[论文解读] NoSQL Databases: Yearning for Disambiguation

Chaimae Asaad, Karim Bäına+1 more|arXiv (Cornell University)|Mar 9, 2020

Cloud Computing and Resource Management参考文献 22被引用 4

一句话总结

本文通过对数据模型对NoSQL数据库进行全面调查与分类，基准测试关键系统，并识别出主要概念模糊之处——如CAP定理的解释、多模型与多语言持久化之间的区别，以及列族数据库与列式数据库的差异——提供了清晰的定义以统一研究与工业界的理解。

ABSTRACT

The demanding requirements of the new Big Data intensive era raised the need for flexible storage systems capable of handling huge volumes of unstructured data and of tackling the challenges that traditional databases were facing. NoSQL Databases, in their heterogeneity, are a powerful and diverse set of databases tailored to specific industrial and business needs. However, the lack of theoretical background creates a lack of consensus even among experts about many NoSQL concepts, leading to ambiguity and confusion. In this paper, we present a survey of NoSQL databases and their classification by data model type. We also conduct a benchmark in order to compare different NoSQL databases and distinguish their characteristics. Additionally, we present the major areas of ambiguity and confusion around NoSQL databases and their related concepts, and attempt to disambiguate them.

研究动机与目标

• 解决NoSQL数据库研究中理论基础薄弱和缺乏共识的问题，该问题导致专家和从业者普遍困惑。
• 澄清NoSQL术语与概念中的基本模糊之处，如CAP定理的解释、图数据库的作用，以及列族数据库与列式数据库之间的区别。
• 基于数据模型（键值、文档、列族、图）对NoSQL数据库进行系统性分类，以提升概念清晰度。
• 对代表性NoSQL系统进行基准测试，比较其在真实环境下的特性、一致性模型及性能权衡。
• 通过解决长期存在的误解，促进NoSQL设计方法在研究与工业界中的标准化与统一化。

提出的方法

• 对NoSQL数据库进行全面调查，根据其底层数据模型和架构特性进行分类。
• 对主流NoSQL数据库进行对比基准测试，评估其在不同一致性和可用性条件下的行为。
• 分析CAP定理在NoSQL系统中的应用，特别关注一致性、可用性和分区容错性之间的权衡。
• 考察并对比相关概念，如多模型数据库与多语言持久化，明确其技术差异和适用场景。
• 调查并解决常见误解，包括列族数据库与列式数据库之间的混淆，以及CAP定理的误用。
• 利用网络分区下系统行为的实证发现，评估一致性模型，并基于用例指导系统选型。

实验结果

研究问题

• RQ1 NoSQL数据库中的主要概念模糊来源是什么？它们如何阻碍共识与标准化？
• RQ2 不同NoSQL数据库族（键值、文档、列族、图）在数据模型、可扩展性及一致性保证方面有何差异？
• RQ3 CAP定理及一致性模型（如最终一致性与强一致性）在多大程度上影响NoSQL系统的架构设计与选型？
• RQ4 多模型数据库与多语言持久化架构有何不同？这对系统设计与数据建模有何影响？
• RQ5 在发生网络分区的情况下，主流NoSQL数据库（如MongoDB、Cassandra和Redis）之间的关键性能与可靠性权衡是什么？

主要发现

• 尽管存在常见误解，CAP定理仍是分布式数据库设计中关键且有效的框架；它突显了在网络分区期间一致性与可用性之间的固有权衡。
• MongoDB在故障条件下表现出更强的一致性保证，适用于对数据完整性要求较高的应用场景，而Cassandra则在高可用性和容错性方面表现卓越。
• Redis集群在发生网络分区时无法保证写入持久性，因为若主节点在复制完成前发生故障，可能导致数据丢失，这凸显了在某些配置下最终一致性机制的局限性。
• 列族数据库（如Cassandra）与列式数据库（如数据仓库系统）之间的区别常被误解；前者针对分布式、高吞吐量工作负载进行了优化，而后者则专为结构化数据的分析查询而设计。
• 多模型数据库（在单一存储引擎中支持多种数据模型）与多语言持久化（使用多个独立的数据存储）在本质上不同，前者提供了更好的集成性与更低的复杂度。
• 由于缺乏稳定理论基础和标准化术语，导致了广泛的概念混淆，尤其是在‘无模式’、‘NoSQL’和‘ACID属性’等核心概念上，这阻碍了研究与工业界的采纳。