隨著應(yīng)用程序處理的數(shù)據(jù)量不斷增長，擴展存儲變得愈發(fā)具有挑戰(zhàn)性。每個數(shù)據(jù)庫系統(tǒng)都有自己的方案。為了從這些方案中做出正確的選擇，了解它們是至關(guān)重要的。

[[279239]]

每個應(yīng)用程序在讀寫負(fù)載平衡、一致性、延遲和訪問模式方面各不相同。熟悉數(shù)據(jù)庫和底層存儲能幫助你進行架構(gòu)決策、解釋系統(tǒng)行為、排除故障以及根據(jù)具體情況調(diào)優(yōu)。

優(yōu)化一個系統(tǒng)不可能做到面面俱到。我們當(dāng)然希望有一個數(shù)據(jù)結(jié)構(gòu)既能保證最佳的讀寫性能，又不需要任何存儲開銷，但顯然，這是不存在的。

本文深入討論了大多數(shù)現(xiàn)代數(shù)據(jù)庫中使用的兩種存儲系統(tǒng)設(shè)計 —— 讀優(yōu)化 B-Tree [1] 和寫優(yōu)化 LSM(log-structured merge)-Tree [5] —— 并描述了它們的用例和優(yōu)缺權(quán)衡。

B-Tree

B-Tree 是一種流行的讀優(yōu)化索引數(shù)據(jù)結(jié)構(gòu)，是二叉樹的泛化。它有許多變種，并且被用于多種數(shù)據(jù)庫(包括 MySQL InnoDB [4]、PostgreSQL [7])甚至文件系統(tǒng)(HFS+ [8]、HTrees ext4 [9])。B-Tree 中的 B 代表原始數(shù)據(jù)結(jié)構(gòu)的作者 Bayer，或是他當(dāng)時就職的公司 Boeing。

在搜索二叉樹中，每個節(jié)點都有兩個孩子(稱為左右孩子)。左子樹的節(jié)點值小于當(dāng)前節(jié)點值，右子樹反之。為了保持樹的深度最小，搜索二叉樹必須是平衡的：當(dāng)隨機順序的值被添加到樹中時，如果不加調(diào)整，終會導(dǎo)致樹的傾斜。

一種平衡二叉樹的方法是所謂的旋轉(zhuǎn)：重新排列節(jié)點，將較深子樹的父節(jié)點向下推到其子節(jié)點下方，并將該子節(jié)點拉上來，將其放在原父節(jié)點的位置。圖 1 是平衡二叉樹中的旋轉(zhuǎn)示例。在左側(cè)添加節(jié)點 2 后，二叉樹失去平衡。為了使該樹平衡，將其以節(jié)點 3 為軸旋轉(zhuǎn)(樹圍繞它旋轉(zhuǎn))。然后節(jié)點 5(旋轉(zhuǎn)前是根節(jié)點和節(jié)點 3 的父節(jié)點)成為其子節(jié)點。旋轉(zhuǎn)完成后，左側(cè)子樹的深度減少 1，右側(cè)子樹的深度增加 1。樹的最大深度已經(jīng)減小。 

二叉樹是最有用的內(nèi)存數(shù)據(jù)結(jié)構(gòu)。然而由于平衡(保持所有子樹的深度最小)和低出度(每個節(jié)點最多兩個子節(jié)點)，它們在磁盤上水土不服。B-Tree 允許每個節(jié)點存儲兩個以上的指針，并通過將節(jié)點大小與頁面大小(例如，4 KB)進行匹配來與塊設(shè)備協(xié)同工作。今天的一些實現(xiàn)將使用更大的節(jié)點大小，跨越多個頁面。

B-Tree 有以下幾個性質(zhì)：

• 有序。這允許順序掃描并簡化查找。
• 自平衡。在插入和刪除時不需要平衡樹：當(dāng) B-Tree 節(jié)點已滿時，它被分成兩部分，并且當(dāng)相鄰節(jié)點的利用率低于某個閾值時，合并這兩個節(jié)點。這也意味著各葉子節(jié)點與根節(jié)點的距離相等，并且在查找過程中定位的步數(shù)是相同的。
• 對數(shù)級查找時間復(fù)雜度。查找時間是非常重要的，這使得 B-Tree 成為數(shù)據(jù)庫索引的理想選擇。
• 易變。插入、更新、刪除(包括因此導(dǎo)致的拆分和合并)過程在磁盤上進行。為了使就地更新成為可能，需要一定的空間開銷。B-Tree 可以作為聚集索引，實際數(shù)據(jù)存儲在葉子節(jié)點上，也可以作為非聚集索引，稱為一個堆文件。

