数据湖的一体化设计表现在哪些方面？

指数据处理的代码可以同时适用于流式和批量的方式执行。这样可以降低开发成本，同时保证流批的任务代码逻辑一致性。在流批一体架构中，全链路支持批量和实时 ETL 计算。在数据仓库的各分层中，企业可以采用批量计算来保证小时级和天级的处理能力，同时利用实时计算来保证分钟级的数据处理能力。通过数据的统一处理，企业可以实现分钟级的数据可见性，并确保数据的一致性，避免批处理和流处理数据结果的不一致性。

用增量计算模式统一流、批和交互三种计算形态(增量物化视图)。

指流式计算和批量计算可以由同一个计算引擎完成。例如，Apache Flink 和 Apache Spark 都支持流批一体的数据处理。这种方式可以降低架构复杂度，降低开发者的使用门槛。

实现大通用的存储，是可以适应面向写入Throughput和查询高性能的两个维度进行优化。
数据存储支撑多种更新模型（Copy-on-write 、 Merge-on-read、 Merge-on-write多种模式），通过 Compaction 达到效率和成本的平衡。
实现数据的开放性，最终把数据的表达变成标准化的开源Iceberg/paimon存储格式，使得其它的引擎或者平台可以很方便地对接起来。

一套技术架构产品来支持多种业务场景，需要满足以下：一体化架构、存算分离、事务和数据一致性、全数据类型，灵活统一元数据管理，提供serverless态服务、持按需付费...