30 октября 2026

Виды баз данных: 16 типов СУБД — описание, примеры и назначение

База данных (БД) — организованная коллекция данных, которой управляет специализированная программа — СУБД (система управления базами данных). Виды баз данных определяют, как именно данные хранятся, связываются и запрашиваются: от этого зависит производительность, масштабируемость и стоимость системы в целом.

Классификация видов баз данных — дерево типов СУБД

Классификация — не академическая абстракция. PostgreSQL отлично обрабатывает транзакции интернет-магазина, но не предназначен для поиска похожих изображений по нейросетевому эмбеддингу. Redis отвечает на миллион запросов в секунду, но не поможет с аналитикой продаж за год. Выбор типа БД в самом начале экономит месяцы рефакторинга.

В статье — 16 типов СУБД с описанием принципа работы, примерами реализаций и типичными сценариями применения. Сравнительная таблица — в следующем разделе. История классификации начинается в 1970 году, когда математик IBM Эдгар Кодд опубликовал реляционную модель данных и заложил фундамент современного стека хранения.

Сравнительная таблица всех видов баз данных

Все основные виды баз данных делятся на три верхних класса: реляционные (жёсткая схема, SQL, ACID), нереляционные NoSQL (гибкая схема, горизонтальный масштаб, BASE) и NewSQL (реляционная модель плюс горизонтальный масштаб). Внутри каждого класса — подтипы, оптимизированные под конкретные нагрузки. Ниже — навигационная таблица 16 типов перед погружением в каждый из них.

Тип СУБД
Класс
Язык запросов
Основной use case
Примеры
Консистентность
Реляционные строчные Реляционные SQL OLTP, транзакции PostgreSQL, MySQL, Oracle ACID
Реляционные колоночные Реляционные SQL OLAP, аналитика ClickHouse, Vertica, Redshift ACID
Иерархические Устаревшие Проприетарный Историческое, DNS IMS, файловая система —
Сетевые Устаревшие Проприетарный Историческое IDMS, CODASYL —
Ключ-значение NoSQL API Кэш, сессии, счётчики Redis, Memcached, Tarantool Eventual
Документо-ориентированные NoSQL MQL / API Каталоги, профили, CMS MongoDB, CouchDB, Firebase Eventual
Wide Column NoSQL CQL / HQL Big Data, IoT, телеметрия Cassandra, HBase Tunable
Графовые NoSQL Cypher / Gremlin Соцсети, фрод-детекция Neo4j, JanusGraph, ArangoDB ACID / Eventual
Временны́е ряды NoSQL PromQL / Flux Мониторинг, IoT, котировки Prometheus, InfluxDB, VictoriaMetrics Eventual
Поисковые NoSQL DSL / Lucene Полнотекстовый поиск Elasticsearch, Manticore, Sphinx Eventual
Векторные NoSQL ANN API RAG, семантический поиск Milvus, Qdrant, Pinecone Eventual
RDF NoSQL SPARQL Граф знаний, linked data AllegroGraph, Apache Jena Eventual
NewSQL NewSQL SQL FinTech, высоконагруженные системы Google Spanner, CockroachDB ACID
Мультимодальные Гибридные SQL / API Разнородные данные в одной СУБД ArangoDB, YDB, Tarantool Varies
GEO/GIS Специализированные SQL + пространственные Картография, геосервисы PostGIS, SpatiaLite ACID
Event / XML Специализированные Event API / XQuery Аудит, XML-документы EventStoreDB, BaseX Varies

Эволюция СУБД: от текстовых файлов до ИИ-векторов

До появления СУБД данные хранились в обычных текстовых файлах — /etc/passwd, CSV-таблицы, конфигурационные файлы. Простейший пример живёт в Unix-системах до сих пор. Главный минус: поиск линейный, совместный доступ и целостность не гарантированы. Эти ограничения подтолкнули к созданию первых специализированных моделей хранения. Виды моделей баз данных сменяли друг друга по мере роста объёмов и сложности задач: иерархическая, сетевая, реляционная, NoSQL — и сегодня NewSQL с векторными хранилищами.

Эволюция видов баз данных от файловых систем до NewSQL

Иерархические и сетевые СУБД

Иерархическая БД организует данные как дерево: один родительский узел, N дочерних. Примером иерархической базы данных является файловая система и DNS — зоны, домены, поддомены выстраиваются в строгую вертикаль. Ограничение: связь «многие-ко-многим» невозможна по определению.

