下载掌阅APP，畅读海量书库
立即打开
近几年，在数据库领域诞生了很多新技术、新思想，让这个传统、古老的领域重新焕发生机。接下来从六个方面讨论当下数据库技术的发展趋势。
资源解耦在云数据库架构上的体现是“计算与存储分离”，每一部分都可以独立缩扩容，从而满足用户的按需使用、按量付费的诉求，降低使用门槛，利用“极致弹性”满足互联网时代下企业业务的快速发展需求。对于无状态的计算资源，云原生数据库可以做到分钟级编排与升级，极大地缩短了运维导致的业务不可用时间。对于有状态的存储资源，借助分布式文件系统、分布式一致性协议、多模态副本等关键技术，实现存储资源池化、数据安全与数据库强一致需求。可扩展的通信资源，确保计算和存储间有“足够的”带宽，满足高吞吐、低延迟的数据传输需求。
对于云数据库而言，基于资源解耦的高可用性是其基本特征。通过冗余的计算节点，结合基于云基础设施的节点“探活”及高可用切换技术，实现计算资源整体的高可用。通过多副本及分布式一致性协议，在实现数据存储高可用的同时，确保数据多副本间的一致性。面对任意规模的数据，云数据库应该具备快速备份恢复能力，并能根据备份策略，恢复到特定时间段的任意时间点。面对高并发与大数据处理需求，云数据库应该具备水平扩展与分布式处理能力，包括但不限于负载均衡、分布式事务处理、分布式锁、多租户下的资源隔离与调度、CPU混合负载和大规模并行处理等。
云数据库旨在为用户提供简单、易用的数据库系统，帮助用户用最短的时间、最低的成本快速实现业务功能。随着信息技术的发展，大数据已经成为事实，对数据库的一个核心诉求是在面对海量数据的同时，依然保持相同的性能和可接受的响应时间。大数据与数据库一体化的需求越来越强烈，对用户来说，就是能直接使用SQL基于云数据库对海量数据进行分析处理。要使云数据库具备大数据处理能力，一方面需要借助云基础设施的快速弹性、分布式并行处理特性，打造强劲的内核引擎，实现计算与存储资源效能的最大化，以可接受的性价比对外输出海量数据分析处理能力。另一方面，需要有与大数据分析处理相配套的生态工具，主要涉及三类工具。一是数据的流转迁移工具，保证数据链路畅通，数据自由流动，从性能上看，此类工具主要有实时性和吞吐率两大指标；从功能上看，需要能够打通上下游各类数据源。二是数据集成开发工具，用户需要能自由地对海量数据进行处理，包括数据集成、数据清洗、数据转换等，甚至需要能够提供一个完整的集成开发环境，支持开发流程的可视化建模，以及任务的发布、调度等。三是数据资产管理能力。“业务数据化、数据资产化、资产应用化、应用价值化”反映了由业务数据驱动业务创新的递进过程。数据资产化是数据融合应用的重要一环。云数据库作为业务数据生产、存储、处理和消费的重要云基础设施，在数据的资产化过程中扮演着重要角色。基于云数据库的资产管理工具，是云数据库打通“端到端”，帮助客户实现业务价值的重要保障。
新硬件的发展为数据库技术注入了更多的可能性，充分发挥硬件性能成了所有数据库系统提升效率的重要手段。云原生数据库拆解了计算、存储，并利用网络发挥分布式的能力，在这三个层面都充分结合新硬件的特性进行设计。首先，数据库的SQL计算层需要做大量的代数运算，如连接、聚集、过滤和排序等操作，利用异构计算设备GPU加速这些计算操作，可以充分发挥其并行能力。还可以利用FPGA可编程的能力，固化一些特定密集计算操作（压缩/解压缩，加/解密），减轻CPU负担。在存储方面，持久内存（NVM）的出现为数据库带来了想象空间，可字节寻址和持久化的能力，相对固态硬盘I/O性能有数量级的提升，很多数据库的设计者开始思考如何重新设计架构来利用这些特性，比如为持久内存设计的索引结构，减少日志或取消日志。因为计算和存储分离带来的执行路径变长问题，很多云数据库开始采用高性能网络（RDMA、InfiniBand等），结合用户态网络协议栈（DPDK）等技术，可以将网络延时带来的负面影响大大降低。在数据库系统理论日臻成熟、难以突破的今天，更多地利用硬件发展带来的红利是必然的趋势。
随着互联网业务多样化的发展，需要处理的数据类型也越来越丰富。关系数据库对于模式的严格定义，以往在提供数据规范化管理方面是一种优势，但此时成了快速变化业务的束缚。处理灵活的、半结构化和非结构化的数据也成为广泛存在的需求。新数据库也顺应了这种趋势，利用数据库原有强大丰富的数据操作能力，完备的ACID语义等优势，提供更多数据模型的处理能力，比如图（Graph）、键值（Key-Value）、文档（Document）、时序（Time Series）和时空（Spatial）等，以及图片、流媒体等非结构化数据。对于应用而言，在一个系统中处理如此多种的数据模型，甚至可以对异构数据做归一化、联合处理，能够挖掘出更多的应用价值。
随着数据的规模化发展，云数据库的使用场景和使用频率越来越高。传统的以数据库管理员为核心的数据库运维方式逐渐无法满足需求。受限于人的体力和能力上限，传统的数据库运维方式无法满足云时代的运维需求。智能化运维技术是云数据库安全稳定运行的重要支撑。启发式机器学习技术可能是一种潜在的解决方案。一种可行的思路是将机器学习技术和数据库专家经验相结合，结合云基础设施的运行数据采集能力，基于云数据库海量运行数据，形成智能化运维模型，实现云数据库自感知、自修复、自优化、自运维和自安全的云服务，帮助用户消除数据库管理的复杂性及人工操作引发的服务故障，有效保障数据库服务的稳定、安全和高效。
在云环境下，数据库的安全问题也是重中之重。“可靠、可控、可见”是云数据库安全可信的核心原则。在可靠性方面，在云基础设施本身安全的基础上，云数据库重点会确保链路安全与数据存储安全。在通常情况下，云数据库还能结合云基础设施的密钥管理功能，实现重要数据的加密存储，并根据行业、地域需求，提供不同强度的加密算法。可控是指密钥访问可控及数据权限管理。在通常情况下，云数据库依托云计算基础设施的密钥管理服务，支持用户自带密钥实现敏感数据的加密存储，即使是云服务提供商，在没有密钥的情况下，也无法访问加密存储的数据，最大限度地保证了数据安全。在数据权限管理方面，除了传统数据库支持的库表级别的访问控制，云数据库结合生态工具，还能实现列级别和行级别（基于内容的访问控制）的访问控制，并支持按需配置，满足不同行业对访问控制的诉求。可见是指数据库不再是“黑盒”，能够提供完整的日志审计能力，确保云数据库操作都有记录，且管理控制权在用户。云数据库安全可信技术覆盖“事前鉴权、事中保护、事后审计”的完整数据访问过程。