人工智能大模型加速数据库存储模型发展 行列混合存储下的破局

数据存储模型

​专栏内容：

• postgresql内核源码分析
• 手写数据库toadb
• 并发编程
• toadb开源库

个人主页：我的主页
座右铭：天行健，君子以自强不息；地势坤，君子以厚德载物.

概述

在数据库的发展过程中，关系型数据库是一个里程碑式的阶段，现在关系型数据仍然占据着重要地位。
在关系型数据中，每张表都是一个关系，每行数据就是关系的一条记录，在存储时每行数据存储在连续的位置，行与行也是连续存放；
这样方便一次能拿到一整条记录。

处理业务类型

随着互联网的兴起，存储容量的提升和计算能力的飞越，我们的生活中不断增加了越来越多的被智能设备，产生了无尽的信息。
这样的信息规模已经超越了某一单体的能力限制，它们被不断分类，对于数据库处理模型，常常分为：

• 在线事务处理模型(OLTP), 主要以事务一致性，关系型数据为主；
• 在线分析处理模型(OLAP), 主要以分析统计为主，更多的是从大量数据中提取某几个维度的数据；

但是这样的划分，还远远不能满足信息爆炸带来的需求，它不是非黑即白的界线明晰的分类，还有大量同时存在OLTP和OLAP的特点的数据和业务，此时就需要一种混合性数据库存储模型。

数据存储模型原理

是什么

通过SQL插入的数据，在数据库中实际也是要存到磁盘上的，此时还要考虑我们写入的效率，读取的效率，如何产生的IO次数更少，那以什么格式组织这些数据，才能达到这样的目标呢？

我们使用的文件系统，都是以块为单位进行读写物理存储设备，常用的块大小有2k, 4k等；那么数据库为了提升性能，也选择以块为单位来组织数据，每次按块进行读写数据文件。
每个数据块内又分为：块头信息域，数据域的起始偏移，数据域，在数据域中按逻辑表的行进行连续存储。

当然行数据，又分为定长或变长两种不同的组织方式；定长，就是每种数据类型固定了长度，这样一行数据的长度也是确定的；变长类型，就是像字符，文本等长度是可变的，那么存储时需要记录长度。
它们最大的区别在于更新时，定长是可以直接覆盖更新的，而变长就需要追加更新。

为什么存储模型这么重要

因为我们的存储到数据库中的数据都是持久化到磁盘中，当我们查询时，再从磁盘中读出，
虽然我们数据库和操作系统层面都已经做了缓存，当数据量大时还是会产生大量的磁盘IO，而且数据库大多数情况下都是随机访问，缓存并不保证全部命中。

相较与内存速度来讲，磁盘速度是极底的，但是内存往往是有限的，所以存储模型至关重要，通过将随机写转换为顺序写，少的IO就可以精确找到数据，减少遍历，这些都可以做到减少IO次数，提升性能。

数据存储模型类型

NSM模型

故名思义，就是按行数据排列的数组形式， 数据的物理结构和他们的逻辑结构是一样的，也就是我们常说的行存储模型，这也是大多数关系型数据库采用的存储模型。

物理存储结构

磁盘是由一个一个数据块组成的，因此连续的数据也分在了连续的数据块。
每个数据块中又分块头信息，记录块中数据的起始偏移，每行数据分为 行的数据偏移item，从块头后面连续存储， 以及真正的行数据，它从块的末尾开始向头部方向连续存储，这是为了方便空闲空间的管理。

表数据与物理存储结构对应 如下图所示 ：

应用场景

• 它的优势在于对关联数据的查询非常快，比如根据身份证号就可以一次读出姓名，住址等一系列信息。 在此基础上对于复杂的嵌套join就非常有优势，因为它的各列数据都在一起。

不适合场景

• 对于只查找部分列属性数据的业务，就会增加IO的成本，它需要全行数据的读出。对于按3NF设计，还是一张大宽表，都避免不了缓存效率的降低。

DSM模型

分解的存储模型，也就是将一行中的各字段存储到不同的数据单元中，当需要某列数据时，只从磁盘加载部分数据，如果需要整行数据，那就加载全量数据，然后进行行组装。

可以是每一列都分别存储，也可以根据业务需要不规则的划分，比如有三列经常会相时查询，那这三列可以一起存储，剩余的列分别存储。

物理存储结构

常见的格式有：

• PAX
• RCFile(record columnar file)
• Apache ORC
• Parquet (An Open Columnar Storage for Hadoop)

它们中更多偏向分析型列式存储，可以处理大量的时序，流式数据，也有一些偏向于行列的混合型，每种格式都有成熟的产品应用。

应用场景

它们的场景更多偏向分析型，如hdoop系列的，使用ORC, Parquet。

混合型数据存储模型

为了综合以上NSM和DSM各自的优势，互补长短，目前一些数据库已经采用了一些混合的存储模型。

常见混合模型实践

• 数据冗余型

在存储数据时，干脆两种格式同时进行存储，一种按行进行存储，一种按列分别存储，这样避免了转换带的复杂度，用空间来换取性能；在优化引擎中可以选择更适合的路径；

• 数据转换型

因为行存必须带来IO的放大，也以实际存储采用列式存储，在使用时进行组装成逻辑行数据；这种模型的难点在于，如何准确的找到逻辑行中的各字段，大多都采用PAX中提到的分组的方式。

难点

在大数据处理中，已经不局限于关系型数据，更多的是非关系型，如文本，json数据，如何将它们转换成列数据，可以快速查找，这将是混合型存储模型面临的一项挑战。

最近兴起的向量数据量，向量与大模型维度是对应的，底层数据库存储就需要将各类型数据进行分别存储。

结尾

非常感谢大家的支持，在浏览的同时别忘了留下您宝贵的评论，如果觉得值得鼓励，请点赞，收藏，我会更加努力！

作者邮箱：study@senllang.onaliyun.com
如有错误或者疏漏欢迎指出，互相学习。

注：未经同意，不得转载！