Сетевая модель (IDMS, CODASYL) снимает это ограничение — потомок может иметь несколько родителей. Но навигация требует знания физической структуры хранения, что делает такие иерархические и сетевые базы данных жёсткими при изменении схемы. Обе модели вышли из продакшена, их значение сегодня — историческое.

Эдгар Кодд и рождение реляционной модели (1970)

В 1970 году математик IBM Эдгар Кодд опубликовал статью «A Relational Model of Data for Large Shared Data Banks». Ключевой сдвиг: декларативный SQL-доступ вместо навигации по указателям. Разработчик описывает что хочет получить, а не как пройти по структуре данных.

Результат — реляционные базы данных стали доминирующей технологией на десятилетия. По данным DB-Engines, к 2024 году существует 166+ реляционных СУБД: PostgreSQL, MySQL, Oracle, MS SQL Server и сотни нишевых реализаций. Реляционная модель и сетевые базы данных — полные противоположности по подходу к связям.

Реляционные базы данных

Реляционная БД хранит данные в таблицах: строка — один объект (запись), столбец — одно свойство. Таблицы связываются через внешние ключи. Язык запросов — SQL. Основа парадигмы — нормализация данных и гарантии ACID-транзакций.

Реляционные БД делятся на два подкласса. Строчные хранят данные построчно и оптимизированы для OLTP — транзакционных операций: вставка, обновление, удаление отдельных записей. Колоночные хранят данные по столбцам, что даёт кратное ускорение OLAP-запросов: агрегации по одному полю читают только нужный столбец. Преимущества: сложные связи, декларативный SQL, зрелая экосистема. Ограничения: жёсткая схема требует миграций, горизонтальный масштаб сложен без специальных инструментов.

Схема реляционной базы данных с таблицами и внешним ключом

Нормализация и виды нормальных форм (1НФ–BCNF)

Нормализация — процесс минимизации избыточности данных через разбиение таблиц с помощью внешних ключей. Каждый вид нормализации баз данных описывается нормальной формой:

  • 1НФ — атомарность: каждое поле содержит одно значение, нет повторяющихся групп.
  • 2НФ — каждый неключевой атрибут полностью зависит от первичного ключа, не от его части.
  • 3НФ — нет транзитивных зависимостей между неключевыми атрибутами.
  • BCNF — более строгая версия 3НФ: каждый детерминант является потенциальным ключом.

Виды связей таблиц в базах данных: «один к одному» (1:1), «один ко многим» (1:N), «многие ко многим» (N:M). Связь N:M реализуется через промежуточную таблицу с двумя внешними ключами. Нормализация снижает избыточность данных и повышает целостность, но увеличивает число JOIN-запросов.

Денормализация: производительность ценой избыточности

Денормализация — намеренный отказ от нормализации: часто запрашиваемые поля дублируются в основной таблице, чтобы убрать лишние JOIN. Ускоряет запросы на выборку и агрегацию, но усложняет UPDATE и ALTER TABLE — изменение нужно вносить в несколько мест одновременно, иначе данные рассинхронизируются.

Практический пример: в мессенджере поля chat_name и unread_msg_count дублируются прямо в таблице user_chat_link. Главный экран загружается без дополнительных запросов — нагрузка на сервер снижается. Денормализацию применяют только после того, как оптимизация индексов и настройка запросов уже исчерпаны.

ACID и BASE: две модели консистентности

ACID — набор гарантий реляционных транзакций:

  • Atomicity (Атомарность) — транзакция выполняется целиком или не выполняется вообще.
  • Consistency (Консистентность) — после транзакции база остаётся в валидном состоянии.
  • Isolation (Изоляция) — параллельные транзакции не влияют друг на друга.
  • Durability (Долговечность) — зафиксированные данные сохраняются даже при сбое.

Жёсткий ACID несовместим с горизонтальным шардированием: при распределённой транзакции гарантировать изоляцию без координирующего узла практически невозможно. Поэтому SQL и NoSQL придерживаются разных моделей. NoSQL переходит к BASE: Basically Available (базовая доступность), Soft state (мягкое состояние), Eventually consistent (согласованность в конечном счёте). Меньше гарантий — больше горизонтального масштаба и отказоустойчивость без единой точки отказа.

