大家好 ， 我发起了一个 .Net 开源 数据库 项目 SqlNet 。
项目计划 是 用 C# 写一个 关系数据库 。
可以先参考我之前写的 2 篇文章 ：
谈谈数据库原理 https://www.cnblogs.com/KSongKing/p/9492315.html
论数据库 B Tree 索引在固态硬盘上的离散存储 https://www.cnblogs.com/KSongKing/p/9501686.html
根据 上面说的 ， SqlNet 中的 表数据 和 索引数据 的 存储 打算使用 链式存储（离散存储） 。
但这样的做法是 存在一些 风险 或者说 可能的问题 的 。
因为 现有的 文件流 驱动程序 硬件控制指令 硬件控制电路 都是 基于 顺序读写 的 模式 来 设计 的 ， 所以用 顺序读写 架构下的 指令 来 实现 随机读写 ， 效率应该会有所降低 。 简单的 ， 我们可以这样看 ， 在现有的架构下 ， 需要 2 个步骤来完成 1 次 随机读写 ： 1 设定流位置（Position） ， 2 读写 。 而真正的 随机读写 应该是像 读写内存 一样 在一个 指令里 指定 地址 + 数据 ， 1 个指令就完成对指定地址的读写 。
这中间可能还有很多细节 ， 不过这个要测试起来应该很麻烦 ， 而且自己测试不一定准确 ， 所以懒得测了 ， 就按照这个设计开始 吧 。 ^ ^
我们可以参考这篇文章 ：http://ssd.zol.com.cn/608/6082318.html
这篇文章是 固态硬盘 性能测试报告 ， 包括了 连续读 连续写 随机读 随机写 ， 其中所说的 “Intel 600P” 的 连续读可以达到 1800M/s ，连续写可以达到 500M/s ， 随机读接近 480M/s ， 随机写接近 400M/s 。 所以 。
文中的 随机读 和 随机写 是 指 “4K随机读” 和 “4K随机写” ， 就是说是以 4K 为基本单位 进行 随机读写 ， 而我们的 数据库 的 随机读写 的 单位在 insert 的时候是 行 。一个栏位比较多的行 ， 数据量可能是 1K ， 如果 栏位比较多 ， 栏位里的内容也比较长（比如 字符串比较长） ， 那么也很容易达到 4K 。 所以 4K 作为读写的 最小单位 进行的测试 基本上 跟 我们的 数据库 的 使用场景 也差不多 。 当然 update 和 delete 的 写入 数据量 会 比较小 ， update 只写入更i新的栏位数据 ， delete 只修改 行 的 上一行 的 Next 指针 ， 以及将 本行 标识为 已删除 。
不过这些我想不是问题 ， 理论上， 这些问题在未来都可以解决 。 未来出现 专门用于 固态硬盘 随机读写的 文件流 驱动程序 硬件控制指令 硬件控制电路 就可以了 。
仔细再一想 ， 固态硬盘 做为 外部设备 ， 先设置 读写位置(Position) ， 再批量读写 ， 这个也是合理的 。
这好像有点绕 ， 哈哈哈哈 。
总之 ， 这么说 ， 现有的 文件流 驱动程序 硬件控制指令 硬件控制电路 如果对 SqlNet 的支持 还不是 最优 ， 那么 ， 随着技术的发展 ， 是可以得到优化的 。
要 采用 链式存储 ， 就需要 实现 一个 内存堆 分配 的 机制 。 将 数据文件（Data File）看作一个 地址空间 ， 在这个地址空间上实现一个 堆 机制 。
堆机制 可以自己设计 ， 不过 先研究一下已有的实现原理 ， 比如 C# , Java , C++ 的 。
采用了 链式存储 ， 就不需要使用传统的 数据块（Data Block）的存储方式了 ， 当然相对的 ， 需要实现一个 堆机制 。
但是 仔细再一想 ， 固态硬盘 是一个 外部设备 ， 每一笔资料都要单独读取 ， 这个性能消耗 应该会比 连续批量读取 大很多 。
所以 ， 我觉得还是要采用 传统的 Data Block 的方式 。
实际上 ， Data Block 本身就是 线性表 和 链表 两者 的结合 。 Data Block 是一个 线性表 ， 多个 Data Block 之间通过 链表 的 方式 连接起来 。
所以 ， 从这里可以看到 ， Data Block 的大小（Size）是一个 关键 。 Size 太大 ， 则可能浪费过多的磁盘空间 ， 同时 insert 时需要向后移动的 行数 也会很多 。
Size 太小 ， 则读取的效率会降低 ， 最坏的情况就是 退化 成一个 纯粹的 链表 ， 比如 每个 Data Block 只包含 一行 。 这样就又恢复到 “链式存储” 了 。 ^^
