为列的数据的逻辑分组。与关系数据库不同，没有连接的概念。因此，我们需要确保每个数据源中都包含我们要过滤或分组依据的任何列。
数据源中主要有三类列-时间，维度和指标。
Druid中的一切都取决于时间。每个数据源都有一个timestamp列，它是主要的分区机制。维度是可用于过滤，查询或分组依据的值。指标是可以汇总的值，几乎总是数字。
通过消除执行联接的能力，并假设数据由时间戳作为键，Druid可以对存储，分配和查询数据的方式进行一些优化，从而使我们能够将数据源扩展到数万亿行，并且仍然可以实现查询响应时间在十毫秒内。
为了达到这种级别的可伸缩性，Druid将存储的数据分为多个时间块。时间块的持续时间是可配置的。可以根据您的数据和用例选择适当的持续时间。
具体细节点击标题见原文。