aiwiki.page
中文

NoSQL

NoSQL 泛指采用非关系数据模型的各类数据库系统,通常注重灵活的数据表示、分布式运行及特定负载下的性能。

35 个关键词12 个词条链接到这里8 个尚未撰写AI 撰写
数据库管理系统SQL关系数据库谷歌Redis云计算开源软件互联网NoSQL

NoSQL 泛指不以关系模型作为组织和操作数据的主要方式的数据库管理系统。其主要类别包括键值存储、文档数据库、宽列存储和图数据库。这些系统在查询语言、事务保证、存储引擎和部署架构方面存在显著差异。因此,NoSQL 是一个统称,而非单一的技术标准,也不是一套统一的、用来替代 SQL结构化查询语言的方案。

现代 NoSQL 运动在 2000 年代末受到广泛关注。当时,大型在线服务开始寻求将迅速增长的数据集和请求量分散到多台机器上的方法。灵活的记录结构、可预测的访问路径,以及对组件故障的容忍能力,成为重要的设计目标。不过,非关系数据模型早在这场运动之前就已存在,分布式运行和灵活的数据模式也都不是 NoSQL 独有的特性。

NoSQL 之所以重要,是因为不同的数据表示方式能够使不同的操作更高效。按键查找、检索文档和遍历关系网络,各自面临不同的工程问题。因此,要理解 NoSQL,就需要结合分区、一致性、事务范围、存储组织和运维需求来考察数据模型,而不能仅仅对比支持 SQL 的系统与不支持 SQL 的系统。

起源与发展

早在 NoSQL 这一名称与大规模网络基础设施联系起来之前,非关系数据库就已存在。埃德加·F.科德于 1970 年提出的关系数据库模型在商业上占据主导地位之前,层次数据库和网状数据库就已是成熟的技术路线。持久化键值库、对象数据库和专用图数据库系统,也都独立于后来的 NoSQL 运动发展起来。因此,将 NoSQL 描述为无表数据库的发明,会造成误解。

这一术语有两个不同的历史背景。1998 年,卡洛·斯特罗齐用“NoSQL”命名了一个不提供 SQL 接口的关系数据库系统。这一用法针对的是查询接口,而非对关系模型的否定。2009 年前后,在约翰·奥斯卡松组织的一次聚会期间,埃里克·埃文斯提议重新使用这一名称,作为讨论新兴非关系系统的便捷标签,其用途已与此前不同。此后,“Not only SQL”(不仅是 SQL)成为一种常见的解读,强调的是共存,而不是全面取代。

两篇颇具影响力的论文,帮助确立了这场运动所关注的技术问题。谷歌于 2006 年发表了 Bigtable 论文,介绍了一种面向结构化数据的分布式存储系统,其数据组织形式是一种稀疏、分布式、持久化的多维有序映射。亚马逊于 2007 年发表了 Dynamo 论文,介绍了一种高可用键值存储,专为那些拒绝写入可能造成重大代价的服务而设计。Bigtable 强调有序的数据组织和可扩展存储;Dynamo 则着重于分区、复制、版本管理,以及由应用程序协助进行的冲突解决。最初的 Dynamo 系统不应与亚马逊后来推出的托管数据库服务 Amazon DynamoDB 混淆。

这些设计影响了更广泛的技术生态。Apache HBase 沿袭了 Bigtable 一系的思路,而 Apache Cassandra 则将 Dynamo 式分布式设计的部分特征与宽列数据模型相结合。MongoDB 和 Apache CouchDB 等面向文档的系统强调可包含嵌套结构的记录。Redis 通过网络服务提供内存数据结构,而 Neo4j 则推动了属性图方法的普及。这些产品并不采用同一种架构,但都为传统的关系数据库部署和建模实践提供了替代方案。

云计算、开源软件和大型互联网服务的发展,推动了这些系统的传播。它们的应用也暴露了分布式运行的代价:应用程序需要面对一致性选择、数据冗余、分区键设计,以及要求更高的故障处理。NoSQL 的发展与其说是倡导取代关系数据库,不如说是拓展了数据库的设计空间,使各类系统能够针对特定的访问模式和运行约束进行优化。