什么情况下 ， 每个 Data Block 只包含 一行 呢 ？ 比如我们设定每个 Data Block 的大小是 4M ， 如果 1行资料 的大小 接近 4M ， 那么 ， 这个 Data Block 就只能包含 1 行的 资料 。
所以 ， 从这里可以看出 ， Data Block 的 Size 需要根据 Table (Schema) 来决定 。 不同的 Table ， Data Block Size 是不一样的 。 或者说 ， Data Block 应该叫做 “Table Block” 。
我们在创建 Table 时会指定 Table Schema ， 包括 有哪些列 ， 列的数据类型 ， 根据这些我们可以计算出 一行 所需的最大空间 ， 我们设定 ， 1 个 Table Block 包含 1024 行 ， 那么 ， 加入 1 行所需的最大空间是 4K ， 那么 ， 这张 Table 的 Table Block Size 就应该是 4K * 1024 = 4M 。
这种做法会造成 存储空间 的浪费 ， 因为 比如 字符串类型的数据的长度 是 不定的 ， 在 传统的数据库 中有 char , varchar , nchar , nvarchar 等 4 种类型 表示字符串 。
对于 变长字符串 ， 如果要兼顾到 读取 查找 插入 更新 的 效率 的话 ， 情况可能比较复杂 。
不过我们可以先实现简单的实现 ， 比如 ， 我们可以先只支持 定长的 char 类型 。
但 ， 这样根据 Table Schema 来决定 Table Block Size 的 做法 也有问题 。 在 行 size 很大时 ， 会产生一些问题 。 什么时候 行 size 很大呢 ？ 比如 列很多 ， 或者 列 size 很大 ， 都可能导致 行 size 很大 。 假设 行 size 是 1 M ， 根据上面的设定 ， 1 个 Table Block 应该有 1024 行 ， 1 个 Table Block 的大小就是 1M * 1024 = 1G 。
1 G 的 Table Block 看起来是挺大的 ， 这会导致什么问题呢 ？
在 insert 的时候 ， 如果没有 聚集索引 ， 新增一行 就是将 新行 添加为表的 最后一行 。 如果有聚集索引（比如 主键） ， 会将 新行 根据 索引排序 插入到 指定的位置 。 而 插入 会导致 这个 Table Block 内在 这个新行 之后 的 所有 行 都 向后移动 （参考 线性表 的 插入操作）。
1 G 的 Table Block 需要向后移动的 数据量 是 很大的 ， 如果 新行 插入的位置是比较靠近 Table Block 的 开始位置 ， 那么 需要向后移动的 数据 可能 接近 1 G 。
还有在 update 的时候 ， 对于 长度可变 的 列 ， 比如 varchar 或者 nvarchar 的 列 ， 新值 如果比 旧值 的 长度 更长 ， 同样 会向后移动数据 。 需要移动 本行 的 update 的 列 之后 所有列 的数据 ， 以及 本行之后 所有行 的 数据 。
同上 ， 对于 1 G 的 Table Block ， 如果 update 的位置靠近 Table Block 的 开始位置 ， 那么 需要向后移动的 数据 可能 接近 1 G 。
所以 ， 我们还是回到 固定大小 的 Table Block ， 或者说 Data Block 。 ^^
对于 固定大小的 Data Block ， 首先 1 行的长度不允许超过 Data Block Size 。 那么 ， 回到上面提出过的问题 ， 当 行 size 比较大时 ， 可能 1 个 Data Block 只包含 1 行 ， 此时 ， 存储结构 将 “退化” 为 一个 链表 。 但仔细一想 ， 这并没有关系 ， 不管 1 个 Data Block 里包含 几行 ， insert 和 update 时 需要移动的 数据 最多接近 Data Block Size 。 假设 Data Block Size 是 1 M ， 那么需要移动的数据 最多接近 1 M 。
对于 读取效率 ， 每次读取的 数据 就是 1 个 Data Block ， 即 1 M 。
综上 ， 存储结构 的 设计 就 清楚了 ， 而 在这个 存储结构 里 ， Data Block Size 是一个 关键参数 。