Сравнение моделей ACID и BASE в базах данных

Примеры реляционных СУБД и российские решения

Строчные (OLTP): PostgreSQL, MySQL, MariaDB, SQLite — открытый код; Oracle, MS SQL Server — коммерческие лицензии.

Колоночные (OLAP): ClickHouse (разработан Яндексом, Open Source, рекордная скорость агрегации), Vertica, Amazon Redshift, Google BigQuery.

Российские: Postgres Pro (энтерпрайз-форк PostgreSQL с поддержкой на русском и сертификацией ФСТЭК), Jatoba, Arenadata DB (на базе Greenplum), YDB (Яндекс, serverless, Open Source, поддерживает KV- и SQL-интерфейсы одновременно).

Проектирование схем данных и работу с SQL удобно изучать системно — на курсе по базам данных и SQL разбирается реляционная модель, нормализация и практика с PostgreSQL. Дальше рассмотрим нереляционные типы, которые строятся на совсем других принципах.

Базы данных «ключ-значение»

Простейший тип нереляционных хранилищ: каждый объект — пара ключ → значение. Значением может быть строка, число, список, хэш или бинарный blob — СУБД ничего не знает о структуре значения. Хранение в памяти (in-memory) обеспечивает почти мгновенный доступ: Redis возвращает данные за доли миллисекунды.

Типичные сценарии: кэширование ответов от медленных источников, хранение сессий, счётчики, балансы, очереди задач. Шардирование по ключам позволяет распределить данные между узлами: сессии разных сайтов попадают в разные сегменты кластера — это снижает I/O-нагрузку на основную реляционную БД.

Ограничение: валидация ключей и их нейминг — полностью на стороне разработчика. СУБД не проверяет уникальность форматов. В командах без соглашений возникают коллизии: key:user:123 в одном сервисе и user_123 в другом — данные расходятся незаметно.

Примеры: Redis, Memcached. Российская разработка — Tarantool (Mail.ru Group): гибридная система, сочетающая KV-хранилище, документные и реляционные возможности с Lua-скриптингом в одной СУБД.

Схема хранения данных в базе данных ключ-значение

Документо-ориентированные базы данных

Документо-ориентированные БД хранят данные в виде иерархических документов: JSON, BSON или XML. Документ — дерево свойств с вложенными объектами и массивами. Несколько документов образуют «коллекцию» (аналог таблицы в SQL, но без жёсткой схемы).

Ключевое преимущество — гибкая схема. Каждый документ в коллекции может иметь уникальный набор полей: один пользователь хранит avatar_url, другой — нет. Это упрощает разработку: не нужно описывать схему заранее и писать миграции при добавлении нового поля. При больших объёмах данных с разнородными структурами документная модель работает значительно удобнее реляционной.

Применение: каталоги товаров с разными атрибутами, профили пользователей, CMS-системы, логирование событий.

Ограничение: нет встроенных JOIN между коллекциями; сложные агрегации требуют построения aggregation pipeline вместо простого SQL-запроса.

Примеры: MongoDB (лидер рынка по DB-Engines, 2024), CouchDB, Firebase Firestore. Российская разработка — СУБД Енисей.

Документоориентированная база данных — JSON-документы с гибкой схемой

Колоночные базы данных

Реляционные колоночные СУБД (ClickHouse, Vertica) уже упоминались выше. Здесь рассматриваем нереляционный подтип — Wide Column Stores (хранилища с широкими столбцами).

В Wide Column каждая строка содержит только те столбцы, данные для которых есть. Пустые столбцы не хранятся совсем — экономия при разреженных данных. Столбцы группируются в «семейства» (column families): запрос к нескольким связанным полям читает только нужное семейство, а не всю строку.

Аналитическое преимущество: агрегация по одному столбцу читает только его, а не все строки целиком. При больших объёмах данных это даёт многократный выигрыш в скорости.

Apache Cassandra — высокая пропускная способность записи, линейный горизонтальный масштаб: IoT, телеметрия, история сообщений, активных сессий. Apache HBase строится поверх HDFS (Hadoop Distributed File System) и оптимизирован для таблиц с миллиардами строк. ClickHouse (Яндекс, Open Source) — колоночная реляционная СУБД с рекордной скоростью OLAP-запросов.