本文討論的 B+Tree [3] 是一種經(jīng)常用于數(shù)據(jù)庫存儲的 B-Tree 現(xiàn)代變種。B+Tree 與原始 B-Tree [1] 的不同之處在于：(1)它采用額外鏈接的葉節(jié)點存儲值;(2)值不能存儲在內(nèi)部節(jié)點上。

剖析 B-Tree

我們先來仔細(xì)看看 B-Tree 的結(jié)構(gòu)，如圖 2 所示。B-Tree 的節(jié)點有幾種類型：根節(jié)點，內(nèi)部節(jié)點和葉子節(jié)點。根節(jié)點(頂部)是沒有雙親的節(jié)點(即，它不是任何節(jié)點的子節(jié)點)。內(nèi)部節(jié)點(中間)有雙親和孩子節(jié)點;他們將根節(jié)點和葉子節(jié)點連接起來。葉子節(jié)點(底部)持有數(shù)據(jù)并且沒有孩子節(jié)點。圖 2 描繪了分支因子為 4(4 個指針，內(nèi)部節(jié)點中有 3 個鍵，葉上有 4 個鍵/值對)的 B-Tree。 

B-Tree 的特性如下：

• 分支因子 —— 指向子節(jié)點的指針數(shù)(N)。除指針外，根節(jié)點和內(nèi)部節(jié)點還持有 N-1 個鍵。
• 利用率 —— 節(jié)點當(dāng)前持有的指向子節(jié)點的指針數(shù)量與可用最大值之比。例如，若某樹分支因子是 N，且其中某節(jié)點當(dāng)前持有 N/2 個指針，則該節(jié)點利用率為 50%。
• 高度 —— B-Tree 的數(shù)量級，表示在查找過程中必須經(jīng)過多少指針。

樹中的每個非葉節(jié)點最多可持有 N 個鍵(索引條目)，這些鍵將樹分為 N+1 個子樹，這些子樹可以通過相應(yīng)的指針定位。項 Ki 中的指針 i 指向某子樹，該子樹中包含所有 Ki-1 <= K目標(biāo) < Ki(其中 K 是一組鍵)的索引項。首尾指針是特殊的，它們指向的子樹中所有的項都小于等于最左子節(jié)點的 K0 或大于最右子節(jié)點的 KN-1。葉子節(jié)點同時持有其同級前后節(jié)點的指針，形成兄弟節(jié)點間的雙向鏈表。所有節(jié)點中的鍵總是有序的。

查找

進行查找時，將從根節(jié)點開始搜索，并經(jīng)過內(nèi)部節(jié)點遞歸向下到葉子節(jié)點層。在每層中，通過指向子節(jié)點的指針將搜索范圍縮小到某子樹(包含搜索目標(biāo)值的子樹)。圖 3 展示了 B-Tree 的一次從根到葉的搜索過程，指針在兩個鍵之間，其中一個大于(或等于)搜索目標(biāo)，另一個小于搜索目標(biāo)。進行點查詢時，搜索將在定位到葉子節(jié)點后完成。進行范圍掃描時，遍歷所找到的葉子節(jié)點的鍵和值，然后遍歷范圍內(nèi)的兄弟葉子節(jié)點。 

在復(fù)雜度方面，B-Tree 保證查詢的時間復(fù)雜度為 log(n)，因為查找一個節(jié)點中的鍵使用二分查找，如圖 4 所示。二進制搜索可以通俗的解釋為在字典中查找以某字母開頭的單詞，字典中所有單詞都按字母順序排序。首先你翻開正好在字典中間的一頁。如果要查找的單詞字母順序小于(在前面)當(dāng)前頁，你繼續(xù)在字典的左半邊查找;否則就繼續(xù)在右半邊查找。你繼續(xù)像這樣將剩余的頁碼范圍分為一半，選擇一邊，直到找到期望的字母。每一步都將搜索范圍減半，因此查找的時間復(fù)雜度為對數(shù)級。 B-Tree 節(jié)點上的鍵是有序的，且使用二分查找算法進行匹配，因此 B-Tree 的搜索復(fù)雜度是對數(shù)級的。這也說明了保持樹的高利用率和統(tǒng)一訪問的重要性。 