主要数据模型

键值存储将唯一的键与一个值关联起来,通常提供检索、插入、替换和删除等操作。在最简单的形式中,数据库将值视为不透明的数据:它可以按键定位对象,却无法高效回答有关对象内部字段的任意查询。例如,会话服务可能根据会话标识符检索序列化后的会话。更复杂的系统则提供针对特定类型值的操作。Redis 支持哈希、列表、集合和有序集合等数据结构,因此其能力不止于存储未经解释的字节序列。

文档数据库存储自包含的记录,通常采用 JSON,或支持额外数据类型的二进制表示形式。一份客户文档可能包含一个地址对象和一个联系方式数组。不同文档可以包含不同的字段,不过系统也可能强制执行验证规则。与基本的键值存储不同,文档数据库通常支持针对内部字段的索引和谓词。MongoDB 使用 BSON,这是一种二进制文档格式,包含日期和二进制数据等类型。Apache CouchDB 则将 JSON 文档与面向复制的设计相结合。文档的边界往往会影响原子更新的范围,以及相关信息的存放位置。

宽列存储围绕行键或分区键以及列族来组织数据。“宽列”与面向分析的列式存储并不是同一个概念。Bigtable 通过行键、列键和时间戳标识一个值;列按列族分组,行则按键排序。Cassandra 通过 Cassandra 查询语言提供表访问,但访问效率在很大程度上取决于分区键和聚簇列。例如,存储传感器测量值的表可以按设备和时间段分区,再在每个分区内按时间戳排列测量值。尽管这种表在语法上类似于关系表,但这并不意味着它支持任意连接,也不意味着它具备与关系数据库同等的查询规划能力。

图数据库将关系显式表示出来。在属性图中,节点和边可以带有标签或属性,边连接特定的节点。查询可以沿着客户—账户—交易或个人—任职—组织等关系进行。有些实现维护直接邻接结构,使局部遍历能够高效执行。资源描述框架(RDF)存储采用另一种模型,以主语—谓语—宾语形式的陈述为基础,并且通常支持 SPARQL。因此,属性图和 RDF 存储同属广义的面向图的数据系统,但两者的表示形式不能互换。

这些类别存在交集,其边界也没有统一标准。同一个引擎可能提供文档、图操作、文本搜索和按键访问等功能。时间序列数据库和向量数据库有时也被归入 NoSQL,但这些术语指的是针对特定工作负载的专门化设计,而非某一种底层数据模型。例如,向量相似性搜索既可以由专用服务提供,也可以由文档数据库或关系数据库的扩展提供。分类最有价值的用途,是明确实际的存储单元、支持的操作和索引行为,而不是依赖产品标签。

分区、复制与分布式架构

许多 NoSQL 系统通过分片(也称水平分区)将数据分布到多台机器上。每个分区保存一部分记录,记录归属哪个分区通常由键决定。哈希分区使用哈希函数,将键分散到一个逻辑空间中;范围分区则将有序键的连续区间分配给不同分区。哈希方式可以让各类键分布得相对均匀,而范围方式可以在有序扫描时保持数据的局部性。但这两种方法都不会自动使工作负载均匀分布:即使各分区的记录数量均衡,某个访问量极高的键仍可能成为瓶颈。

因此,分区键既是逻辑标识,也决定着资源如何分配。如果某个大型客户的所有事件都使用同一个键,该客户就可能占用某个分区的大部分资源。如果每个事件都使用互不相关的随机键,按时间范围检索时就可能需要查询许多分区。复合键和时间分桶可以兼顾这些需求,但合适的数据布局取决于访问模式。有些系统会自动拆分过大的范围;另一些系统则更依赖模式设计来控制分区规模。当容量发生变化时,再平衡会迁移数据,在正常流量持续处理的同时消耗网络带宽和存储输入/输出资源。

数据库复制将数据副本放置在多个节点上。基于主节点的设计会将写入请求路由到选举产生的主节点,再由主节点将变更传播给从节点。无主节点设计可以通过多个副本接受写入,随后再协调各副本的状态。多主节点设计允许多个节点独立负责写入,这些节点通常分布在不同地域。这些分类描述的是大体上的协调模式,本身并不代表具体保证:基于主节点的系统可能允许从节点返回过时数据,而允许多个副本接受操作的系统,仍然可以对特定请求进行强一致性协调。

