HN 日本語サマリー

← 一覧へ戻る
インフラ・DevOps

PostgresデータをS3上のParquetに保存:LTAPアーキテクチャの説明

Postgres data stored in Parquet on S3: LTAP architecture explained (databricks.com)

123 pointsby andrenotgiant41 コメント

要約

従来のデータベースは、WAL(Write-Ahead Log)とデータファイルを単一のマシンのディスクに保存するため、データ損失のリスク、高価なリードレプリカ、分析クエリによるトランザクションの遅延といった問題が生じます。Lakebaseは、WALとデータファイルを独立したクラウドサービス(SafeKeeper、PageServer)に外部化することでPostgresコンピュートをステートレス化し、無制限のストレージ、弾力的なコンピュート、耐久性の高い書き込み、シンプルな高可用性、インスタントブランチングを実現します。さらにLTAP(Long-Term Archive and Persistence)は、運用データをカラムナフォーマットで一度だけ保存し、PostgresとLakehouseエンジンの両方が読み取れるようにすることで、CDCパイプラインやデータコピーなしに、トランザクションと同じ最新データで分析を実行可能にします。

全文翻訳

モノリスからLakebase、そしてLTAPへ:ストレージからデータベースを再考する

16年前、UC Berkeleyで博士課程を開始したとき、指導教官は私にこう言いました。「OLTPデータベースは解決済みの問題だ。うまく機能する。分析に集中しなさい」。私たちは、構造化データと非構造化データをはるかに多く収集し、機械学習(現在「AI」と呼んでいるもの)を適用できるようになった初期段階にいました。そこで私はそのアドバイスに従い、共同創業者と共にApache Sparkとなった研究プロジェクトに参加し、後にDatabricksを設立しました。

Databricksを構築する中で、私たちは様々なデータベースを使用するようになり、OLTPデータベースは解決済みの問題からほど遠いことに気づきました。それらは扱いにくく、スケーリングが困難で、信じられないほど壊れやすかったのです。ある時点で私たちは十分に不満を感じ、もし今日OLTPデータベースを設計するとしたら、それはどのようなものになるだろうかと考えました。その問いが、サーバーレスPostgresデータベースであるLakebaseへとつながりました。

この記事では、Lakebase OLTPアーキテクチャを深く掘り下げます。まず、従来のモノリシックデータベースのストレージレイヤーから始め、どこに問題があるのかを見ていきます。次に、Lakebaseがそれらの同じ部品を独立した外部化されたサービスにどのように再編成するかを見ていきます。最後に、LTAPに目を向けます。そこでは、同じアーキテクチャが、CDC(Change Data Capture)や「ミラーリング」の遅延や追加コストなしに、単一のデータコピー上で、リアルタイムにトランザクションと分析を実行することを可能にします。

データベースとしてのモノリス

今日世界中で稼働しているデータベースの大多数はモノリスです。これにはMySQL、Postgres、クラシックOracleが含まれます。LakebaseはPostgres(偶然ですが、PostgresもBerkeleyで誕生しました)上に構築されているため、ここではPostgresを主な例として使用しますが、ほとんどのデータベースは同様に機能します。データベースエンジンとストレージを実行する1台のマシンをプロビジョニングします。これらのデータベースシステムでは、ディスク上で最も重要な2つのものがあります。それはWAL(Write Ahead Log)とデータファイルです。

[画像]

トランザクションをコミットするとき、データベースはすぐにデータファイルを書き換えるわけではありません。それは遅くなります。なぜなら、操作対象の行はファイル内のランダムI/Oを必要とする場所に散らばっているからです。代わりに、データベースはまず変更の説明をWAL(ディスク上のシーケンシャルログ)に追記します。トランザクションは、そのログエントリが永続的に書き込まれた瞬間にコミットされたと見なされます。後で非同期的に、データベースは変更を反映するために実際のデータファイルを更新しに戻ります。

これを考える簡単な方法はこうです:WALは書き込みを高速(かつ安全)にするために存在し、データファイルは読み取りを高速にするために存在します。ログにより、散らばったランダムI/Oの代わりに、単一のシーケンシャル追記でトランザクションをコミットできます。データファイルにより、データベースの全履歴を最初から再生するのではなく、現在の状態を直接読み取ることでクエリに答えることができます。(この設計のすべての複雑な詳細を理解したい場合は、69ページにわたるARIES論文をお読みください。これはコンピュータサイエンスで最も複雑な論文の1つであることを警告しておきます。)