我想 我们可以设定 Data Block Size 为 1 M 。
下面 ， 我们先来解决 第 1 个 问题 ， 索引 。
为什么 索引 是 第一个 问题呢 ？ 索引是高效查询的基础 ， 如果 表 有聚集索引（比如 主键） ， 那么 聚集索引 的 存储 就是 表数据 的 存储 。 而 主键 是 广泛使用的 ， 甚至可以说是 必需 的 （见 三大范式） ， 根据主键查询也是广泛使用的 ， 所以 索引 是 第 1 个问题 ， 可以说是 数据库 的 基础 。 解决了 索引 的 存储检索 问题 ， 也就解决了 数据库 的 存储检索 问题 。
我理解的 B Tree 索引 ：
实际上 ， B Tree 索引 所代表的查询原理是一种 普遍的 索引原理 ， 为什么叫 “B Tree” ， 就不知道了 。 ^^
B Tree 索引 是一个 树形结构 ， 但为了能够从 外部存储器（磁盘）高效的 读取 ， 我们需要将 B Tree 索引 顺序的排列起来 ， 存放到 Data Block 里 。
顺序排列 起来 存放到 Data Block 里的 B Tree 索引 如下 ：
一个 Data Block 存放满了 ， 就存到下一个 Data Block 里， 上文说过 ， Data Block 之间通过 链表 的 方式连接起来 。 或者说 ， 一张表的数据 ， 或者索引 ， 就是一个 Data Block 作为元素组成的 链表 。
B Tree 索引 的 效率如何呢 ？ 可以看到 ， 上面图中的 B Tree 索引的每个节点（索引项）有 4 个 子节点 ， 这大概叫做 “4 阶索引” 。 4 阶索引 的 检索流程 如下 ：
假如要检索的内容是一个中文字符 ， 按 Unicode 存储的话 占 2 个字节(Byte) ， 对于 4 阶索引来说 ， 每次检索 2 位(bit) ， 2 位 代表了 4 种情况 ： 00 , 01 , 10 , 11 。
2 个字节包含了 16 位 ， 那么就要检索 16/2 = 8 次 ， （每一次检索就是检索一个 B Tree 节点(索引项)） 。
如果要检索的内容是一串字符 ， 字符的长度是 64 个字节(Byte) ， 相当于是 32 个中文 ， 那么检索次数是 (64 * 8) / 2 = 64 * 4 = 256 次 。
所以 B Tree 索引的 时间复杂度 和 行数 无关 ， 和 检索内容 的 长度 有关 。 具体的说， B Tree 索引的时间 复杂度 是 O(length * 8 / 2) ， length 是 检索内容 的 长度（Byte 数） 。
每次检索（检索一个 索引项）需要判断 4 种情况 ： 00 , 01 , 10 , 11 ， 如果 每次检索话费的时间是 4ns (4 纳秒) ， 那么查找 32 个中文的字符串的时间就是 256 * 4ns = 1024ns 约等于 1 微秒 。
以此类推 ， 查找长度为 320 个中文字符 的 字符串 的 时间是 1 微秒 * 10 = 10 微秒 。
查找长度为 3200 个中文字符 的 字符串 的 时间是 1 微秒 * 100 = 100 微秒 。
Sql Server 中的 nvarchar 类型 长度 可达 4000 ， 就是说可以存储 4000 个 中文字符 。 这个可以作为参考 。
假设我们的数据库中某列 的 长度 平均 是 100 个中文字符 ， 用于查找该列的内容 也是 按 平均 100 个中文字符计算 ， 按照上面的估算 ， 可以估算按照索引查找该列的时间约是 3.4 微秒 ， 假设按 4 微秒 算 ， 那么 每秒查询次数（QPS）可以达到 25万次 / 秒 ， 呵呵呵 ， 实际能不能达到这个效果 ， 就不知道了 。 需要测试 。
从这里 ， 我们再次体会到 ， 测试 是 一个 专业 ， 是 和 开发 不可分割 的 一部分 ， 和 开发 一起组成 软件生产力 。 测试 是 DevOps 的 主干力量 。
等 ， 我好像是 第二次 讲上面这句话了 。 -_- 第一次是 在 《Socket-Vs-WebSocket-TestTool》 这篇文章里 ： https://www.cnblogs.com/KSongKing/p/9455439.html
上面的 估算 是 针对 一个 CPU 核 的 ， 如果 CPU 有 多个 核 ， 比如 4 核 ， 那么 QPS 可以达到 25万 * 4 = 100万次 / 秒 ， 如果是 8 核 ， 可以达到 25万 * 8 = 200万次 / 秒 。
