一一中文网

手机浏览器扫描二维码访问

第80章 数据库设计（第1页）

清晨六点半，鹏城科技园附近的老旧小区里，林晨已经坐在电脑前两个小时了。

窗外天色渐亮，远处科技园玻璃幕墙反射出初升阳光的金色。

屋内只有键盘敲击声和机箱风扇的低鸣。

屏幕上，量化投资系统的监控面板正平稳运行，但林晨的目光却锁定在日志区不断滚动的一条警告信息上：

“数据查询延迟超过200ms，建议优化存储结构”

。

这是系统运行一周以来，第一次出现性能警告。

林晨端起已经凉掉的半杯咖啡，盯着那条警告看了很久。

他知道问题出在哪里——系统架构升级了，前端后端都现代化了，但数据存储这一块，还停留在“能用就行”

的阶段。

目前系统用的还是最简单的SqLite数据库，所有交易记录、市场数据、指标计算结果都塞在同一个文件里。

当数据量小的时候没问题，但现在系统同时监控着A股三十多只股票、基金、黄金EtF，每秒钟要处理上百条实时行情，每天生成的交易日志和指标数据已经超过十万条。

“该给系统搭个像样的数据库架构了”

。

林晨自言自语道，声音在安静的房间里显得格外清晰。

他打开一个新的思维导图文档，在中央写下“量化系统数据库设计”

。

然后开始拆解需求。

第一类是结构化数据：交易记录、账户资产变化、用户配置参数。

这些数据需要严格的事务支持，要保证每一笔交易记录都准确无误，不能丢失。

这类数据最适合用传统的关系型数据库。

mySqL。

林晨在思维导图上写下这个选项。

开源、稳定、社区成熟，他在之前的跨境电商项目里用过很多次，熟悉得像老朋友。

第二类是时序数据：股价、成交量、技术指标值。

这些数据的特点是时间戳是天然的主键，数据量巨大，写入频繁，查询模式固定——基本都是按时间范围查询。

用传统关系型数据库存储这类数据，就像用货柜车运快递，能运但效率太低。

Influxdb。

林晨写下第二个选项。

专门为时间序列数据设计的数据库，写入速度快，压缩效率高，针对时间范围查询做了深度优化。

这是他自学AI时接触到的技术，当时用Influxdb存储神经网络训练过程中的损失函数变化曲线，效果很好。

第三类是缓存数据：实时行情、临时计算结果、会话状态。

这些数据需要极快的读写速度，但可以容忍偶尔丢失，因为源头数据还在。

Redis。