一 说说整理初衷

最近有一些网友问我要考试套路，我确实有，但是比较散乱，借此重新整理一下发出来。
此篇是四篇案例分析套路中的一篇，还有另外三篇。
欢迎加微信沟通交流，专门建了个软考架构的群，欢迎加我微信拉进群沟通交流。

二 数据库考察要点

• 设计过程、规范化、反规范化、索引、视图（****）
• 分库分区分表（***）
• 分布式数据库系统（**）
• NoSQL（**）
• 数据库性能优化（**）
• 大数据（*）

设计过程、规范化、反规范化、索引、视图（****）

一般是考察概念，常考察的概念如下：

数据库设计过程阶段（可能会考察某个阶段产出）

• 1 需求分析 输出数据流图、数据字典、需求说明书
• 2 概念（结构）设计：按照特定的方法将他们抽象为一个不依赖于任何DBMS产品的概念模型，一般就是用E-R图表示
• 3 逻辑（结构）设计：将E-R图转换为数据模型，如关系模型。
• 4 物理设计：对给定的逻辑模型选取一个最适合应用环境的物理结构（与DBMS相关）

规范化范式：

• 1NF：属性值都是不可再分的原子值
• 2NF：消除非主属性对候选键的部分依赖
• 3NF：消除非主属性对候选键的传递依赖
• BCNF：消除主属性对候选键的部分和传递依赖

范式解决的问题：

• 插入异常、删除异常、数据冗余

反规范化的技术手段：（一般结合案例考察，需要指出对应的列名）

• 1 增加派生性冗余列（已有单价和数量列，增加“总价”列）
• 2 增加冗余列（已有学号列，增加“姓名”列）
• 3 重新组表（把拆分的表重新组表）
• 4 分隔表（把用户表做水平分隔，如按区域分隔用户表）

反规范化的特点:

• 1 连接操作少，检索快、统计快
• 2 需要查的表减少，检索容易
• 3 容易出错

反规范化的缺点或带来的问题，及解决方案

• 1 数据冗余，需要更大的存储空间；无解
• 2 插入、更新、删除操作开销更大；无解
• 3 数据不一致（可能产生添加、修改、删除异常）；触发器数据同步、应用程序数据同步
• 4 更新和插入代码更难写；无解

数据库索引优缺点：

• 优点：提升查询效率
• 缺点：降低添加、修改、删除效率

视图的优点：

• 1 视图能简化用户的操作
• 2 视图机制可以使用户以不同的方式查询同一数据
• 3 视图对数据库重构提供了一定程度的逻辑独立性
• 4 视图可以对机密的数据提供安全保护

物化视图概念：

• 将视图内容物理存储起来，其数据随原始表变化，同步更新。

分库分区分表（***）

主要考察概念

分区策略：

• 1 范围分区（Range）按数据的范围来做分区
• 2 散列分区（Hash） 通过对key进行hash运算分区
• 3 列表分区（List） 根据某字段的某个具体指进行分区

分区的优点：

• 1 相对于单个文件系统或是硬盘，分区可以存储更多的数据
• 2 数据管理比较方便，比如要清理或废弃某年的数据，就可以直接删除该日期的分区数据即可
• 3 精确定位分区查询数据，不需要全表扫描查询，大大提高数据检索效率。
• 4 可跨多个分区磁盘查询，来提高查询的吞吐量
• 5 在涉及聚合函数查询时，可以很容易进行数据的合并

分布式数据库系统

主要考察概念

分布式数据库的分布透明性包含：
1 分片透明性
2 位置透明性
3 局部数据模型透明性（逻辑透明）

NoSQL

主要考察与关系型数据库的对比

关系数据库与NoSQL数据库模式的对比

	关系型	NoSQL
并发支持	支持并发、效率低	并发性能高
存储与查询	关联表方式存储，SQL查询	海量数据存储、查询效率高
扩展方式	向上扩展即服务器升级	向外扩展即集群
索引方式	B+树、哈希等	键值索引
应用领域	面向通用领域	特定应用领域

数据库性能优化

主要考察概念

集中式数据库优化：

• 硬件系统：CPU、内存、IO、网络
• 系统软件：参数，如进程优先级，CPU使用权，内存使用
• 数据库设计：表与视图（表的规则、建立物化视图），索引（常查询-建索引，常修改-避免索引）、SQL优化（以不相干的子查询替代相干子查询、只检索需要的列、用带IN的条件子句等价替换OR子句、经常提交COMMIT以尽早释放锁、尽可能减少多表查询

大数据

主要考察与传统数据对比、和一些概念

大数据与传统数据对比

	大数据	传统数据
数据量：	PB级或以上	GB或TB级
数据分析需求：	深度分析（关联分析、回归分析）	现有数据的分析与检测
硬件平台：	集群平台	高端服务器

大数据处理系统应该具有的重要特征

• 1 高度可扩展性
• 2 高性能
• 3 高度容错
• 4 支持异构环境
• 5 较短的分析延迟
• 6 易用开放的接口
• 7 较低成本
• 8 向下兼容性