[浅谈]-NoSQL资料库怎麽选？

前言

NoSQL是目前在云端服务很常使用的一种型态的资料库，仅具备BASE原则。然而在市场上有许多种类的NoSQL，如MongoDB、Redis、HBase...等，本文章则从Scalability、Sharding、Replication的角度切入，并同时带入CAP理论进行分类。

NoSQL v.s RDBMS

[关联式资料库(RDBMS)]:
是目前很常用的资料库，完全遵守ACID原则，在任何情况下(A)都可保持每个Transaction不成功则roll back、(C)资料一致性、 (I)读写不互相干扰、 (D)数据永久性。

然而它只支援垂之扩充，若要应用在大量的资料的时候，就只能透过硬体的升级，如cpu 升级、使用NAS、SAN扩充硬碟资源等。

A: Atomicity, C: consistency, I: Isolation, D: duration

[非关联式资料库(NoSQL)]:
是目前在云端服务很常使用的一种型态的资料库。仅具备BASE原则，(BA)只保证一定的可用性，(S)不保证在同时有读写时资料是一致的，(E)资料最终一致的特性。

但具备水平扩充、垂直扩充。换句话说只要同步的增加主机数量，NoSQL能力就会成比例上升，或者直接升级单一资料库的效能能达到效果。

BA: Basically Available, S: Soft-state, E: Eventually consistent.

[NoSQL v.s RDBMS 使用场景]:

• RDBMS因具备ACID特性，若需要确保资料在任何情况下都稳定的场景就比较推荐。
• NoSQL比较适合用在云端服务上，或者对於资料的稳定性不这麽高的使用场景。因为具备水平扩充，因此不会有single failed的问题、扩充的成本相对垂直扩充低。

1. [NoSQL 分类]- 以资料型态分类

主要分为三种，key-value、wide-column、documents的资料型态:

• key-value:

  在做简单的Query会比较快，但如果是复杂的Query就不怎麽方便

  ex: Redis DB

• document:

  也是一种key-value store，只是限制value 的结构为semi-structure，像是JSON等。ex: MongoDB

• wide-column:

  透过多个raw、column进行存取，将要的资料拆解成小资料，然後进行组合。最後可以透过column key 或者row key 进行关联搜索。好处是有效的压缩资料以及取用同一等级的资料集相当方便。

2. [NoSQL 分类]- CAP (Consistency, Availability, Partition Tolerance)

Consistency: 读写都会遵循Atomicity原则，Availability: 在non-failing node的时候 Client 读、写都能正常运行，Partition Tolerance: 在cluster 状态下，node 之间的网路不稳的状态下，还能够维持availability。

从上述CAP中，一般资料库不可能同时达到，因为在Available的情况下，Consistency与Partition Tolerance是互相矛盾的。(cluster node不能互相沟通时，不能保证资料的一致性)，因此大致的分类有 AP、CA、CP:

• AP: 不管是在 single-node 或者是 cluster，只有要 node 可用就能持续运作
• CA: 在没有任何的例外下，都是可用并保证资料的一致性。
• CP: 在 node 之前不稳定的时候不接受 request。

3. [NoSQL 分类]- Sharding

传统的RDBMS依赖 shard-disk 架构增加data repository的容量，NoSQL则是可透过 Sharding 技术做到。主要有分三种: Ranged Sharding、Hash Sharding、Entity group Sharding方式。

• Ranged Sharding:

  主要是利用编号的方式进行分群，如下图当x>20的时候，分配给shard C。

• Hash Sharding:

  透过 Hash 的方式进行分群，分布起来会比较均匀。Ranged Sharding 则有可能会有分布不均的问题。

  -> Consistent Hashing: 使得每一个chunk 存资料的机率都一样。

• Entity Group Sharding:

  将有关联的栏位做Sharding，这样一来在搜寻上、资料一致性上都会来的更有保障。

4. [NoSQL 分类]- Replication

在大型应用场景域中，几乎会遇到各种装置在已知例外、未知例外的情况下导致节点失灵的问题，然而Replication就是属於用於解决问题的解法。透过将资料备份的方式使得即使失灵，也不影响运作。

• Master and Slave: 当client将资料注入Master 资料库，然而Master 会自动透过Replication，将slave更新。

• Multi-master Replication: 类似Master and Slave 的方式，Master 主机同时也是slave角色，当其中一台Master 更新的时候，其他Slave也会同时更新。

Replication 的动作可分成 Eager (sync)、Lazy(async)：

• Eager Replication: 在同步下，当资料注入的时候，全部的node 都会具备相同的资料，但缺点是在效能上必须有所牺牲。
• Lazy Replication: 在非同步下则是透过被动的方式，在一段时间後才会同步完成。

5. [NoSQL 比较表]

6. 常见资料库推荐与适合场域

下图为文献中的分类表[1]，给出不同的需求而所适用的资料库。从Query 的角度分类，[(左)搜寻速度快、(右)复杂的搜寻]，进而对於抓取资料的大小、容量(volume)进行分类，最後则是以资料库的特性进行分类。

专有名词:

1. Unbounded: 指的是在分散式架构中，可搜寻的容量为无限
2. HDD-Size: 之的是在single node 情况下，可搜寻的容量为硬碟容量
3. Ad-hoc: 即时查询，如sql中的 select ..from aDB where [condictions..]
4. Analytics: 只的是在query 的时候可具备资料分析的能力
5. OLTP((online transaction processing): 网路交易process

参考资料

[1] Gessert, Felix, et al. “NoSQL database systems: a survey and decision guidance.” Computer Science-Research and Development 32.3 (2017): 353–365.
[2] https://docs.mongodb.com/manual/core/ranged-sharding/
[3] https://docs.mongodb.com/manual/core/hashed-sharding/
[4] https://medium.com/@jeeyoungk/how-sharding-works-b4dec46b3f6
[5] https://galeracluster.com/library/documentation/tech-desc-introduction.html
[6] https://stackoverflow.com/questions/2460954/what-is-ad-hoc-query