この設計が事実上すべてのデータベースの基盤となっているため、モノリシックアーキテクチャは多くの課題も生み出します。

設定ミスによるデータ損失。コミットは、その背後にあるディスクフラッシュと同じくらい永続的です。データベース、オペレーティングシステム、またはストレージレイヤーが、WALへの書き込みが実際に永続メディアにフラッシュされる前にクライアントに確認されるように設定されている場合、コミットは電源喪失やカーネルパニックで消えてしまう可能性があります。これらの設定は微妙で、間違いやすく、失敗はしばしばサイレントです。オペレーティングシステムは、フラッシュについて嘘をつくことさえあります!

ノード損失によるデータ損失。フラッシュが正しく設定されていても、WALとデータファイルは1台のマシン上に存在します。そのマシンのディスクが故障すると、その上のデータも失われます。ネットワーク接続ストレージやRAID-1/RAID-10のような冗長化技術は耐久性を向上させるかもしれませんが、この問題を根本的に解決するものではありません。ストレージマウントが故障すると、データへのアクセスも失われます。

読み取りのスケーリングには物理的なクローンが必要。1台のボックスがトラフィックを処理できなくなったとき、標準的な解決策は読み取りレプリカを追加することです。しかし、読み取りレプリカはデータベース全体の完全な物理コピーであり、プライマリからWALをストリーミングしてそれを再生します。1つをプロビジョニングするということは、データセット全体をコピーし、その後ログでキャッチアップすることを意味します。大規模なデータベースでは、これは迅速な操作ではなく、データベースをダウンさせる可能性さえあります。

高可用性にも物理的なクローンが必要。プライマリの損失を生き延びるには、少なくとも1つの追加のスタンバイノードを実行する必要があります。これはそれ自体がデータベースの完全な物理コピーであり、WALから同期を保っています。インフラストラクチャの少なくとも2倍を支払い、スタンバイをオンラインにするのに長い時間がかかり、プライマリがダウンしたときにデータを失わないように同期レプリケーションを設定する必要があります。(実際には、多くの推奨は3ノード以上です。)

分析がトランザクショントラフィックと競合する。重い分析クエリは、レイテンシに敏感なトランザクションワークロードと同じハードウェアリソースに対して実行されます。1つの大規模なレポートクエリや1つのGDPRクリーンアップが、メインのOLTPクエリを低下させる可能性があります。別のレプリカで分析クエリを実行することはできますが、レプリカのコストを支払い、OLTPストレージの行指向の性質(分析は高性能のために列指向ストレージを必要とします)のために最適なパフォーマンスが得られないままです。

これらの問題のほぼすべてが、モノリシックアーキテクチャの同じ根本原因に起因しています。WALとデータファイルは単一のマシン内に格納されています。耐久性は、そのマシンのディスクに依存します。スケーリングと可用性には、そのマシンの物理的なクローンが必要です。ワークロードは、それらが同じマシンを共有するため、干渉します。

Lakebaseアーキテクチャ

もし今日OLTPデータベースを再設計するとしたら、最新のクラウドのコンポーネント、つまり安価で非常に耐久性の高いクラウドオブジェクトストレージと弾力性のあるコンピューティングから始めるでしょう。これがNeonチームが取った道であり、Lakebaseとなったものの基盤です。

中核的な変更は、Postgresコンピューティングインスタンスをステートレスにすることです。これは、ローカルディスク上のWALとデータファイルを、目的特化型で独立してスケーラブルなサービスに外部化することによって行います。コンピューティングレイヤーは、ステートレスなPostgresエンジンとなり、データ自体を所有しなくなったため、自由に起動、停止、レプリケートできます。

これらの2つのストレージサービスがどのように連携して、パフォーマンスを犠牲にすることなく前述の課題を解決できるかを見てみましょう。

書き込みのスケーリング:WALはSafeKeeperに

モノリスでは、書き込みはローカルディスクへのフラッシュによって永続化されます。Lakebaseでは、WALはSafeKeeperと呼ばれる分散ストレージサービスに外部化されます。耐久性のためにディスクフラッシュに依存するのではなく、コミットはPaxosベースのネットワークレプリケーションを使用して、SafeKeeperノードのクォーラム全体にログレコードをレプリケートすることによって永続化されます。もはやデータを失うディスクはなく、設定ミスによるフラッシュが耐久性保証を静かに損なうこともありません。