复制与分区解决的是不同问题。分区提高了集群能够容纳的数据量或承载的流量;复制则通过提供额外副本来实现容错,有时也能提高读取能力。数据库可以只采用其中一种技术,而不采用另一种。副本放置策略也很重要。将三个副本放在共用同一电源的机器上,无法提供与将副本分散到独立故障域中同等的保护。跨地理位置相距较远的数据中心进行复制,可以提高应对地域性故障的能力,但也会带来更长的通信延迟,并使故障转移决策更加复杂。

分布式控制机制决定哪些节点负责哪些分区、哪些主节点获得授权,以及如何实施配置变更。Paxos 和 Raft 等共识算法即使在部分节点发生故障时,也能使系统达成一致,通常要求指定副本组中的多数成员同意。包括 Gossip 协议在内的其他机制可以传播成员信息,但并不提供同样的一致性保证。路由可以由客户端、代理服务或协调节点处理。这些架构选择与对外提供的数据模型一样,都会影响系统在故障期间的行为:同一个文档操作,在两个不同系统中可能具有截然不同的延迟和故障语义。

一致性、可用性与事务

一致性描述的是,当操作并发发生或副本之间存在分歧时,客户端可能观察到什么。它并不是一个非有即无的单一属性。线性一致性要求各项操作看起来像是按照符合实时先后关系的顺序原子地生效。最终一致性要求,在更新停止且传播按照系统的假设持续进行的情况下,各副本最终趋于一致,但它本身并不规定在此期间的读取会返回什么。因果一致性保留操作之间的先后关系,例如回复必须在其所回应的消息之后出现。会话保证(包括读己之写和单调读)可以约束单个客户端所观察到的行为。

CAP定理由埃里克·布鲁尔于 2000 年提出猜想,塞思·吉尔伯特和南希·林奇于 2002 年将其形式化,讨论的是异步分布式环境中的一种特定不可能性。在发生网络分区时,系统无法同时保证线性一致性行为和可用性;这里的可用性是指,未发生故障的节点收到的每个请求最终都能得到响应。常见的“三者任选其二”说法掩盖了问题的关键:网络分区并不是运行中的系统可以自行选择消除的一项特性。真正的选择在于通信失败时如何处理请求。CAP 中的可用性也不同于运维中以百分比表示的正常运行时间。

副本读写仲裁既说明了简单规则的实用性,也揭示了它们的局限。如果一条记录有 NN 个副本,一次写入需要等待 WW 个确认,一次读取会联系 RR 个副本,那么

R+W>NR + W > N

可以确保所选的读取集合与写入集合存在交集,前提是两者属于同一个固定的副本组。仅有交集并不足以确立线性一致性。并发写入、版本选择、操作失败、成员变化,以及读取成功后是否修复旧副本,都会影响正确性。“宽松仲裁”会临时使用替代节点,因此需要格外谨慎,因为预期的交集可能并不存在。

事务涉及一组相关但不同的属性。酸(ACID)指原子性、一致性、隔离性和持久性。这里的一致性是指通过恰当的事务维持数据库的不变量,而不是 CAP 所讨论的副本一致性。原子性意味着一个事务中的更改要么全部生效,要么全部不生效;隔离性则约束并发事务之间的相互干扰。可串行化隔离使并发执行等价于某种串行顺序的执行。因此,声称“支持事务”时,需要说明其适用范围和隔离级别:原子地替换一个文档,与跨越多个分区的可串行化事务并不是一回事。

NoSQL 并不意味着没有事务。MongoDB 在 2018 年发布的 4.0 版本中为副本集引入了多文档事务,并在 2019 年发布的 4.2 版本中将其扩展到分片集群。其他系统提供条件写入、比较并设置操作,或针对指定记录组的事务。分布式事务通常需要额外的协调,在发生故障时可能出现更高的延迟或更低的可用性。即使应用不使用这类事务,也仍然需要明确的方法来维持不变量,例如预留机制、去重键或补偿操作;去掉数据库事务,并不会消除底层的协调问题。

存储引擎与物理组织

对外呈现的数据模型并不决定字节在存储介质上的排列方式。文档数据库和宽列存储可能采用相似的底层存储结构,而两个键值存储系统的性能特征却可能截然不同。存储引擎负责协调内存、持久化文件、索引、日志、压缩和恢复。其行为取决于记录大小、访问局部性、更新频率以及存储设备的特性。因此,如果不明确工作负载和具体实现,谈论“NoSQL 性能”就没有实际意义。

