为什么一个40岁的数据库在AI时代仍然胜出
内容提要
文章探讨了时间序列数据中基数（cardinality）问题，指出增加索引维度（如添加firmware_ver列）会显著提升基数，导致存储和查询成本剧增，其影响远超增加行数。通过测量展示了曲线拐点，并提出了在PostgreSQL中优化基数、避免性能下降的解决方案。
延伸解读
基数问题的本质
文章指出，时间序列数据库中基数问题源于索引维度的数量，而非数据行数。每增加一个索引列（如firmware_ver），基数会成倍增长，导致存储和查询成本急剧上升。这种影响远超增加百万行数据，因为高基数会破坏索引效率，使查询计划变慢。理解这一点，有助于在数据库设计时谨慎选择索引维度。
性能拐点的测量
文章通过实际测量展示了性能随基数增长的曲线拐点。在拐点之前，性能下降尚可接受；一旦超过，查询延迟和存储开销会急剧恶化。这种量化分析提醒开发者，基数并非线性影响，而是存在临界点。在规划数据模型时，应预估基数增长趋势，避免在不知情的情况下触发性能悬崖。
PostgreSQL中的优化策略
文章提出了在PostgreSQL中优化基数问题的具体方案，旨在避免性能下降。这些方案可能包括调整索引策略、使用分区或压缩技术等。关键在于，即使不更换数据库，也能通过合理设计缓解高基数带来的压力。这为依赖PostgreSQL的时间序列应用提供了实用的解决思路。
Q&A
为什么在时间序列数据库中添加一个索引列（如firmware_ver）会导致性能急剧下降？
因为添加索引列会显著增加基数（cardinality），即数据中唯一值的数量。基数增加会导致存储和查询成本剧增，其影响远超增加行数，从而引发性能下降。
时间序列数据中的基数（cardinality）是什么？
基数是指数据集中唯一值的数量，在时间序列中，它取决于你索引的维度数量。维度越多，基数越高，存储和查询成本也越高。
在PostgreSQL中，如何优化时间序列数据的高基数问题？
文章提出了在PostgreSQL中优化基数的解决方案，但具体方法未在摘要中详述，可能包括减少索引维度、使用更高效的数据类型或调整查询策略等。
增加一个索引列与增加一百万行数据相比，哪个对性能影响更大？
增加一个索引列（如firmware_ver）对性能的影响更大，因为它会显著提升基数，导致存储和查询成本剧增，其影响远超增加行数。
文章中的测量结果揭示了什么曲线拐点？
文章通过测量展示了基数增加时性能下降的曲线拐点，即当基数达到一定水平后，性能会急剧下降，这个拐点对于理解基数的影响至关重要。
在时间序列数据库中，基数问题通常由什么引起？
基数问题通常由索引的维度数量引起，维度越多，基数越高。例如，在传感器表中添加firmware_ver列就会增加一个维度，从而提升基数。