插入、更新、刪除

進行插入時，第一步是定位目標(biāo)葉子節(jié)點。此過程使用前序搜索算法。在定位目標(biāo)葉子節(jié)點后，鍵和值將被添加至該節(jié)點。如果該節(jié)點沒有足夠的可用空間，這種情況稱為溢出，則將葉子節(jié)點分割成兩部分。這是通過分配一個新的葉子節(jié)點，將一半元素移動到新節(jié)點并將一個指向這個新節(jié)點的指針添加到父節(jié)點來完成的。如果父節(jié)點沒有足夠的空間，則也會在父節(jié)點上進行分割。操作一直持續(xù)到根節(jié)點為止。當(dāng)根節(jié)點溢出時，其內(nèi)容在新分配的節(jié)點之間被分割，根節(jié)點本身被覆蓋以避免重定位。這也意味著樹(及其高度)總是通過分裂根節(jié)點而增長。

LSM-Tree

結(jié)構(gòu)化日志合并樹是一個不可變的基于磁盤的寫優(yōu)化數(shù)據(jù)結(jié)構(gòu)。它適用于寫入比查詢操作更頻繁的場景。LSM-Tree 已經(jīng)獲得了更多的關(guān)注，因為它可以避免隨機插入，更新和刪除。

剖析 LSM-Tree

為了允許連續(xù)寫入，LSM-Tree 在內(nèi)存中的表(通常使用支持查找的時間復(fù)雜度為對數(shù)級的數(shù)據(jù)結(jié)構(gòu)，例如二叉搜索樹或跳躍表)中批量寫入和更新，當(dāng)其大小達(dá)到閾值時將它寫在磁盤上(這個操作稱為刷新)。檢索數(shù)據(jù)時需要搜索樹所有磁盤中的部分，檢查內(nèi)存中的表，合并它們的內(nèi)容，然后再返回結(jié)果。圖 5 展示了 LSM-Tree 的結(jié)構(gòu)：用于寫入的基于內(nèi)存的表。只要內(nèi)存表體積達(dá)到一定程度，內(nèi)存表就會被寫入磁盤。進行讀取時，同時讀取磁盤和內(nèi)存表，通過一個合并操作來整合數(shù)據(jù)。 

有序串行表

因為 SSTable(有序串行表)的簡單性(易于寫入，搜索和讀取)與合并性能(合并期間，掃描源 SSTable，合并結(jié)果的寫入是順序的)，多數(shù)現(xiàn)代的 LSM-Tree 實現(xiàn)(例如 RocksDB 和 Apache Cassandra)都選用 SSTable 作為硬盤表。

SSTable 是一種基于硬盤的有序不可變的數(shù)據(jù)結(jié)構(gòu)。從結(jié)構(gòu)上來看，SSTable 可以分為兩部分：數(shù)據(jù)塊和索引塊，如圖 6 所示。數(shù)據(jù)塊包含以鍵為順序?qū)懭氲奈ㄒ绘I值對。索引塊包含映射到數(shù)據(jù)塊指針的鍵，指針指向?qū)嶋H記錄的位置。為了快速搜索，索引一般使用優(yōu)化的結(jié)構(gòu)實現(xiàn)，例如 B-Tree 或用于點查詢的哈希表。SSTable 中的每一個值都有一個時間戳與之對應(yīng)。時間戳記錄了插入、更新(這兩者一般不做區(qū)分)和刪除時間。 

SSTable 具有以下優(yōu)點：

• 通過查詢主鍵索引可以實現(xiàn)快速的點查詢(例如，通過鍵尋找值)。
• 只需要順序讀取數(shù)據(jù)塊上的鍵值對就可以實現(xiàn)掃描(例如，遍歷制定范圍內(nèi)的鍵值對)。

SSTable 代表一段時間內(nèi)所有數(shù)據(jù)庫操作的快照，因為 SSTable 是通過對內(nèi)存表的刷新操作創(chuàng)建的，該表充當(dāng)此時段內(nèi)對數(shù)據(jù)庫狀態(tài)的緩沖區(qū)。

查詢

檢索數(shù)據(jù)需要搜索硬盤上的所有 SSTable，檢查內(nèi)存表，并且合并它們的內(nèi)容后返回結(jié)果。要搜索的數(shù)據(jù)可以存儲在多個 SSTable 中，因此合并步驟是必須的。

