主要類別與特性

1) 關聯式資料庫（Relational / SQL）

資料模型：嚴謹結構化表格 + 主外鍵關聯

交易：強調 ACID（原子性、一致性、隔離性、持久性）

查詢：SQL、JOIN 強大、複雜查詢與報表佳

擴展：傳統偏垂直擴充；近年也有分片/叢集解法

代表：PostgreSQL, MySQL, SQL Server, Oracle

適合：金融/訂單/庫存等一致性要求高的 OLTP；也能配合資料倉儲做 OLAP

延伸：NewSQL / HTAP（同時顧交易與分析、或原生分散式 SQL）

代表：CockroachDB, TiDB, YugabyteDB, SingleStore 等

2) 非關聯式（NoSQL）

「不以關聯模型為中心」的概念。
多以水平擴展、彈性結構、最終一致為賣點，依需求分成幾小類：

a) 鍵值（Key–Value）

模型：Key → Value（黑盒），極致簡單

特性：超低延遲、超高吞吐、擴展容易

代表：Redis, Amazon DynamoDB, Aerospike

適合：快取、Session、計數器、排行榜

b) 文件型（Document）

模型：JSON/JSONB 文件，結構彈性

特性：Schema 柔性、嵌套結構友好、二級索引、聚合管線

代表：MongoDB, Couchbase, (PostgreSQL 的 JSONB 也很強)

適合：內容管理、使用者設定、事件資料

c) 寬欄（Wide-Column / Column Family）

模型：RowKey + 可變欄族；為分散式與寫入吞吐而生

特性：高寫入量、可橫向擴展、最終一致

代表：Apache Cassandra, HBase, ScyllaDB

適合：大量時間序列/事件流、IoT、行動 App 記錄

d) 圖形（Graph）

模型：節點 + 邊（關係）

特性：圖遍歷、關係最短路徑、社群偵測

代表：Neo4j, JanusGraph, TigerGraph

適合：社交關係、詐欺偵測、推薦路徑

3) 針對場景的專用型

a) 時序資料庫（Time-Series DB）

特性：時間索引優化、壓縮、downsampling、連續聚合

代表：InfluxDB, TimescaleDB(PostgreSQL 延伸), VictoriaMetrics

適合：監控/度量（metrics）、IoT、價格/K 線

b) 搜尋引擎 / 向量搜尋

特性：全文倒排索引、打分排序；或向量相似度檢索

代表：Elasticsearch / OpenSearch, Solr；向量：FAISS, Milvus, Qdrant

適合：站內搜尋、日誌檢索、商品搜尋、相似推薦

c) 欄式分析資料庫（OLAP / Columnar）

特性：欄式存儲、壓縮、超快聚合、MPP 分散式

代表：ClickHouse, Apache Druid, Apache Pinot；雲端倉儲：BigQuery, Snowflake, Redshift

適合：即席分析、儀表板、即時報表、事件明細分析

什麼時候該混搭（Polyglot Persistence）？

• 同時需要：強一致交易（下單/庫存）+ 高吞吐寫入（時序/事件）+ 全文搜尋

• 做法：

  1. Postgres 做主系統（單一真實來源），
  2. 透過 CDC/事件匯流排（Debezium/Kafka）異步同步到 Elasticsearch（搜尋）與 ClickHouse 或 Timescale（分析/時序）。
  3. Redis 做快取與排程鎖。

現在規劃會 以 Postgres 為主要設計