ここで自然な疑問が生じます。コミットをローカルディスク上のWALからSafeKeeper上のWALに移動すると、追加のネットワークホップのために書き込みレイテンシが増加するのではないか?答えはいいえです。耐久性と可用性を重視する真剣なPostgresデプロイメントでは、追加のネットワークホップを必要とする同期レプリケーションを設定する必要があるため、WALをSafeKeeperに外部化しても追加のオーバーヘッドは発生しません。実際、Postgresの内部的な動作により、SafeKeeperとPageServerの組み合わせは5倍の書き込みスループットと2倍の読み取りレイテンシの向上につながる可能性があります。

読み取りのスケーリング:データファイルはPageServerに

データファイルは、PageServerと呼ばれる別の分散ストレージサービスに移動します。WALはSafeKeeperからPageServerにストリーミングされ、PageServerは非同期的にそれらの変更をデータバージョンに適用し、ページを低コストのクラウドオブジェクトストレージ(レイク)に具体化します。PageServerを、基盤となるオブジェクトストレージのライトスルーキャッシュと考えることができます。

これはモノリスのWALとデータファイルの関連性に似ていますが、2つの半分は同じディスク上にあるのではなく、ネットワークで接続された別々の、独立してスケーラブルなサービスに存在します。PageServerからページが要求され、PageServerがまだ最新バージョンを持っていない場合(変更はPageServerに到達する前にSafeKeeperに書き込まれることに注意してください)、PageServerはSafeKeeperからのログを適用して最新の状態を再構築します。

同様の質問です。データファイルをローカルディスクからPageServerに移動すると、追加のネットワークホップのために読み取りレイテンシが増加するのでしょうか?実用上、答えはいいえです。システムは、積極的で多層的なキャッシュを通じてレイテンシの影響を分離し、最小限に抑えるように設計されています。ページを取得するために、Postgresはまずノードのローカルメモリ内にあるバッファプールを検索します。ページが存在しない場合、ローカルディスクキャッシュを検索します。キャッシュミスがあった場合にのみPageServerにアクセスする必要があります。コンピューティングノードは、モノリシックセットアップと同じローカルメモリとディスク容量で構成できるため、ローカルキャッシュヒット率は変わりません。ほとんどの操作では、読み取りレイテンシはモノリスと区別できませんが、分離された、事実上無限のストレージの利点が得られます。

[画像]

これが可能にすること

WALがSafeKeeperに、データファイルがPageServerに存在するようになると、モノリスでは困難または不可能だった多くの機能が、アーキテクチャの自然な結果として可能になります。以下の機能は、DatabricksとNeonの両方でLakebase製品の一部としてすでに広く利用可能です。

依然としてPostgres。これは本物のPostgresなので、ワイヤプロトコル、SQL、ドライバ、拡張機能はすべてそのまま機能します。

無制限のストレージ。データはプロビジョニングされたローカルディスクではなく、クラウドオブジェクトストレージに格納されます。もはや容量の天井に合わせてボックスのサイズを決定する必要はありません。ストレージは、実質的に無限です。

サーバーレス、弾力性のあるコンピューティング。コンピューティングはステートレスであるため、負荷の下では即座にスケールアップし、アイドル時にはゼロまでスケールダウンできます。トラフィックを待つために大きなマシンを置いておくための料金を支払う必要がなくなります。

永続的な書き込みとゼロデータ損失。コミットは、単一のローカルディスクがフラッシュしたと主張したときではなく、Paxosを介してSafeKeeperノード全体にレプリケートされたときに永続的になります。個々のノードの損失は、コミットされたデータを失うことはありません。

シンプルな高可用性。モノリスでは、HAは2番目の完全な物理クローンを維持し、2倍のコストを支払い、それでも切り替え時のデータ損失のリスクを伴いました。ここでは、永続的な状態はすでに、単一のコンピューティングインスタンスから独立したレプリケートされたストレージレイヤーに存在します。フェイルオーバーは、別のデータベースの物理コピーを昇格させて、ログの最後のセグメントが渡ったことを願う必要がなくなりました。