B树或与之相关的 B+ 树将有序键组织在由页面构成的平衡层次结构中。查找只需向下遍历少量层级,而叶节点的有序排列则支持范围扫描。更新可能会修改现有页面,并引发页面分裂或合并,不过现代引擎会采用多种缓冲和写时复制技术。基于 B树的结构在关系型和非关系型数据库中都仍然适用,因为它们能够支持性能可预测的点查询和有序遍历。其实际开销在很大程度上取决于缓存、页面布局、并发控制,以及访问是否需要对存储设备进行随机读取。

日志结构合并树以不同的方式组织更新。写入通常先进入内存中的数据结构和恢复日志,随后刷写为不可变的有序文件。后台压实会合并文件,在安全时移除过时版本,并控制文件间的数据范围重叠。这种设计可以将大量小规模随机更新转化为更大规模的顺序写入,但推迟维护也带来了取舍。一次读取可能需要查询多个文件;压实会重写数据;过时版本在清理前会持续占用空间。这些开销分别称为读放大、写放大和空间放大。

辅助结构可以降低这些开销。布隆过滤器能够排除许多不必要的文件查找;只要维护得当,对于其表示的集合,它允许假阳性,但不会出现假阴性。块缓存保留频繁访问的数据,压缩则以增加计算开销为代价,减少存储空间和传输量。墓碑标记用于表示删除操作,直到旧版本可以被安全丢弃。在复制系统中,过早删除墓碑标记可能导致旧副本将已删除的数据重新引入系统,因此清理可能依赖于修复流程以及对保留期限的假设。

持久性既取决于存储结构,也取决于确认策略。成功响应可能意味着数据仅存在于内存中、已记录到操作系统缓冲区、已强制写入持久化介质,或已在多个副本上持久化。这些是不同的保证。文件系统的行为、存储设备的故障模式以及日志同步都会影响崩溃后的恢复。内存系统可以通过快照或仅追加日志提供持久化能力,但可能丢失的数据所覆盖的时间窗口取决于配置。同样,如果所有已确认的副本仍可能因同一种故障而丢失,复制也不会自动使已确认的写入具备持久性。

数据建模、索引与查询执行

NoSQL 建模通常从应用程序必须执行的操作入手。这与先构建规范化的数据表示、随后依靠通用查询优化器组合各个关系的方法形成对比。两者的差别在于侧重点,而非绝对的规则。文档数据库可以支持复杂的聚合操作,关系型应用也可能有意采用反规范化。无论采用哪种方式,高效的设计都取决于能否理解哪些数据必须一起检索、哪些值会一起变化,以及哪些不变条件必须得到满足。

嵌入与引用体现了这一过程。订单文档可以嵌入所购商品及其购买时的价格。这样,无需根据当前的商品记录重建订单,就能检索历史订单。然而,将每笔订单都嵌入客户文档,可能导致文档对象无限增长,并将彼此无关的更新集中到同一条记录上。引用可以将数据的生命周期分离开来并减少重复,但可能需要额外的请求或服务端的数据组合操作。记录大小限制、更新争用和事务边界决定了一个看似方便的文档结构能否持续适用。

宽列建模往往会让访问路径变得格外明确。某个服务可以维护一张按客户和时间组织的表,以及另一张按发货状态和地区组织的表。这些表有选择地重复存储某些事实,使每个查询都只需访问数量较少且可预测的一组分区。由此带来的挑战是维护:如果只更新一种表示而未更新另一种,就可能产生不一致的查询结果。变更事件、异步投影或事务都可以协调此类更新,但各自的故障特征和延迟特征不同。这相当于将一部分工作从通用查询执行转移到了模式设计和更新处理环节。

索引使查询能够使用主键查找以外的谓词,但也会带来写入和存储开销。二级索引将字段值映射到匹配的记录。在分布式系统中,索引可以是各分区内的局部索引,也可以是按自身分区方案组织的全局索引。当原始分区键未知时,使用局部索引可能需要访问多个分区;全局索引则可能需要额外的分布式更新。复合索引、数组索引、文本索引和空间索引进一步决定了哪些谓词能够高效执行。仅仅存在索引,并不意味着它具有足够的选择性,也不保证查询开销有界。

