数据仓储

参考资料

http://db.csail.mit.edu/madden/high_perf.pdf

  

  

三种常用的并发模型

• 共享内存(share-memory)
• 共享硬盘(share-disks)
• 无共享(share-nothing)

  

共享内存（例如SMP）的系统中，多个CPU共享一个内存系统和一组硬盘。优点是编程简单，不需要实现复杂的分布式锁/提交协议。但扩展性受限：memory bus将成性能瓶颈、复杂的CPU的L2 Cache一致性算法。所以，CPU核数一般不会太大.

  

共享硬盘的系统中，每个处理结点有自己的内存，但是共享存储，如通过SAN（Storage Area Network）或 NAS(Network attached storage)。共享硬盘有共享内存系统类似的扩展性限制：网络带宽；另外，因为没有共享内存，所以必须实现复杂的分布式锁和提交协议以保证一致性（基于消息/message，网络开销）。

  

为了提高共享硬盘系统的性能，有些厂商实现了共享缓存（share-cache）的设计，访问数据的步骤

• 首先检查本地缓存池
• 如果没有，检查集群中其他节点的缓存池
• 如果没有，访问硬盘

    

这种系统设计，对OLTP场景工作良好，但是对于OLAP/数据仓储不太适用。OLAP/数据仓储的访问模式是顺序扫描，cache命中率低而导致1、2步不必要的开销。

  

在无共享（shar-nonthing)系统中，每个处理器都有自己的内存和硬盘。数据被垂直划分到各个节点，每个节点处理自己的数据（包括锁的维护、buffer pool）。无共享集群可以有廉价的普通PC组成。但是做设计数据关联时，依然会有分布式锁、提交协议、网络的性能开销，所以数据划分很重要，以使得各节点尽量独立而减少依赖。

  

  

数据仓储中普遍用的技术

• 列式存储
  • OLAP业务一般读取几个字段，而不是整行
  • 列式存储中列数据顺序存放，IO效率高
  • 列式存储，方便数据压缩（同一列的数据类型相同）
• 压缩