ShardingSphere‐JDBC adopts decentralized architecture, applicable to high‐performance light‐weight OLTP application developed with Java; ShardingSphere‐Proxy provides static entry and all languages support increase the system capacity by removing database connection restrictions. It is also applicable to OLTP operation, which usually has sharding keys and can be routed to a single shard. So it is a wise choice circumstance, two requests waiting for each other will not happen, so there is no need for locking. Most OLTP operations use sharding keys to route to the only data node, which will make the system in a totally

损耗略高 损耗低 无中心化 是 否 是 静态入口 无 有 无 1.1.4 混合架构 ShardingSphere‐JDBC 采用 无中心化架构， 适用 于 Java 开发的高性能的轻量级 OLTP 应用； ShardingSphere‐Proxy 提供静态入口以及异构语言的支持，适用于 OLAP 应用以及对分片数据库 进行管理和运维的场景。 Apache ShardingSphere 以防止对一次请求对数据库连接占用过多所带来 的问题。该模式始终选择内存归并。 内存限制模式适用于 OLAP 操作，可以通过放宽对数据库连接的限制提升系统吞吐量；连接限制模式适 用于 OLTP 操作，OLTP 通常带有分片键，会路由到单一的分片，因此严格控制数据库连接，以保证在线 系统数据库资源能够被更多的应用所使用，是明智的选择。 自动化执行引擎 ShardingSphere 最初将使 并发。因此，ShardingSphere 在这里进行了 2 点优化： 1. 避免锁定一次性只需要获取 1 个数据库连接的操作。因为每次仅需要获取 1 个连接，则不会发生两 个请求相互等待的场景，无需锁定。对于大部分 OLTP 的操作，都是使用分片键路由至唯一的数据 节点，这会使得系统变为完全无锁的状态，进一步提升了并发效率。除了路由至单分片的情况，读 写分离也在此范畴之内。 2. 仅针对内存限制模式时才进行资源

ShardingSphere‐JDBC adopts a decentralized architecture, applicable to high‐performance light‐weight OLTP application developed with Java. ShardingSphere‐Proxy provides static entry and all languages support ShardingSphere‐JDBC adopts a decentralized architecture, applicable to high‐performance light‐weight OLTP application developed with Java. ShardingSphere‐Proxy provides static entry and all languages support brought more complex situations to the database. Apache ShardingSphere wants to solve massive data OLTP problem first and complete relevant OLAP support problem little by little. SQL SQL Supporting Status

ShardingSphere‐JDBC adopts a decentralized architecture, applicable to high‐performance light‐weight OLTP application developed with Java. ShardingSphere‐Proxy provides static entry and all languages support ShardingSphere‐JDBC adopts a decentralized architecture, applicable to high‐performance light‐weight OLTP application developed with Java. ShardingSphere‐Proxy provides static entry and all languages support brought more complex situations to the database. Apache ShardingSphere wants to solve massive data OLTP problem first and complete relevant OLAP support problem little by little. 4.3. Sharding 37 Apache

4 应用场景 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 海量数据高并发的 OLTP 场景 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 海量数据实时分析 OLAP 场景 . . . . . . . . 损耗略高 无中心化 是 否 静态入口 无 有 3.3 混合部署架构 ShardingSphere‐JDBC 采用无中心化架构，与应用程序共享资源，适用于 Java 开发的高性能的轻量级 OLTP 应用；ShardingSphere‐Proxy 提供静态入口以及异构语言的支持，独立于应用程序部署，适用于 OLAP 应用以及对分片数据库进行管理和运维的场景。 Apache ShardingSphere 尽量透明化分库分表所带来的影响，让使用方尽量像使用一个数据库一样使用水平分片之后的数据库集 群，是 Apache ShardingSphere 数据分片模块的主要设计目标。 8.1.4 应用场景 海量数据高并发的 OLTP 场景 由于关系型数据库大多采用 B+ 树类型的索引，在数据量超过阈值的情况下，索引深度的增加也将使得 磁盘访问的 IO 次数增加，进而导致查询性能的下降。通过 ShardingSphere 数据分片，按照某个业务维