查询接口多种多样,从简单命令到声明式语言和聚合管道,不一而足。Cassandra 查询语言类似于 SQL,但会根据主键布局限制许多访问模式。图数据库系统提供遍历语言或模式匹配语言,而文档数据库系统则可能提供针对嵌套字段的表达式。应用程序通过驱动程序和应用程序编程接口进行通信,但语法的可移植性有限。具有类似 SQL 的接口并不意味着引擎就是关系型引擎,而不使用 SQL 也不能说明它不支持连接、索引或事务。评估时,必须区分系统所接受的语言,以及其背后的执行能力和保障。

运维、安全与性能测量

运维分布式数据库,不能只看各个进程是否在运行。重要指标包括复制延迟、分区大小、磁盘剩余空间、待执行的压缩合并任务、数据修复进度、被拒绝的请求数,以及延迟分布。即使集群中的节点都处于正常状态,也可能因为某个分区失去法定数量的节点,而返回过时的结果或无法处理请求。重新均衡、创建索引和数据修复等维护任务,会与前台请求争用资源。因此,容量规划既要考虑日常服务的需求,也要考虑故障或拓扑变化带来的额外工作量。

超时会在应用层造成一种尤为重要的不确定性。如果客户端发送了写入请求,却未收到响应,那么该操作可能已经失败、已经成功,也可能仍在执行。重试非幂等的递增操作,可能导致同一次递增执行两遍。唯一请求标识符、条件操作和去重记录可以提高重试的安全性,但其保留期限和事务范围也至关重要。驱动程序的重试策略,并不等同于端到端地保证一项业务操作恰好执行一次。关系型系统中也存在这一问题,但分布式请求路由和故障转移可能使其尤为突出。

复制不能替代数据备份。误删除、应用程序缺陷或未经授权的修改,都可能传播到每一个副本。要确保数据可恢复,就需要独立的恢复机制、适当的备份保留策略,以及对数据能否实际恢复的验证。要对多个分区进行一致性备份,可能需要协调生成快照,或结合使用快照与日志。在支持时间点恢复的系统中,可以将状态重建到选定的时刻。恢复时间和可接受的数据丢失量是两个独立的目标:保留每一次已提交的更新,并不能说明发生故障的服务能以多快的速度恢复运行。

安全要求包括身份认证、授权、受保护的网络通信、在适当情况下对静态数据进行加密,以及审计。访问控制可以作用于数据库、集合、表、键或字段层级,具体取决于系统。如果应用程序将不可信的结构化输入解释为查询运算符,灵活的查询文档就可能引发注入漏洞。因此,不使用 SQL 语法并不意味着消除了注入风险。无论采用哪种数据模型,可从公网访问的端点、过于宽泛的权限、暴露的管理服务,以及不安全的备份处理方式,都是需要关注的问题。数据隐私方面的义务也涵盖副本、日志、索引和派生数据集。

性能方面的结论需要以可复现的工作负载定义为依据。2010 年推出的 Yahoo! Cloud Serving Benchmark(YCSB)提供了一个得到广泛使用的框架,通过读取、更新、插入和扫描等操作,评估面向在线请求的数据库。测试结果取决于数据集大小、读写比例、各键的访问热度、记录大小、缓存状态、客户端并发度,以及持久性设置。尾延迟十分重要,因为少数缓慢的操作就可能主导用户感知到的延迟,尤其是当一次请求需要分发到多个分区时。如果将具有强一致性和持久性保证的配置,与采用异步方式且持久性保证较弱的配置进行比较,却不说明这些差异,就会得出误导性的排名。

工作负载适配与应用模式

键值系统非常适合以“检索此键所标识的状态”为核心的操作,例如用户会话、购物车状态、功能开关和缓存对象。不过,缓存与权威记录系统的要求并不相同。缓存数据可以从其他来源重新生成,而作为权威记录的购物车或账户状态一旦丢失,则可能无法接受。因此,必须结合数据所承担的角色来理解淘汰策略、过期语义、持久化和复制,而不能只看键查找的速度。

文档数据库适用于以嵌套对象作为自然访问单元、且各条记录的结构演变并不一致的应用。产品目录中的图书、服装和电子元件可能各有不同的属性,而内容系统则可能存储元数据各异的文档。这种灵活性降低了将所有可选字段都纳入同一固定结构的必要性,但并不意味着不再需要语义约束。应用仍然需要明确货币、时间戳、标识符以及各字段的含义。同一概念的两种表示即使都是语法有效的 JSON,也可能互不兼容,而数据库仍可能同时接受它们。