B Tree 在某些场合会显得比较 “白痴” 。 比如 只有 一行数据 ， 要检索的 列 的 长度比较长 ， 比如 4000个中文字符 ， 检索内容（查询条件） 也是 4000个中文字符 的 字符串 ， 根据上面的 推算 ， 以 4000个字符 的 字符串 作为查询条件 的 检索 会 花费比较长的时间 。 而如果是循环遍历比较字符串的话 ， 只需循环 1 次 ， 比较 1 次 字符串 就可以得出结果了 。 对于 索引 而言 ， 4000 个 中文字符 需要 检索 4000 * 2 * 8 / 2 = 3.2万 个 索引项 。 天 ！
看起来 索引 跑了个 马拉松 ， 而 循环遍历 字符串 只跑了 400米 。
但仔细一想 ， 字符串 比较 的 时间花费 跟 字符串 长度 也有关系 ， 对于 ASCII 码 的话 ， 每个字节(Byte)作一次比较 ， 循环比较直到最后一个字符（如果中间有字符不同则可结束循环 返回 false） ， 对于 Unicode 的话 ， 每 2 个字节作一次比较 ， 可以理解是 1 次 Int16 整数的比较 ， 但也要循环比较 4000 次 。
而从这又联想到 ， 对于 大字符串 的比较有没有更优化的算法 ？ 我们会想到计算 Hash ， 可以计算 2 个字符串的 Hash 值 进行比较 ， 若相同则表示 字符串 相同 。 但 Hash 计算相当于是对 大整数 的 计算 ， 具体的算法上可能也是会按 Byte 来计算 ， 或者按 Int64(64位整数) 来计算 ， 即对于 大字符串 ， 每次取 8 个 字节(Byte) 来进行整数运算 ， 以此来计算 Hash 。 但即使每次取 8 个字节 来计算 ， 也要循环计算 1000 次 。
所以 。 然后 。
上述 的 效率对比问题 在 行数较少 检索内容长度较长 的 时候都存在 。
索引 ， 或者说 B Tree 索引 ， 应该是广泛的应用于 数据存储管理 的 各种场合 。 比如 操作系统 的 文件系统 。
这一点 ， 我们会在 《浅谈操作系统原理》 https://www.cnblogs.com/KSongKing/p/9495999.html 一文中 探讨 ， 当然 ， 现在这篇文章里还没有具体内容 。 嘿嘿嘿 。
到这里 ， 看起来 ， 问题差不多解决了 。 但 ， 还有一个问题 ， 就是 排序规则 。
为了让数据按照人们习惯的排序方式排序 ， 索引也需要 按照 人们习惯的排序方式 排序 ， 实际上 ， 索引 的排序规则 ， 本身就是 检索规则 。
所以 排序规则 是 索引 的 重要 组成部分 。
比如 ， 我们的中文习惯按照 音序 排序 ， 就像 新华字典 那样 。
那么 ， 要实现 索引 的 排序 和 按 排序规则 检索 ， 要怎么办呢 ？
要实现 排序规则 ， 需要给 字符 编一个 排序编码 ， 就像 字符编码（比如 Unicode）那样 。
和 Unicode 一样 ， 排序编码 也是 2 个 字节 ， 编码是 按照 音序 来 ， 比如 “啊” 字 大概是 “0000 0000 0000 0001” 吧 ！
不过 上面假设是 只包含 中文 的 情况 ， 如果把 字母 和 特殊字符 包括进来 ， 那 字母 和 特殊字符 应该会排在 汉字 前面 。
那要怎么知道 这个字符 的 排序编码是 多少呢 ？ 需要一张 Unicode 和 排序编码 的 对照表 。 我们把这个 对照表 称为 排序编码表 。
这样 根据 字符 的 Unicode 可以查找到 对应的 排序编码 。
排序编码表 也是 一个 B Tree 索引 。 这样可以 快速查找 。
根据 Unicode 查找 排序编码 ， Unicode 的长度是 2 个 字节 ， 所以查找的 时间花费 是 8 * 2 / 2 = 8 ， 即 O(8) 。
所以还是 很快的 。
在有 排序编码 的情况下 ， 索引 实际上是 根据 排序编码 建立 ， 检索 也是根据 排序编码 检索 ， 也就是说 ， 索引项 里存的 2 位(bit) 数据都是 排序编码 的 bit 。
字符的 Unicode 只有在 索引 最终指向的 数据项 才会 保存 。
有了 索引 之后 ， 就可以开始写 数据库引擎 了 ， 索引 是 数据库 的 基础 。 也是 最基本单元 。
首先 ， 我们可以用 索引 来 建立 数据库 的 元数据 引擎 。
元数据 ， 就是 有多少张表 ， 每张表 有哪些列 ， 列的数据类型 ， 表的 起始 Data Block ， 表有哪些索引 ， 索引的 起始 Data Block 等等 。