インスタントなブランチ、クローン、リカバリ。これが私のお気に入りです。コードの場合、ブランチを作成することは、コードベース全体のサブセカンドで完全に分離されたコピーであり、私たちはそれを1日に何度も考えずに実行します。モノリシックデータベースの場合、クローンはデータセット全体を物理的にコピーすることを意味し、それは遅く、高価で、本番システムにとってリスクがあります。データが外部化されたバージョン管理されたストレージレイヤーに存在する場合、ブランチまたはクローンは物理コピーではなくメタデータ操作です。大規模な本番データベースを数秒でブランチし、ブランチに対して実験やリスクの高い移行を実行し、それを破棄できます。時点でのリカバリも同様に機能します。データベースは、ついにコードと同じ速度で動くようになります。

コンピューティングとストレージの分離自体は新しいことではありません。以前の投稿では、これを実行した第2世代のクラウドデータベースについて議論しました。しかし、Lakebaseの鍵は、運用データをコモディティオブジェクトストレージにオープンフォーマットで格納することです。これにより、他のエンジンが直接読み取れる機会が開かれ、LTAPにつながります。

LTAP:トランザクションと分析のための単一コピー

これまでのすべては、単一の運用データベースをより良くすること、つまり、より耐久性があり、より弾力性があり、実行コストが安く、ブランチが速いものにすることでした。しかし、データが外部化されたストレージレイヤーに存在するようになると、さらに興味深いことが可能になります。トランザクションデータベースと分析システムを2つの別々の世界として扱うのをやめることができます。

しばらくの間、PageServerに戻りましょう。それはすでにWALからの変更ストリームを取得し、非同期的にページをオブジェクトストレージに具体化しています。その具体化ステップ、データがレイクに着地する瞬間は、はるかに古い問題を解決するのに最適な場所であることが判明しました…

Lakebaseを使用しても、オブジェクトストレージのデータはPostgresネイティブのページ形式で書き込まれ、行ごとにレイアウトされていました。その形式はトランザクションには適していますが、分析には不向きです。そのため、それを読み取りたい分析エンジンは、読み取りごとに変換コストを支払うか、より一般的には、パイプラインによって同期が保たれているデータの別のコピーに依存する必要がありました。パイプラインは壊れやすく、データの2つのコピーはガバナンスの悪夢になり、権限が分岐する可能性があります。

最近発表されたLTAP(Lake Transactional/Analytical Processing)は、データの2つのコピーの問題を解消します。鍵となるアイデアは、ストレージレイヤーで2つの世界を統合することであり、エンジンレイヤーではありません。私たちは、トランザクションと分析の両方に優れた単一のエンジンを構築しようとはしません。私たちは、それぞれの仕事に最適なツール(トランザクションのための完全なACIDセマンティクスを持つPostgres、分析のためのLakehouseエンジン)を維持します。変わるのは、それらの下のデータです。2つの形式の2つのコピーの代わりに、単一の永続的なコピー、DeltaやIcebergのようなオープンな列指向フォーマットが、Parquetとして格納され、両方の側が読み取ります(パフォーマンス向上のためのさまざまなレベルのキャッシュを使用)。

列形式での具体化

注:このセクションは、他のセクションよりもPostgresの内部知識が必要です。

PageServerがページをオブジェクトストレージに具体化する際に、Postgresデータを行形式からParquetの列形式に変換し、レイクに着地させます。値のビットレベルの正確なPostgres表現をすべて保持するため、Postgres互換のエンジンは情報を失うことなく再解釈できます。これはCDCベースのアプローチとは異なります。CDCは論理的な変更イベントのストリームを外部スキーマに送信し、Postgresの物理的およびトランザクションセマンティクスを置き去りにします。ここではそれらを保持します。ハイパー最適化されたエンジンにより、PageServerレイヤーの余分なCPUが、オブジェクトストレージへのデータ具体化の一部として行から列へのトランスコーディングを行うため、トランザクションを処理するPostgresコンピューティングに負担はかかりません。トランザクション読み取りを効率的に処理するために、PageServerは依然としてローカルキャッシュで行ベースの従来のページを具体化しますが、これは厳密にはパフォーマンスキャッシュです。基盤となる永続ストアはレイクに統合されたままで、両側からアクセス可能です。

列形式でPostgresセマンティクスを保持することは、型システムとマルチバージョン管理の2つのことに集約されます。

型システム。Postgresのほとんどの型は、ネイティブのParquet型に直接マッピングされます。損失なく列にマッピングできない少数の値(例:NaNおよび±無限大、小数点の範囲を超えるNUMERIC、エキゾチックまたは拡張型)は、ドロップまたは強制変換されません。それらは、同じテーブル内の構造化されたオーバーフローフィールドで元の列と一緒に保持され、それらの値の標準的なPostgresテキストを含みます。そのフィールドは、どのエンジンでも直接クエリ可能であり、戻る際に元のPostgresバイトを正確に再構築するのに十分です。