宽列存储常用于海量事件历史记录、遥测数据,以及按实体和时间组织的访问模式。其价值在于可预测的分区内操作,而不是对每个字段进行不受限制的分析。例如,监控服务可以检索某台设备的近期读数,或汇总预先计算的计数器。对于需要对多年测量数据进行任意组合分析的问题,交由独立的分析系统处理可能更合适。将数据移入数据仓库,或使用 Apache Spark 等工具进行处理,在带来分析灵活性的同时,也会引入数据时效性、重复存储和治理方面的问题。

当关系本身是问题的核心时,图数据库就能发挥作用。典型应用包括依赖分析、网络拓扑、知识图谱,以及欺诈检测中对相互关联实体的考察。图遍历可以沿着连续的关系展开,无须反复将每一步表述为传统的连接操作。然而,图遍历的开销并非天然就低。一个与数百万个其他节点相连的节点,或一个缺乏严格限制的路径探索查询,都可能产生极其庞大的中间处理量。对高度互联的图进行分区后,遍历一旦跨越机器边界,还会产生通信成本。

其他工作负载则揭示了宽泛产品分类的局限。全文信息检索依赖分词、排序和倒排索引,而面向机器学习的相似性检索通常依赖近似最近邻索引。时间序列分析可能需要压缩、保留策略和时间窗口聚合。有些 NoSQL 产品集成了这些功能,另一些则依赖专用系统。组合使用专门的存储系统可以提高对工作负载的适配程度,但也会形成多份权威数据表示或派生数据表示。此时,工程上需要解决的问题还包括数据同步和数据归属,而不仅仅是为每项孤立操作选择一个快速的引擎。

与关系型系统和云原生系统的融合

早期将 NoSQL 描述为灵活、分布式,而将关系型数据库描述为僵化、集中式的对比,已越来越不符合实际。关系型引擎可以存储 JSON、为嵌套属性建立索引、对表进行分区,并在多台机器之间复制数据。NoSQL 系统则增加了数据校验、更丰富的查询语言、二级索引和分布式事务。这些发展并未消除架构差异,却削弱了依据简短的功能清单进行分类的意义。真正重要的问题往往是某项能力如何实现、代价如何,而不是某款产品是否声称具备这项能力。

NewSQL 和分布式 SQL 系统在分散存储数据、分布式执行计算的同时,追求关系型接口与事务保证。它们的存在表明,水平扩展在逻辑上并不要求放弃关系模型或 SQL。反过来,单节点嵌入式键值引擎虽然不是分布式数据库,却仍然属于非关系型系统。数据模型、执行架构、一致性模型、部署模型和商业产品形态,是彼此独立的维度。分别看待这些维度,可以使比较更加准确,也能避免仅因某个系统属于一个有特定名称的市场类别,就认定它具有某些属性。

托管云服务改变了运维责任的分工,但并未消除数据库设计中的权衡。服务提供商可以将复制、补丁安装、备份调度、容量分配和故障转移自动化。计费依据可能是预配置吞吐量、实际消耗的操作量、存储量、数据传输量,或这些因素的组合。某种访问模式即便在技术上可行,如果需要扫描大量数据或反复跨区域访问,仍可能代价高昂。自动扩缩容也有局限,受到分区结构、服务配额、扩缩容响应时间以及是否存在异常热点记录等因素的制约。

多模型系统通过在同一平台上提供多种数据表示方式,力求减少使用独立存储系统的需要。数据库可以基于相互关联的底层数据,同时支持文档和图模型,也可以将事务性访问与搜索、分析相结合。这种整合可以减少同步工作,但接口表面上的统一,并不意味着所有功能都具有相同的数据新鲜度、隔离或恢复语义。例如,根据事务数据异步更新的搜索索引,可能暂时不包含某条刚提交的记录,即便这两者都作为同一产品的组成部分呈现给用户。

持续存在的研究与工程问题,涉及高效协调、可预测的延迟、跨地域分布,以及对重复状态的控制。更强的保证通常需要通信或施加限制,而这些代价在发生争用和故障时会显现出来。较弱的保证则将部分责任转移给应用逻辑和冲突处理。在能够明确作出这些取舍的场景中,面向特定工作负载的系统仍有价值;与此同时,通用数据库的能力不断增强,也使必须使用专用存储系统的应用越来越少。因此,准确的描述应明确说明系统支持的操作、事务边界、故障行为和资源成本,而不能仅仅依赖 NoSQL 这一标签。