合并步驟也是確保刪除和更新正常工作所必需的。在 LSM-Tree 中，通過插入占位符(通常稱為墓碑)來指定哪個鍵被標(biāo)記為刪除。同樣的，更新操作只是提交一個帶較晚時間戳的記錄。在讀取期間，被標(biāo)記刪除的記錄被跳過，不會返回給客戶端。更新操作與之類似：在具有相同鍵的兩個記錄中，只返回具有較晚時間戳的記錄。圖 7 展示了一次合并操作，用于對在不同表中存儲的同一個鍵的數(shù)據(jù)進行整合：如圖，Alex 記錄中時間戳是 100，隨后更新了新的電話，時間戳為 200;John 記錄被刪除。另外兩項沒有改變，因為它們沒有被覆蓋。 

為了減少搜索 SSTable ，防止為了查找某個鍵而搜索每個 SSTable，許多存儲系統(tǒng)采用一個被稱為布隆過濾器 [10] 的數(shù)據(jù)結(jié)構(gòu)。這是一個概率數(shù)據(jù)結(jié)構(gòu)，可用于測試某個元素是否屬于某集合。它有可能產(chǎn)生錯誤的肯定(即，判斷元素是集合的成員，但實際上并不是)，但不能產(chǎn)生錯誤的否定(即，如果返回否定結(jié)果，則元素一定不是集合的成員)。換句話說，布隆過濾器用于判斷鍵“可能在 SSTable 中”或“絕對不在 SSTable 中”。在搜索過程中，將會跳過布隆過濾器返回否定結(jié)果的 SSTable。

LSM-Tree 的維護

由于 SSTable 是不可變的，因此它們會按順序?qū)懭?，并且不存在用于修改的預(yù)留空白空間。這就意味著插入、更新或刪除操作將需要重寫整個文件。所有修改數(shù)據(jù)庫狀態(tài)的操作都在內(nèi)存表中“批處理”。隨著時間的推移，磁盤表的數(shù)量將增加(同一個鍵的數(shù)據(jù)位于幾個不同文件，同一記錄有多個不同的版本，被刪除的冗余記錄)，讀取操作的開銷將變得越來越大。

為了降低讀取開銷，整合被刪除記錄占用的空間并減少磁盤表的數(shù)量，LSM-Tree 需要一個壓縮操作，從磁盤讀取完整的 SSTable 并合并它們。由于 SSTable 是以鍵排序的，因此其壓縮工作和歸并排序類似，是非常高效的操作：從多個源有序序列中讀取記錄，進行合并后的輸出馬上追加到結(jié)果文件中，則結(jié)果文件也是有序的。歸并排序的一個優(yōu)點是，即使合并內(nèi)存吃不消的大文件，它依舊可以高效地工作。結(jié)果表保留了原始 SSTable 的順序。

在此過程中，被合并的 SSTable 被丟棄并替換為其“壓縮”后的版本，如圖 8 所示。壓縮多個 SSTable 并將它們合并為一個。某些數(shù)據(jù)庫系統(tǒng)在邏輯層面上按大小把不同的表分為不同級別，分組到相同的“級別”，并在特定級別的表足夠多時開始合并操作。壓縮后，SSTable 的數(shù)量減少，提高查詢效率。 

原子性與持久性

為了減少 I/O 操作并使它們順序執(zhí)行，無論是 B-Tree 還是 LSM-Tree 都在實際更新之前，先在內(nèi)存中進行批量操作。這意味著，在故障情況時，數(shù)據(jù)完整性、原子性(將一系列操作賦予原子性，將它們視為一個操作，要么全部執(zhí)行要么全不執(zhí)行)、持久性(當(dāng)進程崩潰或電源失效時，可以確保數(shù)據(jù)已經(jīng)到達(dá)持久性存儲設(shè)備)得不到保證。

為了解決這個問題，大多數(shù)現(xiàn)代存儲系統(tǒng)采用 WAL(預(yù)寫日志)。WAL 的核心思想是，所有數(shù)據(jù)庫狀態(tài)改變都先持久化進硬盤中的只追加日志中。如果進程在工作中崩潰，將會重映日志以確保沒有數(shù)據(jù)丟失且所有更改都滿足原子性。

