数据库表是一组行/记录。然而，这些行并不是以表的形式物理存储的，它们存储在块上的数据页中。要在这些数据页中找到特定记录需要扫描多个文件。为了改进这一点，我们创建索引。索引是小型的引用表，用于根据索引值存储对行的引用。

索引是一种使数据检索更快的数据库对象。 但是，索引的创建也需要时间，并且会占用额外的空间。因此，在选择正确的索引创建策略时，我们必须审慎选择。

RUM猜想

类似于CAP定理，RUM猜想指出 —— 我们无法设计一个存储系统的访问方法，使其在以下三个方面都最优：

读、更新和内存。

读取、更新、内存 — 以两者优化为代价的第三者。

• 读取开销： 定义为总读取数据量（主要 + 辅助）与预期读取的主要数据量之间的比率。通过读取放大来衡量。
• 更新开销： 定义为总写入数据量（主要 + 辅助）与预期更新的主要数据量之间的比率。通过写入放大来衡量。

根据上图中的读取和写入模式，数据库将分为以下5类：

• 平衡 — 读取和写入均匀分布。很少发生。
• 读取优化 — 写入较少，读取较多（分析工作负载）
• 写入优化 — 写入较多，读取较少（事务工作负载）
• 热分区读取 — 来自某些数据部分的读取较多
• 热分区写入 — 向某些部分的写入较多

索引类型

(1) 无索引

实现：Kafka（可以看作纯粹是WAL）、数据仓库

(2) 主键索引

主键 = 分区键 + （可选）排序键

• 分区键 = “什么节点”
• 排序键 = 满足唯一性约束的剩余内容

有各种分区策略，其中一些如下：

• 哈希分区（也称为“一致性哈希”）
• 范围分区•随机数

聚簇索引 — 物理数据组织

非聚簇索引 — 逻辑组织

(3) KV存储（哈希表）

• 哈希分区在这里非常有意义
• 只能在RAM中进行，这就是为什么我们在PostgreSQL等数据库中看不到它
• 实现：Memcache、Redis

(4) B树 — 读取优化

• 实现：DynamoDB、PostgreSQL
• 变体：Bw-tree 等（查看 Alex Petrov 的《Database Internals》）
• 它是许多数据库中的默认索引。

(5) 位图索引

用于OLAP的读取和内存优化。

(6) LSM树 — 写入优化

实现：Cassandra、Spanner

(7) 二级索引 — 更多读取优化

• 本地二级索引 — 这是“默认”/“正常”的二级索引
• 全局二级索引 - 可能对于读取重型的键范围查询和无法避免的散列收集最有意义
• 实现：DynamoDB，可能是Spanner

(8) 多维索引

• 连接索引
• R树（实现：PostgreSQL）
• 四叉树（实现：Elasticsearch）
• 地理哈希（实现：Redis）

(9) 倒排索引

实现：ElasticSearch、PostgreSQL、Redis

示例场景：Twitter 等社交媒体站点的文本搜索，google.com，GitHub

(10) 跳跃表

实现：Redis（仅）

示例场景：游戏排行榜

(11) 向量索引

实现：Pinecone、Facebook 的 Faiss、PlanetScale 的 MySQL 分支、Redis

示例场景：机器学习问题

(12) 数据立方体和物化视图

实现：数据仓库，支持OLAP的数据库

(13) Count-min sketch

• 就RUM而言，以极端OLAP读取延迟为代价换取精度
• 实现：Flink、AWS Firehose、Druid、Spark streams、Redis

对于分布式系统，还有其他有趣的权衡。其中之一是PACELC，它说：如果是分区，选择可用性和一致性之间的折衷，否则选择延迟和一致性之间的折衷。有许多级别的一致性可供折衷选择（以及隔离级别）。

(14) 一致性级别

• 强一致性
• 最终一致性
• 一致前缀
• 单调读取