A Comparative Performance Evaluation of SQL and NoSQL Databases Under Different Indexing and Cache Conditions
本研究通过在不同的数据集大小、索引策略和缓存条件下对 MySQL 8.0.46 和 MongoDB 8.0.32 进行基准测试，揭示了 MongoDB 在批量写入方面表现出色，同时两者都从用于查找的索引中显著获益，最终表明数据库性能高度依赖于具体场景，而非其中一种模型在普遍意义上优于另一种。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在数字世界中，几乎每一个动作都会留下痕迹。一次购买、一次登录、一条发送的消息——每个事件都被存储在数据库中，一个巨大的电子文件柜，保存着现代生活的记忆。为了让这些系统平稳运行，工程师必须在两种主要的存储系统之间做出选择。一种被称为关系型（relational）的系统，将数据组织成严格的行和列，非常像传统的电子表格。另一种被称为 NoSQL 的系统，则将信息存储为灵活的、自包含的文档，其形状和大小可以各不相同。多年来，关于哪种系统更快或更好的争论一直在持续。然而，答案很少是简单的，因为速度完全取决于你要求系统做什么，以及它必须搜索多少数据。
最近的一项研究旨在通过受控实验而非理论来解决这个问题。研究人员 Amir Khan、Sawaira Gull 和 Arooj Shahzadi 在一台计算机上构建了一个测试场，以观察两种流行的系统——MySQL 和 MongoDB——在相同条件下的表现。他们不仅仅是在询问哪一个更快；他们还在询问当数据量从一小堆增长到一座大山时，速度是如何变化的，以及索引（帮助系统快速查找信息的专门捷径）的使用如何改变了结果。他们测试了三个特定的任务：将大量新数据倾倒进系统、根据特定名称查找单条记录，以及将许多记录分组以计算总和。
研究人员首先生成了合成交易记录，创建了包含一万、十万和一百万条条目的三个独立数据集。他们将这些记录加载到两个数据库系统中，并测量完成每项任务所需的时间。在第一个测试中，该测试涉及将所有数据一次性写入系统，基于文档的系统 MongoDB 表现得始终更快。在处理一百万条记录时，它完成任务大约用了十二点五秒，而关系型系统 MySQL 则用了近三十秒。无论数据集是小还是大，这种差异都同样存在，这表明对于纯粹的数据摄取而言，在这一特定设置下，基于文档的方法具有明显的优势。
第二个测试侧重于查找单条记录，类似于通过 ID 号查找特定客户。在这里，研究人员测量了在有无帮助的情况下查找记录所需的时间。在没有索引的情况下，系统必须扫描每一条记录来找到匹配项。随着数据增长到一百万条，这种搜索变得异常缓慢，两个系统都耗时超过半秒。然而，一旦研究人员添加了一个单字段索引——一个直接指向每个 ID 位置的简单列表——结果发生了戏剧性的变化。两个系统查找记录的时间都骤降至仅一毫秒出头。这种超过百分之九十九的缩减表明，对于简单的查找，数据库的类型远不如拥有一张引导搜索的优质地图重要。
第三个测试更为复杂，涉及过滤聚合。研究人员要求系统找到特定类别中的所有交易，按其状态进行分组，并计算总金额。这项任务更难，因为它不仅需要找到数据，还需要对其进行排序和计算。在这种情况下，结果并不统一。对于较小的数据集，关系型系统有时更快，但随着数据增长到一百万条，基于文档的系统则显著领先。文档系统完成了该任务，耗时约三百毫秒，而关系型系统则耗时超过一秒。
或许最令人惊讶的发现出现在第三个测试处理最大数据集时。当研究人员使用类别字段上的索引来加速关系型系统时，该任务实际上比没有索引时变得更慢了。使用索引时，系统耗时超过一秒，而没有索引时约为七百毫秒。这个反直觉的结果并非错误；研究人员独立重复了测试，并确认索引确实在这种特定配置下造成了延迟。看来对于这种特定类型的复杂计算，使用索引带来的开销超过了它的收益，这种细微差别是简单的“哪一个更快”的结论所无法捕捉到的。
研究还检查了系统在处于“热”状态（即最近处理过类似请求且数据已准备在内存中）时的行为。在这种条件下，两个系统都变得更快了，但提升程度各不相同。文档系统在聚合速度方面看到了显著提升，而关系型系统的增益则较为温和。这些发现强化了性能并非软件本身的固定属性，而是数据规模、查询类型、索引的存在以及系统当前内存状态之间相互作用的流动结果。
最终，研究得出结论：并没有普适的赢家。在这两种数据库模型之间做出选择不能仅凭一次速度测试。如果目标是快速摄取海量新数据，基于文档的系统显示出了明显的优势。如果目标是检索单条记录，只要有合适的索引，两个系统表现同样出色。然而，对于涉及大量数据的复杂计算，性能可能会根据数据的结构和索引方式而发生波动。这项研究提醒我们，在数据世界中，合适的工具完全取决于具体的工作内容，而最有效的路径往往不是通过选择一个品牌，而是通过理解工作的独特形态。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。