在 B-Tree 中，使用 WAL 可以理解為僅在寫入操作被記錄后才將其寫入數(shù)據(jù)文件。通常，B-Tree 存儲系統(tǒng)的日志尺寸相對較?。褐灰獙⒏膽?yīng)用于持久存儲，它們就可以被棄用。WAL 還可以作為運行時操作的備份：任何未應(yīng)用于數(shù)據(jù)頁的更改都可以根據(jù)日志記錄重做。

在 LSM-Tree 中，WAL 用于保存處于內(nèi)存表但尚未完全刷新到磁盤上的更改。只要內(nèi)存表被刷新完畢并置換，便可以在新創(chuàng)建的 SSTable 中進行讀取操作，則 WAL 中從內(nèi)存表刷新到硬盤上的那部分更改就可以丟棄了。

總結(jié)

B-Tree 和 LSM-Tree 數(shù)據(jù)結(jié)構(gòu)最大的差異之一是它們優(yōu)化的目的以及優(yōu)化的效果。

我們來對比一下 B-Tree 和 LSM-Tree 之間的特性?？偟膩碚f，B-Tree 具有以下特性：

• 它是可變的，它允許通過一些空間開銷和更多的寫入路徑來進行就地更新，因而它不需要文件重寫或多源合并。
• 它是讀優(yōu)化的，這意味著它不需要從多個源數(shù)據(jù)中讀取(也不需要合并)，因而簡化了讀取路徑。
• 寫操作可能引起級聯(lián)節(jié)點分裂，這使得寫操作開銷較高。
• 它針對分頁環(huán)境(塊存儲)進行了優(yōu)化，杜絕了字節(jié)定位操作。
• 碎片化, 由頻繁更新造成的碎片化可能需要額外的維護和塊重寫。然而對 B-Tree 的維護一般要比 LSM-Tree 要少。
• 并發(fā)訪問讀寫隔離，這涉及鎖存器與鎖鏈。

LSM-Tree 具有以下特性：

• 它是不可變的。SSTable 一旦被寫入硬盤就不會再改變。壓縮操作被用于整合占用空間，刪除條目，合并在不同數(shù)據(jù)文件中的同鍵數(shù)據(jù)。作為壓縮操作的一部分，在成功合并后，源 SSTable 將被棄用并刪除。這種不可變性給我們帶來了另一個有用的特性，刷新后的表可以被并發(fā)訪問。
• 它是寫優(yōu)化的，這意味著寫入操作將進入緩沖，隨后順序刷新到硬盤上，可能支持基于硬盤的空間局部性。
• 讀取操作可能需要訪問多個數(shù)據(jù)源，因為在不同時間寫入的同一個鍵的數(shù)據(jù)有可能位于不同的數(shù)據(jù)文件中。必須經(jīng)過合并過程才能將記錄返回給客戶端。
• 需要維護 / 壓縮，因為緩沖中的寫入操作被刷新到硬盤上。

評估存儲系統(tǒng)

開發(fā)存儲系統(tǒng)總要面對類似的挑戰(zhàn)，考慮類似的因素。決定優(yōu)化方向會對結(jié)果產(chǎn)生很大影響。你可以在寫入過程中花費更多時間來布局結(jié)構(gòu)以實現(xiàn)更高效的讀取，為就地更新預(yù)留空間，也可以緩沖數(shù)據(jù)確保順序?qū)懭胍蕴岣邔懭胨俣?。但是，一次完成這一切是不可能的。理想中的存儲系統(tǒng)應(yīng)該具有最低的讀取成本，最低的寫入成本，并且沒有額外開銷。但實際上，數(shù)據(jù)結(jié)構(gòu)只能在多個因素之間權(quán)衡。理解這些取舍是重要的。

來自哈佛 DASlab(數(shù)據(jù)系統(tǒng)實驗室)的研究人員總結(jié)了數(shù)據(jù)庫系統(tǒng)優(yōu)化方向的關(guān)鍵三點：讀取開銷、更新開銷和內(nèi)存開銷(或簡稱為 RUM)。對于數(shù)據(jù)結(jié)構(gòu)、訪問方法、甚至適用于某些工作負(fù)載的選擇應(yīng)該了解哪些參數(shù)對你的用例最為重要，因為算法是針對特定用例量身定制的。