数据库 要运作 ， 首先要能 高效 的 管理 和 查询 元数据 。 这是基础 。 在这个基础上 ， 才能进行 表 和 数据 的 存储管理 。
接下来 ， 我们要对 insert update 导致 数据移动 的问题进行一些 优化 。
上文不止一次的提到 ， 在 insert 和 update 可变长类型（如 varchar , nvarchar） 时 会 导致 数据移动 ， 我们再来 Review 一下 ：
1 insert 会导致 Data Block 中 插入的数据 之后的数据全部要向后移动 。
2 update 可变长类型 如果 新值 比 旧值 长 ， 会导致 Data Block 中 旧值 之后的数据全部要向后移动 。
3 update 可变长类型 如果 新值 比 旧值 短 ， 会导致 Data Block 中 旧值 之后的数据全部要向前移动 。
上面的 3 种 情况 相当于是 线性表 的 插入 删除 操作 。
这些情况 对 性能的影响是挺大的 。 所以需要作一些改良 。 可以引入一些 “链式存储”（链表） 的 特性 ， 来弥补这部分不足 。
比如 insert 一笔资料 的时候 ， 具体的举例 ， 比如 ， 有一个 Data Block ， 我们称之为 Data Block 1 ， 里面存了 2 行 ， A 行 和 C 行 。 现要在 A 行 和 C 行之间插入 B 行 ， 由于 A 行 C 行 的数据 是 顺序 连续 的 排列的 ， 所以如果将 B 行数据 插入在 A行 和 C 行之间 ， 就会需要 C 行数据 向后移动 ， 如果采用 链表 的 方式 ， 新建一个 Data Block （称之为 Data Block 2） ， 将 B 行写入 Data Block 2， 让 A 行的 Next 指针指向 Data Block 2 中的 B 行 ， 同时让 B 行的 Next 指针指向 Data Block 1 中的 C 行 。 这样就可以了 。这里的 指针 包含 2 个 字段 ， 一个是 Data Block 的 位置 ， 另一个是 数据在 Data Block 中的 起始位置 。 这里的 “位置” 是指 文件流 里的 “位置” 这个概念（如 C# 中的 FileStream.Position 属性） 。 Data Block 的 位置是指 Data Block 在 数据文件（Data File） 中的 起始位置 ， 数据在 Data Block 中的位置 指 数据的起始位置 相对于 Data Block 起始位置 的 位置 。
对于 可变长类型， 比如 varchar , nvarchar ， 应采用 指针 的方式存储 ， 即 可变长类型 的 值 不保存在 行 中 ， 而是 独立存储 ， 行 通过 指针指向 值 。 在 update 时 ， 如果 新值 的长度大于 旧值 ， 而 旧值 后面又连续存储了其它数据 ， 则应 新申请一块空间 来存储 新值 ， 并修改 行 内该列的指针 ， 使指针指向 新值 的 位置 。 新申请的空间 可能在 同一个 Data Block 里 ， 也可能在一个 已有的 Data Block 的 空闲空间（Free Space） 里 ， 也可能会在一个 新的 Data Block 里 。
如果 包含指针的数据 和 指针指向的数据 在 同一个 Data Block ， 那么 指针 里的 Data Block 位置字段 可以为 -1 ， 表示 在 同一个 Data Block 。 所谓 “包含指针的数据” 是指 比如 行 ； “指针指向的数据” 比如 行 的 下一行 ， 或者 行 的 可变长类型列的 值 。
显然 ， 这样会造成一些 空闲空间（Free Space） ， 或者 “碎片” 。
看起来我们需要引入一些管理 空闲空间（Free Space） 的机制 。 可以用一个 空闲空间表（Free Space List）来管理 Free Space 。Free Space List 是一个 线性表 ， 长度设为 10 ， 就是说 ， 最多只保存 10 个 Free Space 。 当有超过 10 个 的 Free Space 产生时 ， 如果 新的 Free Space 的大小 小于 Free Space List 中当前最小的 Free Space ， 则不会添加到 Free Space List， 如果大于 ， 则会 移除 当前最小的 Free Space ， 将新的 Free Space 添加进 Free Space List 。
