Partición (base de datos)

Una partición es una división de una base de datos lógica o sus elementos constituyentes en partes independientes y distintas. El particionamiento de bases de datos se refiere a la división intencional de una base de datos grande en otras más pequeñas para fines de escalabilidad, a diferencia de las particiones de red , que son un tipo de fallo de red entre nodos. ^{[ 1 ]} En una base de datos particionada, cada dato pertenece a una única partición, lo que convierte a cada partición en una pequeña base de datos independiente. ^{[ 1 ]} El particionamiento de bases de datos se realiza normalmente por razones de gestión, rendimiento o disponibilidad ^{[ 2 ]} , o para el equilibrio de carga . Es común en sistemas de gestión de bases de datos distribuidas , donde cada partición puede estar distribuida entre varios nodos, y los usuarios de cada nodo realizan transacciones locales en la partición. Esto aumenta el rendimiento para sitios que tienen transacciones regulares que involucran ciertas vistas de datos, al tiempo que se mantiene la disponibilidad y la seguridad.

El particionamiento permite distribuir conjuntos de datos entre varios discos y cargas de consulta entre varios procesadores. Para las consultas que operan en una sola partición, cada nodo ejecuta las consultas de forma independiente en su partición local, lo que permite un escalado lineal del rendimiento de las consultas con nodos adicionales. Las consultas más complejas pueden paralelizarse en varios nodos, aunque esto presenta desafíos adicionales. ^{[ 1 ]}

La partición de bases de datos surgió en la década de 1980 con sistemas como Teradata y NonStop SQL . Posteriormente, este enfoque fue adoptado por bases de datos NoSQL y almacenes de datos basados ​​en Hadoop . Si bien las implementaciones varían entre cargas de trabajo transaccionales y analíticas , los principios básicos de la partición se mantienen constantes en ambos casos de uso. ^{[ 1 ]}

Los distintos sistemas de gestión de bases de datos (DBMS) ^{[ 3 ]} utilizan terminología variada para el particionamiento:

• Fragmentación en MongoDB , Elasticsearch y SolrCloud
• Región en HBase
• Tableta en Bigtable
• vnode en Cassandra y Riak
• vBucket en Couchbase

^{[ 1 ]}

El particionamiento se implementa comúnmente junto con la replicación , almacenando copias de particiones en múltiples nodos. Cada registro pertenece a una partición, pero puede existir en varios nodos para garantizar la tolerancia a fallos. En los sistemas de replicación líder-seguidor , los nodos pueden funcionar simultáneamente como líderes para algunas particiones y seguidores para otras. ^{[ 1 ]}

El particionamiento tiene como objetivo distribuir uniformemente la carga de datos y consultas entre los nodos. Con una distribución ideal, la capacidad del sistema aumenta linealmente con la adición de nodos: diez nodos deberían procesar diez veces más datos y rendimiento que un solo nodo. Una distribución desigual, denominada asimetría , reduce la eficiencia del particionamiento. Las particiones con carga excesiva se denominan puntos calientes . ^{[ 1 ]}

Existen varias estrategias para abordar los puntos críticos:

• Asignación aleatoria de registros a los nodos, a costa de una mayor complejidad en la recuperación.
• Particionamiento de rangos de claves con límites optimizados
• Particionamiento basado en hash para una distribución uniforme de la carga ^{[ 1 ]}

Los sistemas de gestión de bases de datos relacionales de gama alta actuales ofrecen diferentes criterios para dividir la base de datos. Toman una clave de partición y asignan una partición en función de ciertos criterios. Algunos criterios comunes incluyen:

• Particionamiento de rangos : asigna rangos de claves continuas a particiones, análogos a los volúmenes de una enciclopedia. Los límites de rango conocidos permiten el enrutamiento directo de solicitudes. Los límites se pueden establecer de forma manual o automática para una distribución equilibrada. Si bien esto permite escaneos de rango eficientes, ciertos patrones de acceso crean puntos críticos. Por ejemplo, en redes de sensores que utilizan claves de marca de tiempo, las escrituras se concentran en la partición del período de tiempo actual. El uso de claves compuestas, como anteponer a las marcas de tiempo los identificadores de los sensores, puede distribuir esta carga. ^{[ 1 ]} Un ejemplo podría ser una partición para todas las filas donde la columna "código postal" tenga un valor entre 70000 y 79999.
• Particionamiento por lista : a una partición se le asigna una lista de valores. Si la clave de partición tiene uno de estos valores, se elige la partición. Por ejemplo, todas las filas donde la columna Countrysea Iceland, Norway, Sweden, Finlando Denmarkpodrían construir una partición para los países nórdicos .
• Particionamiento compuesto : permite ciertas combinaciones de los esquemas de particionamiento anteriores, por ejemplo, aplicando primero un particionamiento por rango y luego un particionamiento por hash. El hash consistente podría considerarse un compuesto de particionamiento por hash y por lista, donde el hash reduce el espacio de claves a un tamaño que se puede listar.
• Particionamiento round-robin : la estrategia más sencilla, que garantiza una distribución uniforme de los datos. Con nparticiones, la itupla i en orden de inserción se asigna a la partición j (i mod n). Esta estrategia permite el acceso secuencial a una relación en paralelo. Sin embargo, el acceso directo a tuplas individuales, basado en un predicado, requiere acceder a toda la relación.
• Particionamiento hash : aplica una función hash para convertir datos sesgados en distribuciones uniformes , logrando así una distribución de carga homogénea entre las particiones. Si bien esto previene eficazmente los puntos críticos, sacrifica la eficiencia de las consultas de rango, ya que las claves adyacentes se dispersan entre las particiones. Las implementaciones comunes incluyen MD5 en Cassandra y MongoDB . Algunos sistemas, como Cassandra, combinan enfoques utilizando claves primarias compuestas: se aplica el hash al primer componente para el particionamiento, manteniendo el orden de clasificación para los componentes restantes dentro de las particiones. ^{[ 1 ]}

En cualquier esquema de particionamiento, los datos se organizan normalmente de forma que cada dato (registro, fila o documento) pertenezca a una única partición. ^{[ 1 ]} Si bien algunas bases de datos admiten operaciones que abarcan varias particiones, esta asociación a una sola partición es fundamental para el concepto de particionamiento.

La partición se puede realizar creando bases de datos más pequeñas e independientes (cada una con sus propias tablas , índices y registros de transacciones ), o dividiendo elementos seleccionados, por ejemplo, una sola tabla.

• Índice de rango de bloques
• Teorema CAP
• Distribución de datos en RAIDs