Сравнение строчного и колоночного хранения данных в СУБД

Базы данных временных рядов

Временны́е ряды — данные, упорядоченные по временны́м меткам. Ключевая особенность модели: insert-only — прошлые записи не перезаписываются. Каждое новое измерение добавляется с меткой времени в конец ряда.

Нагрузка write-heavy: IoT-датчики генерируют миллионы точек в секунду. Специализированные временны́е индексы обеспечивают быстрый доступ к диапазонам, агрегацию по интервалам (среднее за час, максимум за сутки) и автоматическое удаление данных по политике хранения (retention policy).

Применение: мониторинг серверов (CPU, RAM, disk I/O), финансовые котировки, телеметрия умных устройств, метрики приложений. Prometheus работает в pull-модели: сам опрашивает сервисы по HTTP и забирает текущие метрики.

Ограничения: производительность зависит от числа уникальных рядов (cardinality) и индексирования. Высокая cardinality — миллионы уникальных комбинаций тегов — деградирует запросы даже на мощном кластере.

Примеры: Prometheus, InfluxDB, VictoriaMetrics (Open Source, хорошо масштабируется горизонтально), TimescaleDB (расширение PostgreSQL), Graphite.

База данных временных рядов — графики CPU и RAM с временными метками

Графовые базы данных

Графовые БД хранят данные как граф: вершины (узлы, объекты) и рёбра (связи между ними). Каждое ребро имеет тип и может нести атрибуты. В основе — теория графов.

Главное преимущество перед реляционными: при 3 и более уровнях связей обход рёбер работает значительно быстрее множественных JOIN. Запрос «найти всех друзей друзей пользователя» в SQL требует нескольких самосоединений; в графовой БД — один traversal.

Применение: социальные сети (рекомендации знакомых), FinTech (выявление мошеннических схем через цепочки связанных аккаунтов), рекомендательные системы, граф знаний.

Язык запросов Cypher (Neo4j): MATCH (u:User)-[:FOLLOWS]->(f) RETURN f.name — читается буквально как «найди пользователей f, на которых подписан u». Это одно из преимуществ графовых хранилищ — запросы близки к человеческому описанию задачи.

Примеры: Neo4j (лидер рынка, Open Source Community + Enterprise), JanusGraph (Apache, горизонтальный масштаб), Dgraph, ArangoDB (мультимодальная: граф + документы + KV).

Графовая база данных — вершины пользователей и рёбра связей

Хотите сменить профессию или повысить квалификацию?

Федеральный проект «Активные меры содействия занятости» даёт возможность пройти обучение бесплатно за счёт государства

  • Программы от ведущих вузов России — от 2 месяцев
  • Удостоверение или диплом установленного образца
  • Центр карьеры: 7 500+ вакансий, помощь с трудоустройством
Оставить заявку
image

Поисковые базы данных (Search Engines)

Поисковые СУБД строят инвертированный индекс: слово или лемма → список документов, в которых она встречается. Поиск по готовому индексу в тысячи раз быстрее полнотекстового сканирования по всей коллекции.

Отличие от векторных БД: поисковые работают с лексическими совпадениями (с учётом лемматизации и синонимов), векторные ищут семантическое сходство смыслов. Запрос «купить красные кроссовки» в поисковой БД найдёт документы со словом «кроссовки»; в векторной — документы с похожим смыслом, даже если там написано «спортивная обувь».

Применение: продуктовый поиск на маркетплейсе, полнотекстовый поиск по петабайтам логов, аналитика неструктурированных данных, мониторинг сообщений в SIEM-системах.

Примеры: Elasticsearch / OpenSearch (Apache), Splunk (коммерческий, SIEM), Manticore Search (российская Open Source разработка, форк Sphinx с активным развитием), Sphinx.

Векторные базы данных

Векторная БД хранит float-векторы-эмбеддинги — числовые представления текстов, изображений или звука, которые нейросеть сжимает в массив из 768–3072 чисел. Объекты, похожие по смыслу, имеют близкие векторы в многомерном пространстве.

Поиск работает через ANN-индексы (Approximate Nearest Neighbor — приближённый поиск ближайших соседей): по косинусному сходству или евклидову расстоянию. ANN жертвует долей точности в пользу скорости: среди миллиарда векторов он находит 99% ближайших за миллисекунды.