在 insert update 需要写入数据的时候 ， 就到 Free Space List 里 查找 大小足够 的 Free Space ， 若找不到大小足够的 Free Space ， 则 申请一个新的 Data Block 。
Free Space List 的每一个表项描述一个 Free Space ， 表项应包含 3 个字段 ， 1 Free Space 所在的 Data Block 的 起始位置 ， 2 Free Space 的 起始位置 ， 3 Free Space 的 结束位置 。 Free Space 的 起始位置 和 结束位置 是 相对于 Data Block 起始位置 的 相对位置 。
大量 delete 数据的时候 会产生很多 Free Space ， 如果只保存 10 个 Free Space ， 会造成大量存储空间浪费 。 算了 ， 还是 全部 Free Space 都保存吧 ， 有多少保存多少 。 而且也不要 线性表 了 ， 还是用 链表 来作为 Free Space List 。 这就跟 内存堆 一样了 。 关于 内存堆 ， 可以 参考 我写的另一篇文章 《漫谈 C++ 的 内存堆 实现原理》 https://www.cnblogs.com/KSongKing/p/9527561.html 。
如果 整个 Data Block 都空闲出来了 ， 就直接归还 数据库引擎 ， 不需要再保存到 Free Space List 。
对于 “碎片” ， 可以通过 Job 的 方式 定期 或 不定期 整理 。
现在 ， 在技术上 ， 我们还需要实现一个 系统 ， 或者说 机制 ， 或者说 库 ， 或者说 模块 ， 来实现将 数据文件（Data File）里的 Data Block 读取到内存里并构成 对象图（对象树） 以及 将 更新过的数据写入 数据文件 对应的 Data Block 的 对应的位置 ， 或者 将 新创建的 Data Block 写入 数据文件 。 所谓 对象图（对象树） ， 就是 上述的 行与行 ， 行与可变长类型列的值 之间的 链表关系（指针关系） 。
好了 ， 有了上述的这些 ， 可以开始写数据库了 。
好的， 我们进一步来讨论一下具体的做法 。
我们需要一个 DataManager 类 和 一个 DataBaseManager 类 。
DataManager 负责 底层 的 数据存取 。 DataBaseManager 负责 关系数据 的 管理（表 索引 ……） 。
DataBaseManager 会 调用 DataManager 。
DataManager 要实现的， 是一个 类似 内存映像 或者 虚拟内存 的 一个机制 。 将 内存 和 数据文件（Data File） ， 映射成一个 虚拟的存储空间 。 我将这个机制， 称为 “虚拟存储” 。
这样， DataBaseManager 就可以不需要考虑 数据在 内存 和 数据文件 中存储的 细节 而 只需 关注 关系数据 的 管理 即可 。
DataManager 要实现 内存映像 或者 虚拟内存， 可以这样做， 首先， 定义一个 数据存储的单元， 类似 虚拟内存 里的 页， 我们可以叫做 Data Block 。 上文中也定义了 Data Block， 不过现在的 Data Block 和 上文的 Data Block 意义不一样。 上文的 Data Block 是 关系数据层面的， 比如 一张表的 数据 会 存在多个 Data Block 中， 以及 一行资料 最大长度 不能超过 一个 Data Block 的大小 等等 。 这些对于现在的 Data Block 来讲， 都不存在了 。
所以， 这就是 大的 架构 。
结论： SqlNet 是 基于 离散存储 的 新一代 数据库 。 离散存储 可以解决 大数据量大并发频繁 insert 索引排序（移动）造成的瓶颈 的问题 。
SqlNet 的 离散存储 基于 虚拟存储 和 堆 。
有关于 堆 ， 我在 《漫谈 C++ 的 内存堆 实现原理》 https://www.cnblogs.com/KSongKing/p/9527561.html 一文中 作了 探讨 。
基于 离散存储 的 数据库 诞生的 土壤 是 硬件的发展， 以 固态硬盘 和 大容量内存 为代表 。
还有另一个因素 是 关系数据库 的 发展到了 新的 突破 的 时候了 。
或者可以这么说， 离散存储 使得 关系数据库 向 分布式并行计算 的 方向发展 更加 可行 和 有效 。