マルチバージョン管理。Postgresでは、あるトランザクションが観測できるすべての行バージョンが保持されます。これはまさにスナップショット分離と時点リカバリを可能にするものです。対照的に、オープンテーブルフォーマットは、中間行バージョンなしでテーブル全体の整合性のあるスナップショットを公開します。耐久性と可視性を分離することで、両方のアプローチの利点を得られます。列形式で具体化された各行は、物理的なヒープアドレス(ブロックとオフセット)を運びます。そのため、ヒープページは完全に再構築可能です。クラシックなPostgresヒープページは、ポイント読み取りを高速化するキャッシュになりますが、永続的な真実の情報源はオブジェクトストレージ内の列ファイルにあります。Postgresインデックスは列にトランスコードされません。それらはホットキャッシュ層から提供され、再構築されます。中間行バージョンは、PostgresのMVCCセマンティクスとPITRを保持するために保持されますが、Iceberg/Deltaリーダーには表示されず、最終的にガベージコレクションされます。最終的な結果:分析エンジンはクリーンでスナップショット整合性のあるテーブルを表示し、基盤となるPostgresシステムは完全でタイムトラベル可能なバージョン履歴を表示します。

嬉しい副作用もあります。列形式データは行形式データよりもはるかに圧縮率が高く、しばしば10倍以上になるため、列形式ストレージへの変換は、キャッシュレイヤーとオブジェクトストア間のネットワークを通過するデータの量を大幅に削減し、多くの場合無視できるほどになります。分析を高速化するフォーマットは、ストレージパスをより安価にもします。この利点を活用して、LTAPの移行ロールアウト段階でのデータ検証のために、オブジェクトストアに(行形式と列形式の両方を)デュアルライトすることさえ行っています(ストレージの変更には非常に注意したいからです)。

Postgresに影響を与えずに最新のデータを読み取る

大きな課題の1つは鮮度です。分析がレイク内のコピーから読み取る場合、それは数秒前にコミットされ、まだオブジェクトストアに具体化されていないデータをどのようにして見るのでしょうか?これはほとんどの「分析をレイクに向けるだけ」という設計を破綻させる質問なので、LTAPがそれにどう答えるかを説明する価値があります。

分析クエリ(例えば、最近発表されたLakehouse//RT製品から)が開始されると、まずPostgresに現在のLSN(Log Sequence Number)、つまり読み取るWALの正確な位置を示すログシーケンス番号を問い合わせます。これは安価なメタデータルックアップです。そのLSNを使用して、分析エンジンは、その時点までに具体化されたすべてのデータを含む、圧倒的多数のデータをオブジェクトストレージから直接読み取ります。残っているのは、まだレイクに具体化されていない非常に最近の変更の小さなセットだけで、それらをPageServerから取得して上にマージします。

[画像]

結果として、そのLSN時点でのデータの整合性が取れた、完全に最新の読み取りが得られます。作業のほとんどは、安価でスケーラブルなオブジェクトストレージに負荷がかかります。そして決定的に、Postgres自体は、単一の数値(LSN)を返す以外、分析読み取りトラフィックを一切処理しません。誰かが大規模な分析クエリを開始したために、トランザクションワークロードが遅くなることはありません。

言及する価値のある実用的な最適化が1つあります。非常に小さいテーブル、つまり数行しか保持しないテーブルについては、列形式に変換して関連するIcebergメタデータを作成する手間はかけません。ブックキーピングの方がコストがかかり、それほど小さなテーブルは、レイアウトに関係なく分析パフォーマンスに測定可能な影響を与えません。それらのテーブルは依然として存在し、単一のコピーの一部としてクエリ可能です。

すべてのテーブル、自動的に

この問題の重要性から、OLTPと分析の統合については市場で多くの議論がありました。古典的なアプローチはCDC(Change Data Capture)であり、OLTPストレージから別の分析ストレージレイヤーにデータを効果的にレプリケートします。「ミラーリング」や「ゼロCDC」、「ゼロETL」といった他の名前を聞いたことがあるかもしれません。