4 应用场景 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 海量数据高并发的 OLTP 场景 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 海量数据实时分析 OLAP 场景 . . . . . . . . 损耗略高 无中心化 是 否 静态入口 无 有 3.3 混合部署架构 ShardingSphere‐JDBC 采用无中心化架构，与应用程序共享资源，适用于 Java 开发的高性能的轻量级 OLTP 应用；ShardingSphere‐Proxy 提供静态入口以及异构语言的支持，独立于应用程序部署，适用于 OLAP 应用以及对分片数据库进行管理和运维的场景。 Apache ShardingSphere 尽量透明化分库分表所带来的影响，让使用方尽量像使用一个数据库一样使用水平分片之后的数据库集 群，是 Apache ShardingSphere 数据分片模块的主要设计目标。 8.1.4 应用场景 海量数据高并发的 OLTP 场景 由于关系型数据库大多采用 B+ 树类型的索引，在数据量超过阈值的情况下，索引深度的增加也将使得 磁盘访问的 IO 次数增加，进而导致查询性能的下降。通过 ShardingSphere 数据分片，按照某个业务维

4 应用场景 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 海量数据高并发的 OLTP 场景 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 海量数据实时分析 OLAP 场景 . . . . . . . . 损耗略高 无中心化 是 否 静态入口 无 有 3.3 混合部署架构 ShardingSphere‐JDBC 采用无中心化架构，与应用程序共享资源，适用于 Java 开发的高性能的轻量级 OLTP 应用；ShardingSphere‐Proxy 提供静态入口以及异构语言的支持，独立于应用程序部署，适用于 OLAP 应用以及对分片数据库进行管理和运维的场景。 Apache ShardingSphere 尽量透明化分库分表所带来的影响，让使用方尽量像使用一个数据库一样使用水平分片之后的数据库集 群，是 Apache ShardingSphere 数据分片模块的主要设计目标。 8.1.4 应用场景 海量数据高并发的 OLTP 场景 由于关系型数据库大多采用 B+ 树类型的索引，在数据量超过阈值的情况下，索引深度的增加也将使得 磁盘访问的 IO 次数增加，进而导致查询性能的下降。通过 ShardingSphere 数据分片，按照某个业务维

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 Mass data high concurrency in OLTP scenarios . . . . . . . . . . . . . . . . . . . 22 Mass data real‐time analysis in OLAP scenarios ShardingSphere‐JDBC adopts a decentralized architecture, applicable to high‐performance light‐weight OLTP applications developed with Java. ShardingSphere‐Proxy provides static entry and supports all languages sharding database group like one database. 8.1.4 Application Scenarios Mass data high concurrency in OLTP scenarios Most relational databases use B+ tree indexes, but when the amount of data exceeds the

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 Mass data high concurrency in OLTP scenarios . . . . . . . . . . . . . . . . . . . 22 Mass data real‐time analysis in OLAP scenarios ShardingSphere‐JDBC adopts a decentralized architecture, applicable to high‐performance light‐weight OLTP applications developed with Java. ShardingSphere‐Proxy provides static entry and supports all languages sharding database group like one database. 8.1.4 Application Scenarios Mass data high concurrency in OLTP scenarios Most relational databases use B+ tree indexes, but when the amount of data exceeds the

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 Mass data high concurrency in OLTP scenarios . . . . . . . . . . . . . . . . . . . 19 Mass data real‐time analysis in OLAP scenarios ShardingSphere‐JDBC adopts a decentralized architecture, applicable to high‐performance light‐weight OLTP applications developed with Java. ShardingSphere‐Proxy provides static entry and supports all languages sharding database group like one database. 3.1.4 Application Scenarios Mass data high concurrency in OLTP scenarios Most relational databases use B+ tree indexes, but when the amount of data exceeds the