1.简介

这张图来自于李飞飞的一片文章，介绍了数据库的过去和未来。

2.不同的数据类型

2.1.单机数据库

经常听到说传统单机数据库是一种shared-everything的架构，怎么理解呢？

实际上这里的 everything 指的是冯·诺依曼架构中的「计算」和「存储」，而 shared 指的是单机数据库可以随意使用本地的所有「计算」和「存储」资源。

(资料图片仅供参考)

2.2.分布式数据库

很快，单机数据库就面临着可扩展性问题，这时就需要通过加资源的方式解决，于是出现了两种解决方案：Scale up 和 Scale out。

这里 Scale up 并不是指单机维度的 scale up，而是从资源视角的 scale up。

更具体地说，也就是存储池化：数据库的底层存储由原来的单机磁盘（磁盘阵列）、单机文件系统，演变为基于分布式块存储、分布式文件存储、对象存储等的 shared-storage 分布式数据库。

Scale out 则是各个数据库实例独立运行，实例之间通过 raft/paxos 等共识算法实现数据同步，而不依赖底层的分布式存储系统。

这就是所谓的 shared-nothing 分布式数据库，数据库不共享任何 IaaS 层的资源，完全依赖于 PaaS 层（DB）本身，去做高可用和强一致，实现分布式事务。

2.3.云原生数据库

云原生数据库 = 分布式数据库(scale out) + 资源池化(scale up)。

云原生 = 云 + 原生。「云」就代表着IaaS资源池化，「原生」意味着应用（PaaS、SaaS）天然就是针对这种池化的特性进行设计的。

现在的分布式数据库大多是 shared-nothing 的，例如 tidb 和 ob，使用了本地盘。

一旦使用本地盘，就意味着无法上云，因为云的特性就是资源池化，所以要上云，就要使用公有云厂商提供的EBS、S3等云盘。

而云盘的性能没有本地盘好，这就要求应用层，也就是DB这一层，是面向公有云的基础服务进行设计的。

这就是云原生的数据库，即在数据库设计的时候，就考虑各种资源是在云上，以池化的方式提供。

这种方式意味着 shared-nothing 和 shared-everything 的结合：宏观上看，是 shared-everything 的（未来内存也会池化），从微观上看，又是分布式的shared-nothing。

这是一种真正的算存分离：在单机部署情况下，通信就是计算通过 Memory Bus、IO Bus和内存、存储通信。

但在集群部署的情况下，计算和存储的通信就是网络。数据库刚诞生的年代，单机的存储访问速度肯定要快于集群，但是随着网络、存储等基础设施的不断发展，未来这个情况可能就不一定了，IaaS池化一定是未来，云计算一定是未来，数据库上云一定是未来。

3.存在的问题

分布式数据库上k8s会遇到哪些问题呢？

由于分布式数据库在设计上就不是云原生的，一般比较适合 on-primises 部署，也就是直接部署在物理机上，而不是部署到云上。

由于使用本地盘，分布式数据库不适合通过 k8s 进行部署。

但是，随着基础设施硬件的不断发展，池化后的资源不会再成为性能瓶颈，所以云原生数据库一定是数据库的未来，现在的分布式数据库也在往云原生数据库的方向演进，到那一天，有状态应用就可以在k8s上发挥它最大的威力。

4.本地盘

本地盘使用的是静态PV，不支持动态 scale up，灵活性差。

cgroup v1的IO隔离机制有缺陷，无法对buffered IO的IOPS进行很好的限制。

本地盘在做节点迁移时，需要迁移数据。众所周知移动计算比移动数据更方便。

没法利用k8s的自我修复能力。比如节点挂了，你可以通过起一个新的Pod的方式进行修复。但是如果用了本地盘，这个Pod却必须调度到原节点。

5.网盘

在公有云上，使用网盘最大的问题第一是延迟抖动；第二是性能比本地盘要差很多。如何在软件层面克服这种问题是云原生数据库要攻克的难关。

现有的云原生数据库（比如snowflake）一般都是面向OLAP的数据仓库，原因在于数据仓库对于吞吐的要求其实是更高的，对于延迟并不是那么在意，一个 query 可能跑五秒出结果就行了，不用要求五毫秒之内给出结果。

特别是对于一些 Point Lookup 这种场景来说，Shared Nothing 的 database 可能只需要从客户端的一次 rpc，但是对于计算与存储分离的架构，中间无论如何要走两次网络，这是一个核心的问题。

Aurora 是一个计算存储分离架构，但它是一个单机数据库，Spanner 是一个纯分布式的数据库，纯 Shared Nothing 的架构并没有利用到云基础设施提供的一些优势。