CDCまたは「ミラーリング」では、データレプリケーションパイプラインにはコストがかかるため、すべてのテーブルに適用することはできません。どのテーブルを気にするかを明示的に選択する必要があり、このレプリケーションには通常遅延が伴います。

LTAPにはオプトインするものはありません。存在するテーブルは、構築によって、すでにレイクにあり、すでにクエリ可能です。レプリケートまたはミラーリングされたテーブルのリストはありません。なぜならレプリケーションがないからです。オープンフォーマットで単一の管理されたデータコピーがあり、構築、監視、または修正(顧客または私たちによって)するETLパイプラインはありません。トランザクションエンジンと分析エンジンは独立してスケーリングし、それぞれが独自のワークロードに合わせてサイズ設定されます。そして、データ移動や2番目のコピーがないため、2つのビューがドリフトすることはありません。分析は、アプリケーションが書き込んだばかりの同じデータを常に読み取ります。

LTAPがどのように統合されるかの別の見方については、Data and AI Summitからのこのデモをご覧ください。

HTAPについてはどうですか?

この分野に詳しい方なら、LTAPがHTAP(Hybrid Transactional/Analytical Processing)のもじりであることにすでに気づいているでしょう。HTAPは、トランザクションと分析の両方のワークロードを実行できる単一のエンジンを作成することに焦点を当てた、データベースエンジニアリングの聖杯でした。

実際には、広く採用されているHTAPデータベースシステムは存在しません。その理由はなぜでしょうか?私の意見では、HTAPシステムは以下の1つ以上に苦しんでいます。

不完全な機能セット。新しい独自のエンジンをゼロから設計して単一のジョブを実行するのは、数年かかる投資です。複数のエンジンのジョブを実行できる単一のエンジンを構築しようとすると、成熟したデータベースでエンジニアが当然のことと考えている機能セットに到達するために必要な投資が倍増します。これらのシステムは、SQLサポートの幅(例:外部キーサポート)からクエリオプティマイザの成熟度まで、人々が常に存在すると想定しているものにおいて、しばしば遅れをとります。

エコシステムの欠如。PostgresとSparkはそれぞれ、ドライバ、拡張機能、ツール、そして数十年にわたる運用知識の蓄積という広大なエコシステムの中心に位置しています。まったく新しいエンジンはすべてその外部から始まります。そして、エンジンは、チームが実際に構築できるエコシステムと同じくらいしか有用ではありません。

パフォーマンスの分離なし。多くのHTAPシステムは、同じハードウェア上でトランザクションと分析を実行するため、2つのワークロードはCPUとメモリを競合します。これは、分析クエリがトランザクションワークロードを枯渇させる、モノリスで始まったのと同じ失敗です。

これら3つすべてが、2つのワークロードを1つのエンジンに統合するという同じ決定に起因しています。LakebaseとLTAPは、ストレージレイヤーで統合することにより、これらの課題を回避します。その一方で、ワークロードごとに異なるコンピューティングエンジンを使用し、それらの完全な機能セットとエコシステムのサポートを活用し、完全なパフォーマンス分離を実現します。

締めくくり

昨年、Lakebaseアーキテクチャを初めて発表したとき、WALがSafeKeeperに、データファイルがPageServerに存在するようになれば、Neonプラットフォームで見たように、無制限のストレージ、弾力性のあるコンピューティング、永続的な書き込み、シンプルなHA、そしてインスタントなブランチングがアンロックされることはすでにわかっていました。それらは、ほぼ機械的に続きました。

LTAPのアイデアは後になって生まれました。NeonとDatabricksのチームが協力して、最も新しいトランザクションデータに対する分析を実行するという数十年来の問題を解決した後です。今後数ヶ月でLTAPの課題を解決し、展開していくにつれて、すべてのLakebaseテーブルは、Lakehouseデータと同じ高性能で分析に利用できるようになります。

私が最も興奮しているのは、これから起こることです。LTAPは自然な次のステップですが、同じ設計は、他のヘビーデューティなメンテナンス操作とコアトランザクションワークロードを分離するための多くの最適化の機会も開きます。私たちは、このアーキテクチャが可能にすることを探求し始めたばかりであり、次に何が来るかを共有することを楽しみにしています。

謝辞:このブログで議論したすべてを現実のものとし、このブログをレビューし、技術的な詳細について私を正直に保ってくれたLakebaseチームに感謝します。