RUM 假說 [2] 為上述的兩種開銷設(shè)置了上限，同時為第三種設(shè)置了下限。例如，B-Tree 以提高寫入開銷、預(yù)留空間(同時也造成了內(nèi)存開銷)為代價進行讀優(yōu)化。LSM-Tree 以讀取時必須進行多硬盤表訪問的高讀取開銷換取低寫入開銷。在處于競爭三角形的三個參數(shù)中，一方面的改進可能就意味著另一方面的讓步。圖 9 對 RUM 假說進行了說明。 

B-Tree 優(yōu)化讀取性能：索引的布局方式可以最小化遍歷樹的磁盤訪問需求。通過訪問一個索引文件就可以定位數(shù)據(jù)。這是通過持續(xù)更新索引文件來實現(xiàn)的，但這也增加了由于節(jié)點拆分和合并，重定位以及碎片、不平衡相關(guān)的維護造成的額外寫入開銷。為了平穩(wěn)更新成本并減少分割次數(shù)，B-Tree 在所有級別的節(jié)點上都預(yù)留有額外的空間。這有助于在節(jié)點飽和之前延遲寫入開銷的增長。簡而言之，B-Tree 犧牲更新和內(nèi)存性能以獲得更好的讀取性能。

LSM-Tree 優(yōu)化寫入性能。無論是更新還是刪除都需要在磁盤上定位數(shù)據(jù)(B-Tree 也一樣)，并且它通過在內(nèi)存表中緩存所有插入，更新和刪除操作來保證順序?qū)懭搿＿@是以較高的維護成本和壓縮需求(這是唯一的緩解不斷增長的讀取開銷和減少磁盤表的數(shù)量的方式)和更高的讀取成本(因為數(shù)據(jù)必須從多個源讀取并合并)為代價的。同時，LSM-Tree 通過不保留任何預(yù)留空間來減少內(nèi)存開銷(不同于 B-Tree 節(jié)點，其平均利用率為 70%，包含就地更新所需的開銷)，因為更高的利用率和最終文件的不變性，LSM-Tree 支持塊壓縮。簡而言之，LSM-Tree 犧牲讀取性能，提高維護成本來獲得更好的寫入性能和更低的內(nèi)存占用。

有的數(shù)據(jù)結(jié)構(gòu)可針對每個期望的屬性進行優(yōu)化。使用自適應(yīng)數(shù)據(jù)結(jié)構(gòu)可以以更高維護成本獲得更好的讀取性能。添加有助于遍歷的元數(shù)據(jù)(如分散層疊)將會影響寫入時間并占用更多空間，但可以提高讀取性能。使用壓縮優(yōu)化內(nèi)存使用率(例如，Gorilla 壓縮 [6] 、delta 編碼等諸多算法)會增加一些開銷，用于在寫入時壓縮數(shù)據(jù)并在讀取時解壓縮數(shù)據(jù)。有時候，你可以犧牲功能來提高效率。例如，堆文件和散列索引由于文件格式簡單，可以保證很好的性能和較小的空間開銷，而作為代價，它們不支持除點查詢以外的其他功能。你還可以通過使用近似數(shù)據(jù)結(jié)構(gòu)(如布隆過濾器、HyperLogLog、Count-Min sketch 等)來為了空間與效率犧牲精度。

三種可變參數(shù) —— 讀取，更新和內(nèi)存開銷 —— 可以幫助你評估數(shù)據(jù)庫并深入了解最適合的工作負(fù)載。它們都非常直觀，將存儲系統(tǒng)按其分類很容易，猜測它是如何執(zhí)行的，然后通過大量測試驗證你的假設(shè)。

當(dāng)然，評估存儲系統(tǒng)時還有一些其他重要因素需要考慮，例如維護開銷，易用性，系統(tǒng)要求，頻繁增刪的適應(yīng)性，訪問模式等。RUM 假說只是幫助發(fā)展直觀感覺并提供初始方向的一條經(jīng)驗法則。了解你的工作部件是構(gòu)建可擴展后端的第一步。

一些因素可能因?qū)嵤┒?，甚至兩個使用類似存儲設(shè)計原則的數(shù)據(jù)庫可能會有不同表現(xiàn)。數(shù)據(jù)庫是包含許多可插拔模塊的復(fù)雜系統(tǒng)，是許多應(yīng)用程序的重要組成部分。這些信息將幫助你窺探數(shù)據(jù)庫的底層，并且了解底層數(shù)據(jù)結(jié)構(gòu)和其內(nèi)部行為之間的差異，從而決定哪個是最適合你的。