DDIA-一

文章目录
数据系统
可靠性
可扩展性
可维护性
数据模型和查询语言
数据模型
查询语言
数据存储和检索
数据结构
LSM树
CSV+内存hash表
LSM-Tree
B树
存储引擎
分析模式
列式存储
数据编码和演化
数据编码格式
语言特定格式
文本格式
二进制格式
数据流模式
基于数据库
基于服务
基于消息传递
数据系统
可靠性
定义：
执行用户期望的功能。
容忍用户不正当的使用方法。
性能可以符合预期的用例、负载、数据量。
防止未经授权的访问和滥用。
硬件故障。
硬件冗余。
软件故障。节点软件关联，影响范围广。
监控，进程隔离等。
人为失误。
减少操作、测试环境演练、应急预案。
可扩展性
定义：
描述应对系统负载增长的能力。
描述负载。QPS等。
twitter粉丝数量剧增，读时查询->写时推送。
描述性能。rt（实时，avg+999）、吞吐量（离线）等。
应对负载的方式。
水平扩展。无状态服务水平扩展容易。
垂直扩展。
可维护性
可运维性。监控等。
简单性。抽象等简化复杂度，易于理解。
可演化性。易于改变，方便扩展功能。
数据模型和查询语言
数据模型
文档模型。适合一个文档和其他文档关联很少的场景。
较好的模式灵活性。不强制执行模式，数据可同时包含新旧模式，增加字段较方便。
较好的局部性。适合同时访问文档大部分内容的场景。
关系模型。适合联结，描述一对多、多对一、多对多关系。
数据规范化。
各种id，对人无意义，所以不需要变更。
图模型。适合所有用例都可能产生多对多关系的场景。参考：图数据库入门
属性图。顶点包含出入边，联结范围可预知。
Ciper。
三元组。
SPARQL。
查询语言
声明式。分层思想，使用方便，隐藏实现细节，可无感知升级。
js选择器
命令式。
js DOM
数据存储和检索
数据结构
实现的问题和应对方案。
追加    更新
删除记录    墓碑记录，合并时丢弃记录    直接删除
崩溃恢复    WAL    REDO
部分写入    校验码发现损坏数据    double write
并发控制    单个写线程顺序追加文件，多个线程读取    锁+MVCC
LSM树
日志追加流派。
对比B树优点：
写入吞吐大。
写放大低。无需额外的I/O处理部分更新。
一批数据顺序写入SSTable文件，不需要写入树的多个页。
存储碎片少。定期合并回收碎片，B树页不一定能用完。
CSV+内存hash表
CSV追加操作，定期合并，hash表指向key在CSV的offset。
优点：
追加和合并都是顺序写，快于随机写。
追加式崩溃时无需担心部分写失效。
缺点：
hash适合内存查找，量大之后磁盘查找效率低。
hash区间查找效率不高。
适合场景：key不多，更新频繁。
LSM-Tree
SSTable(排序的k-v对)+内存稀疏索引。
相对csv+hash优点：
合并高效。文件大于内存空间时可用外部排序。
内存占用少。稀疏索引指向文件分片。
区间查找效率高。同文件分片一次I/O。
查询不存在的数据，需要遍历相关的历史文件，可用布隆过滤器优化。
LSM存储引擎：基于合并和压缩排序文件原理的存储引擎

B树
原地更新流派。
对比LSM树优点：
读效率高。一个key对应一个索引位置，LSM树需要访问多个段相同key的记录。
支持事务。key单副本通过加锁等可支持。
读写干扰小。没有压缩这类耗资源的干扰操作。
优化：
临近叶子节点指针相连，方便顺序查找。B+树。
存储引擎
OLTP    OLAP
读写    随机读写    批处理或流导入，批量读取
场景    BC端应用    内部分析
表征数据    最新数据    历史所有数据
瓶颈    rt，磁盘寻道时间    吞吐量，磁盘带宽
分析模式
星型模式：事实表外键关联维度表。
列式存储
分析效率高。对于宽的事实表，每个列存在一起，按需查找需要的列。
适合压缩。
值重复度高的可以用位图编码。
数据编码和演化
数据编码格式
编码需要保持双向兼容性。这样可以允许系统独立滚动升级。
向后兼容。新代码读取老代码编写的数据。
向前兼容。老代码读取新代码编写的数据。
语言特定格式
java：jdk序列化，kryo等。
优点：使用方便。
缺点：
集成困难。限制于使用的语言。
安全问题。解码过程需要实例化任意的类，即可执行任意代码。
兼容问题。为了快速简单编码数据，忽略向前向后兼容。
如jdk序列化不指定serialVersionUID则无法向后兼容。
kryo不支持向后兼容。
效率低。jdk编码慢、占空间。
文本格式
Json,xml,csv等。
优点：可读性强。
缺点：
数字编码模糊。
xml和csv不区分数字和字符串。
Json区分数字和字符，但是不区分整数和浮点数，不指定精度，2^53以上的长整数(十进制16位)会失真。
不支持二进制字符串。需要Base64编码，增加1/3空间。
二进制格式
基于模式，protocal Buffers等。
优点：
编码紧凑。
可根据模式校验前后兼容性。
protocal Buffers根据字段标签和数据类型校验模式的演化。
缺点：
无可读性。
数据流模式
基于数据库
对于旧模式数据。
重写或迁移成新模式。mysql alter table，赋予列默认值。
前后兼容。如对于hbase新增列
旧模式代码忽略新列。
新模式代码默认旧模式中的新列为null。
注意旧模式代码更新新模式数据，有可能丢失新模式中的新列。

归档数据不可变，可考虑紧凑的无演化编码（avro）或分析友好的列存储。
基于服务
网络服务。
REST理念。基于HTTP原则，URL标识资源。
RPC将远程请求模拟成本地方法。
由于网络原因，执行时间长、请求结果不可预测，如果重试需要保证幂等性。
大对象序列化可能有问题。
c/s如果跨语言存在兼容问题。如js的长整数。
基于消息传递
消息代理。如Kafka
异步。提高可用性、减少rt，削峰。
发布。一对多发布。
分布式 Actor框架 。如Akka, Erlang OTP。
集成消息代理和单进程中的Actor编程模型。
————————————————
版权声明：本文为CSDN博主「娟宝宝萌萌哒」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_40369829/article/details/105079136