【论文】row and column for hybrid workloads

Bridging the Archipelago between Row-Stores and Column-Stores for Hybrid Workloads
Carnegie Mellon University(2016)

一个中间层，可以混合OLTP/OLAP,行好处：NSM(n-ary)读取单行多属性快，DSM(decomposition)列好处：更好的向量化，适用于读取attributes少的，不适合单条大量插入，要把一行拆分到不同列中。
物理上，根据query的统计，对不同列做组合，最新的NSM,随着时间可以重新生成组合。
有个逻辑层把操作映射到物理层。根据index或者sequential scan把匹配的tuples构造逻辑层，期间的操作都在逻辑层。直到最终的返回再去物理层取。查询或者插入流程都同flink那种并行。



事务：MVCC
拆分算法很简单：采集where.select,根据where分组，k-means分组，打分排序，从高到底直到将所有的列都分组结束。
比DMS更快的插入速度，获取更多attribuetes是更好的查询速度
比NSM更快的查询速度（利用并发和预取等）

讲道理分类按照时长，一个大OLAP的前n行要随机读取（热数据缓存还可以缓解这个问题，插入好太多了），OLTP的影响应该都是正向的，插入最新的不变，查询按维度聚合并且加了OLTP没有的并行（在不能并行且查询维度多时候肯定还是不如NFS），总体还是正向的，本身OLTP对时间敏感，全读且修改一个老数据/查询一个老数据代价是原来的分组倍，有并行优化，也还OK。