Бум 2022–2024 годов — прямое следствие роста LLM (языковых моделей: GPT, Claude, Gemini). Главный сценарий — RAG-системы (Retrieval-Augmented Generation): перед тем как ответить на вопрос, языковая модель достаёт из векторной БД релевантные фрагменты документов и добавляет их в контекст. Это снижает «галлюцинации» и позволяет моделям работать с актуальными корпоративными знаниями без дообучения.

Также: семантический поиск, идентификация по лицу, NLP-пайплайны, рекомендательные системы на основе смыслового сходства.

Примеры: Milvus (Apache, Open Source, высокий горизонтальный масштаб), Weaviate, Pinecone (облачный SaaS), Chroma (лёгкий вариант для прототипов). Российская разработка — Qdrant (Open Source, написан на Rust, высокая производительность при поиске).

Векторная база данных — конвейер от текста до LLM-ответа

RDF-базы данных

RDF (Resource Description Framework) — W3C-стандарт для представления данных в виде триплетов: субъект – предикат – объект. Пример: «Эдгар Кодд — разработал — Реляционную модель». Субъекты и объекты адресуются через URI, что делает каждый факт глобально уникальным.

Язык запросов — SPARQL (аналог SQL для RDF-графов). Применяется в семантической паутине (Semantic Web), графах знаний (Wikidata, DBpedia), связанных открытых данных (linked open data) и семантических аннотациях медицинских и научных данных.

Нереляционные базы данных этого типа нишевые: большинство продуктов не нуждаются в формальной W3C-семантике. Но для задач, где важна машиночитаемая семантика связей между понятиями, RDF-хранилища незаменимы.

Примеры: AllegroGraph, Apache Jena TDB (Open Source), Virtuoso (гибридная: RDF + SPARQL + SQL), GraphDB.

NewSQL — третий класс систем управления данными

Термин предложил аналитик Мэтью Аслет из 451 Group в 2011 году: реляционная модель данных с горизонтальным масштабом. NewSQL сохраняет SQL и ACID-гарантии, одновременно добавляя возможности, которых нету классических РСУБД.

Механизм: автоматическое шардирование (данные делятся между узлами без участия приложения) в сочетании с алгоритмами консенсуса — Paxos или Raft — для согласованности распределённых транзакций. Горизонтальное масштабирование прозрачно для разработчика: пишешь обычный SQL, шардирование происходит на уровне СУБД.

В отличие от NoSQL, NewSQL не жертвует транзакционностью ради масштаба. Это делает его применимым там, где нужны и ACID, и высокая нагрузка одновременно: финансовые платформы, медицинские системы, глобальный e-commerce.

Примеры: Google Spanner (глобально распределённая, проприетарная), CockroachDB (Open Source, аналог Spanner), VoltDB, MemSQL, YugabyteDB.

Мультимодальные СУБД

Мультимодальная СУБД поддерживает несколько моделей данных одновременно: документы, граф, ключ-значение и реляционные таблицы — в одной системе с единым механизмом согласованности. Один запрос может обращаться к данным разных типов без нарушения целостности.

Большинство реальных продуктов работают с разнородными данными. Профиль пользователя — документ, социальный граф контактов — граф, сессионный токен — KV, история транзакций — реляционная таблица. Держать четыре отдельные СУБД дорого в обслуживании; мультимодальная закрывает все сценарии одним инфраструктурным компонентом.

Примеры: ArangoDB (документы + граф + KV, Open Source), YDB (Яндекс, serverless, поддерживает KV и SQL-интерфейсы), Tarantool (KV + документы + реляционные возможности с Lua-скриптингом).

Специализированные типы: GEO/GIS, Event, Native XML, Навигационные

Несколько нишевых типов, которые стоит знать при выборе инструмента:

  • GEO/GIS (PostGIS, SpatiaLite): расширяют реляционную БД пространственными типами данных и операторами — «пересекается», «содержится в», «ближайший объект». Применяются в картографии, геоаналитике, сервисах доставки.
  • Event СУБД (EventStoreDB): хранят поток событий (изменений состояния) как append-only историю. Используются для аудита, Event Sourcing и расследования инцидентов.
  • Native XML (BaseX, eXist-db): хранят XML-документы и поддерживают язык запросов XQuery для навигации по XML-дереву.
  • Навигационные (IMS, IDMS): исторический тип, предшественник реляционных; навигация по указателям. В современных разных базах данных практически не используются.

