大家好，见字如面。我是教授老边。本专栏将基于我个人的观察，为大家带来关于图数据库技术的分享。从基础概念出发，深入剖析算法逻辑，分享实际应用案例，探讨市场现状，展望未来趋势，希望能为大家带来图相关知识，引发思考与启发。让我们一同踏上这场图数据库技术的探索之旅 。

最近收到一个盆友的问题：分布式存储和分布式计算哪个更适合作为一个工作方向来进行发展？它们在实际工作中咋样？哪个更有发展前景？老夫其实对此有过诸多论述，今天就这个问题快速进行一个厘清，也希望对大家有所帮助。

其实，计算与存储是相辅相成的关系。千万不要听那帮二杆子们在各种公关文章中所说的——存储与计算分离。

这个概念最早是EMC提出的（今天叫Dell EMC了，2015年的这笔760亿美金的收购是科技发展史上最大的收购——折合RMB~5000亿）。事实上，存储从来与计算都是分离的 ——以冯·诺依曼架构为例，CPU与（持久化）存储的距离是非常遥远的，如下图所示：

从逻辑（与实际的硬件配置匹配）上，自上而下，存储可以分为7层：

• CPU
• DRAM
• Persistent Memory
• Performance SSD or NVMe-SSD
• SSD (Capacity SSD)
• HDD
• Network Storage （所有的NAS，还是任何其它类型的分布式存储全在这个category里面）

当然，很多人不理解CPU与DRAM为什么也会在存储架构中，呵呵。有啥难以理解的，现代的CPU，尤其是企业级PC服务器，大多还有2-3级缓存呢，学过汇编的同学一定知道，你怎么调用的各种寄存器（registers)，所有的数据，最终不还是要流经CPU的，也会先流入Layer 1-to-3 Cache……

同样的道理，为了让系统的整体吞吐率更高，更加高并发，更快，延迟更低，用上图这种“多级存储加速”（Multiple Layer Storage Acceleration) 来让数据更快地从下层的存储流入、流经CPU是任何高性能系统所要核心关注的问题。

记住，从CPU自上而下到网络存储层，是至少1,000,000（壹佰万！）倍的性能差异。

为什么我们常说很多大数据系统根本不是高性能系统，早就应该在各个行业中被淘汰了？首推Hadoop，甚至Spark都不是什么真正的高性能系统，还有很多所谓的也打着高性能标签的系统，例如那些性能平平的列数据库们——仔细想想，对数字敏感一点，一个简单的原子级的操作，如果是毫秒级，它已经让在纳秒级工作的CPU白白空转了1,000,000次了！

因此，市场那些到处宣称毫秒级操作的系统，在实际的商业应用环境中，一定很慢很慢！因为，那些真实的需求、操作，包括一些批处理，动辄都需要数以万次甚至百万次的原子级操作组合而成，简单的数学：毫秒级 100万次 = 1000-100万秒！1毫秒100万次= 1000秒= 0.3小时，而1000毫秒*100万次 = 100万秒= 12天 = ~半个月。

大家知道为何很多银行的系统动辄需要T+1, T+2甚至T+7了吧？就是因为底层的那些号称“毫秒级”的数仓太慢！

千万不要低估“指数级”性能提升的意义！

真正高性能的系统，一定很少，必定是在微秒级工作的！那么上面的T+1会变成实时化，T+7会变成近实时（秒级）。

搞过高性能存储系统的专业人士会很清楚的一点：存储靠近计算（Storage Close to Compute)才是根本——如何靠近计算呢？上面已经回答了：多级存储加速。

现在我来回答下工作的问题：

真正到了底层，无论是存储还是计算都有很多细节与挑战，例如：

计算：对于数据结构、算法时延、算法复杂度、分布式系统架构、计算机体系架构要有清晰、明确的认知 ，并且写高并发计算程序的复杂度也很高。

存储：对于文件系统或者存储硬件的特性要有深刻的理解，plus上面计算的所有诉求也一样要了解。

简单而言，搞存储的人一定少于搞计算的，但是到了极致，都已经是万中无一的。毕竟绝大多数人根本不会触碰到底层的东西，更别说能把事情的来龙去脉都梳理的明明白白的了。

另，需要澄清的一点，现在大家都喜欢把分布式导出修饰任何系统或名词。但准确的说，这就跟说某项目开源一样，很多开源都是伪开源，根本没有开源全部代码，到了底层都是一堆.so（动态链接库），然而99.9%的人不求甚解，跟着瞎起哄。开源很多时候与其说是什么GP家国情怀，不如说是Marketing/PR（市场/公关）甚至是彻头彻尾的骗局。

分布式系统如果不是高性能的，根本没有任何意义。如何高性能分布式呢？就是不要用40台或者400台机器，平均每台机器只跑1-2个线程来吹NB说他这个分布式特别厉害——你有种让每台机器可以跑满40线程来？400*40 = 16000线程，这个是底层硬件的并发计算能力，然而，现在的这些数仓或者大数据框架们，也就能用到不到1000个线程，这是对计算资源的90%+的浪费！可耻！

研究高密度并发（High Density Parallel Computing)是非常有价值的一件事情——能充分释放底层的高并发的算力，无论是在CPU还是GPU，还是什么TPU/NPU、XPU之上，都可以。

先精钻，再泛化，不失为一条可行之路。

最后，也向大家分享下嬴图的微秒级、高密度并发图计算与存储架构的一些核心点：

Hope ya-all will enjoy this.