А.В. Соловьев1

1 Федеральное государственное учреждение Федеральный исследовательский центр
«Информатика и управление» Российской академии наук (Москва, Россия)
1 soloviev@isa.ru

Постановка проблемы. В условиях географической удаленности субъектов экономики и центров принятия решений особенно важно обеспечить строгую согласованность данных на всех узлах распределенной системы управления экономикой для повышения эффективности принятия решений и обладания в любой момент времени актуальной информацией о состоянии производственных процессов. В этой связи критичной становится задача не только хранить большие объемы данных, но и обеспечить эффективный контроль за их изменением, своевременным обновлением на всех узлах распределенной системы управления экономикой, согласованием версий данных между собой.

Цель. Изучение структур хранения данных, предназначенные для поддержки и управления мультиверсионностью в распределенных СУБД для определения наиболее эффективных из них с точки зрения времени обращения к данным.

Результаты. Проанализированы структуры хранения данных, предназначенные для поддержки и управления мультиверсионностью в распределенных СУБД. Показано преимущество в скорости доступа к данным при использовании структур LSM-дерева.

Практическая значимость. Разработанные эффективные структуры хранения данных для поддержки мультиверсионности в распределенных СУБД, как системах управления данными (базами данных), содержащих данные о производственных процессах, которые в условиях цифровизации становятся ключевыми факторами производства, позволяют решить критичную задачу данного исследования.

Соловьев А.В. Структуры хранения для поддержки мультиверсионности данных в распределенных СУБД // Системы высокой доступности. 2025. Т. 21. № 4. С. 18−27. DOI: https://doi.org/10.18127/j20729472-202504-02

1. Zhang Y. Digital Twin. Architectures, Networks, and Applications. 2024. 126 p. ISBN: 978-3-031-51818-8. DOI: https://doi.org/10.1007/ 978-3-031-51819-5.
2. Knuth D. Sorting and Searching. The Art of Computer Programming. V. 3 (Second ed.). Addison-Wesley. ISBN 0-201-89685-0. Section 6.2.4: Multiway Trees. 1998. P. 481–491.
3. Zhang W., Xu Y., Li Y., Li D. Improving Write Performance of LSMT-Based Key-Value Store. 2016 IEEE 22nd International Conference on Parallel and Distributed Systems (ICPADS). 2016. P. 553–560. doi:10.1109/ICPADS.2016.0079. ISBN 978-1-5090-4457-3.
4. Ahuja A., Jain V., Saini D. Measuring Clock Reliability in Cloud Virtual Machines. In: Al-Turjman, F. (eds) Real-Time Intelligence for Heterogeneous Networks. Springer, Cham. 2021. https://doi.org/10.1007/978-3-030-75614-7_6.
5. Zennou R., Biswas R., Bouajjani A. et al. Checking Causal Consistency of Distributed Databases. Computing 104. 2022. P. 2181–2201.
6. Storage Layer: Cockroach Labs. URL: https://www.cockroachlabs.com/docs/stable/architecture/storage-layer (дата обращения 19.09.2025).
7. Mihalcea V. YugabyteDB Architecture. 2023. URL: https://vladmihalcea.com/yugabytedb-architecture/. Дата публикации: 24.03.2023.
8. DocDB storage layer: YugabyteDB. URL: https://docs.yugabyte.com/preview/architecture/docdb/ (дата обращения 19.09.2025).
9. RocksDB | A persistent key-value store: RocksDB. URL: https://rocksdb.org/ (дата обращения 19.09.2025).
10. LSM tree and Sorted string tables: YugabyteDB. URL: https://docs.yugabyte.com/preview/architecture/docdb/lsm-sst/ (дата обращения 19.09.2025).
11. Raft vs. RocksDB WAL logs: YugabyteDB. URL: https://docs.yugabyte.com/preview/architecture/docdb/performance/#raft-vs-rocksdb-wal-logs (дата обращения 19.09.2025).
12. Обзор YDB: YDB. URL: https://ydb.tech/docs/ru/concepts/ (дата обращения 17.09.2025).
13. Модель данных и схема: YDB. URL: https://ydb.tech/docs/ru/concepts/datamodel/ (дата обращения 17.09.2025).
14. Дисковая подсистема кластера aka YDB BlobStorage: YDB. URL: https://ydb.tech/docs/ru/concepts/cluster/distributed_storage (дата обращения 17.09.2025).
15. Многоверсионное управление конкурентным доступом (MVCC): YDB. URL: https://ydb.tech/docs/ru/concepts/mvcc (дата обращения 19.09.2025).
16. Сравнение производительности YDB, CockroachDB и YugabyteDB на бенчмарке YCSB: habr. URL: https://habr.com/ru/ companies/ydb/articles/740560/. Дата публикации: 08.06.2023.
17. Bhanawat Hemant, Agarwal Sonal. TPC-C Benchmark: Scaling YugabyteDB to 100,000 Warehouses: YugabyteDB. URL: https://www.yugabyte.com/blog/tpc-c-benchmark-100000-warehouses-yugabytedb/. Дата публикации: 11.02.2022.
18. YDB знакомится с TPC-C: раскрываем производительность наших распределенных транзакций: habr. URL: https://habr.com/ru/companies/ydb/articles/763938/. Дата публикации: 27.09.2023.
19. Swoyer S. Meet TPCx-BB – A Benchmark for Assessing Big Data Performance: tdwi. URL: https://tdwi.org/articles/ 2016/06/28/tpcx-bb-big-data-benchmark.aspx (дата обращения 19.09.2025).
20. Feifei Li. Cloud-Native Database Systems at Alibaba: Opportunities and Challenges. Proceedings of the VLDB Endowment, 12(12). 2019. P. 2263–2272. DOI: https://doi.org/10.14778/3352063.3352141.
21. Evolving our self-hosted offering and license model: Cockroach Labs. URL: https://www.cockroachlabs.com/blog/enterprise-license-announcement/. Дата публикации: 15.08.2024.
22. YugabyteDB Powers the Global Cache of a Top Five US Bank’s Business-Critical Payment App: YugabyteDB. URL: https://www.yugabyte.com/success-stories/bank-bill-pay-app/ (дата обращения 14.03.2025).
23. Soto Christiane. US-Based Bank Scales Data Platform for Billions of Real-Time Customer Interactions: YugabyteDB. URL: https://www.yugabyte.com/blog/bank-scales-data-platform/. Дата публикации: 24.10.2023.
24. Wu G., Chen Z., Dang J. Big Data Enabled Computing. In: Intelligent Bridge Maintenance and Management. Springer Tracts in Civil Engineering. Springer, Singapore. 2024. https://doi.org/10.1007/978-981-97-3827-4_5.