Виды резервного копирования баз данных

Виды резервного копирования баз данных напрямую связаны с требованиями к RPO (Recovery Point Objective — допустимая потеря данных) и RTO (Recovery Time Objective — допустимое время восстановления).

Полное (full) — полная копия всей БД. Простое восстановление: достаточно одного файла. Минус: долгое создание и высокое потребление места. Для большой PostgreSQL-базы pg_dump может занимать несколько часов, в течение которых нагрузка на сервер возрастает.

Инкрементальное — копируются только данные, изменившиеся с момента последнего любого бэкапа (полного или инкрементального). Быстрое создание, минимальный объём файлов. Сложность: для восстановления нужна цепочка из полного бэкапа плюс все последующие инкрементальные по порядку. Потеря одного звена делает восстановление к нужной точке невозможным.

Дифференциальное — изменения с момента последнего полного бэкапа. Компромиссный вариант: создание быстрее, чем full; восстановление проще, чем инкрементальное — нужен только полный бэкап и последний дифференциальный.

Репликация (синхронная и асинхронная) — непрерывная передача изменений на реплику. Защищает от аппаратного сбоя мастера: реплика принимает нагрузку за секунды. Но репликация не заменяет бэкап при логической ошибке — случайный DROP TABLE мгновенно реплицируется на все узлы, и откат возможен только из резервной копии.

Особенности по типам СУБД:

  • Реляционные: pg_dump / pg_restore (PostgreSQL), mysqldump (MySQL), WAL-архивирование для PITR (point-in-time recovery до конкретной секунды).
  • NoSQL: mongodump / mongorestore, Redis RDB-снапшоты и AOF-лог (Append-Only File — журнал всех команд записи).
  • Временны́е ряды: retention policy автоматически удаляет старые данные; для долгосрочного хранения — снапшоты или выгрузка в объектное хранилище (S3, MinIO).

Отказоустойчивость системы строится из трёх элементов: бэкап (защита от логических ошибок) + репликация (защита от аппаратных сбоев) + регулярная проверка корректности бэкапов путём тестового восстановления.

Как выбрать вид базы данных для проекта

Выбор вида базы данных — архитектурное решение на годы. Менять СУБД под продакшен-нагрузкой стоит дорого.

Ключевые критерии:

  1. Структура данных — жёсткая схема или разнородные объекты?
  2. Нагрузочная модель — OLTP (много коротких транзакций), OLAP (сложные агрегации), write-heavy (IoT, метрики)?
  3. Требования к согласованности — критические данные (финансы, медицина) → ACID; гибкость важнее строгости → BASE.
  4. Глубина связей — 3+ уровня → графовая БД; простые таблицы → реляционная.
  5. Опыт команды — PostgreSQL знают почти все разработчики; нишевые СУБД требуют специалистов.
  6. Стадия продукта — MVP с неизвестной схемой → документная БД; зрелый продукт с устоявшейся схемой → реляционная.
Сценарий
Рекомендуемый тип
Примеры СУБД
Финансовые транзакции, строгий ACID Реляционные строчные PostgreSQL, Oracle
Аналитика и агрегации по большим объёмам Реляционные колоночные ClickHouse, Redshift
Кэш, сессии, счётчики Ключ-значение Redis, Memcached
Гибкая схема, быстрая разработка Документо-ориентированные MongoDB, Firebase
Big Data, высокая пропускная запись Wide Column Cassandra, HBase
Социальные сети, фрод, рекомендации Графовые Neo4j, ArangoDB
IoT, мониторинг серверов Временны́е ряды Prometheus, VictoriaMetrics
RAG / LLM, семантический поиск Векторные Qdrant, Milvus
Полнотекстовый поиск по логам и контенту Поисковые Elasticsearch, Manticore
ACID + горизонтальный масштаб NewSQL CockroachDB, Google Spanner

В большинстве современных продуктов применяют полиглотное хранение (polyglot persistence): PostgreSQL для транзакций, Redis для кэша, Elasticsearch для поиска. Это норма, а не признак плохой архитектуры.

Часто задаваемые вопросы

Какие виды баз данных бывают в информатике?

Базы данных делятся на три класса: реляционные (SQL, ACID-транзакции), нереляционные NoSQL (ключ-значение, документные, графовые, колоночные, векторные и другие) и NewSQL (реляционная модель + горизонтальный масштаб). В школьной информатике традиционно выделяют три модели: иерархическую, сетевую и реляционную — как основные этапы эволюции СУБД.

