数据库表是一组行/记录。然而,这些行并不是以表的形式物理存储的,它们存储在块上的数据页中。要在这些数据页中找到特定记录需要扫描多个文件。为了改进这一点,我们创建索引。索引是小型的引用表,用于根据索引值存储对行的引用。
索引是一种使数据检索更快的数据库对象。 但是,索引的创建也需要时间,并且会占用额外的空间。因此,在选择正确的索引创建策略时,我们必须审慎选择。
RUM猜想
类似于CAP定理,RUM猜想指出 —— 我们无法设计一个存储系统的访问方法,使其在以下三个方面都最优:
读、更新和内存。
读取、更新、内存 — 以两者优化为代价的第三者。
读取开销: 定义为总读取数据量(主要 + 辅助)与预期读取的主要数据量之间的比率。通过读取放大来衡量。
更新开销: 定义为总写入数据量(主要 + 辅助)与预期更新的主要数据量之间的比率。通过写入放大来衡量。
根据上图中的读取和写入模式,数据库将分为以下5类:
?平衡 — 读取和写入均匀分布。很少发生。?读取优化 — 写入较少,读取较多(分析工作负载)?写入优化 — 写入较多,读取较少(事务工作负载)?热分区读取 — 来自某些数据部分的读取较多?热分区写入 — 向某些部分的写入较多
索引类型
无索引
实现:Kafka(可以看作纯粹是WAL)、数据仓库
主键索引
主键 = 分区键 + (可选)排序键
?分区键 = “什么节点”?排序键 = 满足唯一性约束的剩余内容
有各种分区策略,其中一些如下:
?哈希分区(也称为“一致性哈希”)?范围分区?随机数
聚簇索引 — 物理数据组织
非聚簇索引 — 逻辑组织
KV存储(哈希表)
?哈希分区在这里非常有意义?只能在RAM中进行,这就是为什么我们在PostgreSQL等数据库中看不到它?实现:Memcache、Redis
B树 — 读取优化
?实现:DynamoDB、PostgreSQL?变体:Bw-tree 等(查看 Alex Petrov 的《Database Internals》)?它是许多数据库中的默认索引。
位图索引
用于OLAP的读取和内存优化。
LSM树 — 写入优化
?实现:Cassandra、Spanner
二级索引 — 更多读取优化
?本地二级索引 — 这是“默认”/“正常”的二级索引?全局二级索引 – 可能对于读取重型的键范围查询和无法避免的散列收集最有意义?实现:DynamoDB,可能是Spanner
多维索引
?连接索引?R树(实现:PostgreSQL)?四叉树(实现:Elasticsearch)?地理哈希(实现:Redis)
倒排索引
?实现:ElasticSearch、PostgreSQL、Redis?示例场景:Twitter 等社交媒体站点的文本搜索,google.com,GitHub
跳跃表
?实现:Redis(仅)?示例场景:游戏排行榜
向量索引
?实现:Pinecone、Facebook 的 Faiss、PlanetScale 的 MySQL 分支、Redis?示例场景:机器学习问题
数据立方体和物化视图
?实现:数据仓库,支持OLAP的数据库
Count-min sketch
?就RUM而言,以极端OLAP读取延迟为代价换取精度?实现:Flink、AWS Firehose、Druid、Spark streams、Redis
对于分布式系统,还有其他有趣的权衡。其中之一是PACELC,它说:如果是分区,选择可用性和一致性之间的折衷,否则选择延迟和一致性之间的折衷。有许多级别的一致性可供折衷选择(以及隔离级别)。
一致性级别
?强一致性?最终一致性?一致前缀?单调读取
原创文章,作者:小技术君,如若转载,请注明出处:https://www.sudun.com/ask/33999.html