Чем реляционные базы данных отличаются от нереляционных?

Реляционные БД хранят данные в таблицах с жёсткой схемой и используют SQL с ACID-гарантиями. Нереляционные (NoSQL) работают с гибкими форматами — документы, графы, векторы — и следуют модели BASE: нет жёсткой схемы, зато выше горизонтальная масштабируемость. Выбор зависит от структуры данных и требований к транзакционной согласованности.

Что такое нормализация базы данных и какие виды нормальных форм существуют?

Нормализация — минимизация избыточности данных через разбиение таблиц с помощью внешних ключей. Основные нормальные формы: 1НФ (атомарность значений полей), 2НФ (полная зависимость от первичного ключа), 3НФ (отсутствие транзитивных зависимостей), BCNF (полная детерминантная зависимость). Чем выше форма — тем меньше избыточность и выше целостность данных.

Что такое векторная база данных и зачем она нужна?

Векторная БД хранит числовые эмбеддинги — выходы нейросетей, кодирующие смысл текста, изображений или звука. Поиск ведётся не по точному совпадению, а по математической близости (косинусное сходство). Применяется в RAG-системах на LLM, семантическом поиске, идентификации по лицу. Примеры: Milvus, Qdrant (российская разработка), Pinecone, Weaviate.

Когда использовать графовую базу данных вместо реляционной?

Графовые БД эффективны, когда приложение активно работает со связями объектов на 3+ уровнях: социальные сети, рекомендательные системы, фрод-детекция в FinTech. Обход вершин и рёбер значительно быстрее множественных JOIN при глубоких цепочках связей. Если данные преимущественно табличные с простыми связями — реляционная СУБД предпочтительнее.

Какие базы данных используются в программировании чаще всего?

В разработке приложений чаще всего встречаются PostgreSQL и MySQL (реляционные, OLTP), Redis (кэш, сессии), MongoDB (гибкая схема, документы), Elasticsearch (полнотекстовый поиск), ClickHouse (аналитика). Выбор определяется нагрузочной моделью: транзакции → PostgreSQL; неструктурированные данные → MongoDB; высокая скорость чтения → Redis.

Что такое NewSQL и чем он отличается от NoSQL?

NewSQL — класс СУБД (термин Мэтью Аслета, 2011), сохраняющий реляционную модель и ACID-гарантии, но добавляющий горизонтальное масштабирование через шардирование и алгоритмы консенсуса (Paxos, Raft). В отличие от NoSQL, NewSQL не жертвует транзакционностью ради масштаба. Примеры: Google Spanner, CockroachDB, VoltDB.

Какие российские СУБД существуют?

Среди российских СУБД: реляционные — Postgres Pro, Jatoba, Arenadata DB; ключ-значение — Tarantool (Mail.ru Group); мультимодальные — YDB (Яндекс, serverless, Open Source); колоночные — ClickHouse (Яндекс); векторные — Qdrant; документные — СУБД Енисей. Большинство построены на зрелых Open Source-проектах с корпоративной поддержкой и адаптацией для российского рынка.

Каковы основные виды резервного копирования баз данных?

Три вида: полное (full) — полная копия, простое восстановление, долгое создание; инкрементальное — только изменения с последнего любого бэкапа, быстрое создание, сложная цепочка восстановления; дифференциальное — изменения с последнего полного, компромиссный вариант. Репликация защищает от аппаратных сбоев, но не заменяет бэкап при логических ошибках в данных.

Какие виды баз данных SQL существуют?

SQL — основной язык реляционных СУБД двух подтипов: строчные (PostgreSQL, MySQL, MariaDB, Oracle — для OLTP-транзакций) и колоночные (ClickHouse, Vertica, Amazon Redshift — для OLAP-аналитики). SQL также поддерживается в NewSQL-системах (Google Spanner, CockroachDB) и ряде мультимодальных СУБД (YDB, ArangoDB).

Подайте заявку — забронируйте место в группе

45 000 мест на 2026 год. Бесплатное обучение по федеральному проекту «Активные меры содействия занятости»

  • Онлайн
  • От 2 месяцев
  • Бесплатно
  • Диплом
Учиться бесплатно
icon