1. 论文基本信息 (Bibliographic Information)

• 标题 (Title): RapidStore: An Efficient Dynamic Graph Storage System for Concurrent Queries (RapidStore: 一个用于并发查询的高效动态图存储系统)
• 作者 (Authors): Chiyu Hao, Jixian Su, Shixuan Sun, Hao Zhang, Sen Gao, Jianwen Zhao, Chenyi Zhang, Jieru Zhao, Chen Chen, Minyi Guo.
  • 隶属机构: 作者主要来自上海交通大学 (Shanghai Jiao Tong University, China) 和华为 (Huawei, China)。这表明该研究是产学研合作的成果，兼具学术前沿性和工业应用价值。
• 发表期刊/会议 (Journal/Conference): 本文目前发布在 arXiv 上，这是一个预印本 (Preprint) 服务器。arXiv 上的论文尚未经过同行评审 (Peer Review)，但通常是顶级会议或期刊投稿前的版本，代表了最新的研究进展。
• 发表年份 (Publication Year): 2025 (根据 arXiv 链接中的年份标识)。
• 摘要 (Abstract): 动态图存储系统对于社交网络、推荐系统等实时应用至关重要，但现有系统在高效处理并发读写操作方面面临巨大挑战。作者发现，现有方法存在写入干扰读取效率、逐边版本控制带来巨大时空开销、以及在并发负载下无法平衡性能（如搜索缓慢）等问题。为解决这些问题，论文提出了 RapidStore，一个专为读密集型工作负载设计的、整体性的高效内存动态图存储方案。其核心思想是通过解耦的系统设计来利用图查询的特性，将读写查询管理分开，并将版本数据与图数据分离。特别地，作者设计了一个高效的动态图存储结构来配合图并发控制机制。实验结果表明，RapidStore 实现了快速且可扩展的并发图查询，有效平衡了插入、搜索和扫描的性能，并显著提升了动态图存储系统的效率。
• 原文链接 (Source Link):
  • ArXiv 链接: http://arxiv.org/abs/2507.00839
  • PDF 链接: http://arxiv.org/pdf/2507.00839v1
  • 发布状态: 预印本 (Preprint)。

2. 整体概括 (Executive Summary)

• 研究背景与动机 (Background & Motivation - Why):

  • 核心问题: 随着社交网络、金融交易等应用的发展，图数据变得动态且需要实时处理。现有的动态图存储系统在同时处理大量读请求（如图分析）和写请求（如图更新）时，性能瓶颈严重。
  • 现有挑战 (Gap):
    1. 读写干扰: 现有系统通常要求读和写操作都需要获取锁，导致严重的锁竞争 (Lock Contention)，尤其是在访问高 度（连接数多）节点时，写入操作会严重拖慢读取速度。
    2. 逐边版本控制开销大: 为了实现并发，系统普遍采用为每条边维护多个版本的 MVCC 机制。这导致每次访问边时都需要进行版本检查，带来了巨大的时间开销；同时，存储多版本信息也消耗了大量内存空间。
    3. 搜索性能不佳: 现有系统为了优化图遍历算法（如 PageRank），主要关注 Scan（扫描邻居）操作的性能，而忽略了 Search（查找特定邻居）操作的效率，这对于模式匹配等复杂查询（如三角计数）是致命的。
  • 创新思路: 论文的切入点是彻底解耦。作者认为，可以通过分离读写路径、分离版本数据和图数据来从根本上解决上述问题。RapidStore 提出了一种粗粒度的版本管理方案，即在子图层面进行版本控制，而不是在单条边上，从而避免了逐边检查的开销，并使得读取操作可以完全无锁进行。

• 核心贡献/主要发现 (Main Contribution/Findings - What):

  • 提出了一个新颖的图并发控制机制: 引入了子图为中心 (subgraph-centric) 的并发控制。写操作在子图上加锁并使用写时复制 (Copy-on-Write) 创建新版本；读操作则完全无锁，通过读取特定时间点的子图快照来构建一致性的全图视图，从而根除了读写干扰。
  • 设计了一个优化的图数据存储结构: 提出了压缩自适应基数树 (Compressed Adaptive Radix Tree, C-ART)，它通过水平压缩叶子节点来提升空间利用率和扫描性能。同时，针对低度顶点设计了聚集索引 (Clustered Index)，进一步优化了存储和访问效率。这个存储结构旨在平衡 Search、Scan 和 Insert 操作的性能。
  • 实现了一个解耦的系统架构: 整个 RapidStore 系统将并发控制与底层数据存储解耦，读写查询管理分离，版本数据与图数据分离，提升了系统的整体性能和响应能力。实验证明，RapidStore 在图分析查询上比最新系统快 3.46倍，节省了 56.34% 的内存，并在高并发场景下表现出极强的稳定性。

3. 预备知识与相关工作 (Prerequisite Knowledge & Related Work)

• 基础概念 (Foundational Concepts):

  • 动态图 (Dynamic Graph): 指图的结构（顶点和边）会随时间不断变化的图。与静态图（结构固定）相对，动态图的处理是实时应用的基础。

  • 并发控制 (Concurrency Control): 在多用户（或多线程）同时访问共享数据的系统中，用于确保数据一致性和隔离性的技术。常见机制有：

    • 多版本并发控制 (Multi-Version Concurrency Control, MVCC): 核心思想是“读写不冲突”。当数据被修改时，系统不直接覆盖旧数据，而是创建一个新版本。读取操作可以访问旧版本的数据，而写入操作在创建新版本，两者互不干扰。RapidStore 的思想源于此，但将其应用粒度从“边”提升到了“子图”。
    • 多版本两阶段锁定 (Multi-Version Two-Phase Locking, MV2PL): 一种为写操作设计的锁定协议。它要求写事务在执行期间必须持有所有需要修改数据的锁，并且在事务提交后才能释放，以保证写操作之间的可串行化。

  • 压缩稀疏行 (Compressed Sparse Row, CSR): 一种经典且高效的静态图存储格式。它使用三个数组来紧凑地存储图的邻接关系，非常适合图的遍历（Scan 操作），但几乎无法高效地进行修改（插入/删除边）。

  • 自适应基数树 (Adaptive Radix Tree, ART): 一种高性能的内存键值存储数据结构。它通过根据子节点数量动态改变节点类型（如 N4, N16, N48, N256）来优化空间利用率，同时通过路径压缩减少树的深度，实现快速的键查找、插入和删除。论文中的 C-ART 是对 ART 的一种改进。

    该图像是一张ART树结构的示意图，展示了多个不同深度和前缀的节点及其键和指针的关系，用于图形存储系统中的动态索引。

    上图展示了一个标准的 ART 结构，用于存储一组由4字节整数表示的顶点。树的节点根据键的字节序列进行索引。例如，Node1 根据第0个字节索引，Node2 由于路径压缩跳过了第1个字节，直接根据第2个字节索引。这种结构可以实现 $O(w)$ 复杂度的查找，其中 $w$ 是键的字节长度。

• 前人工作 (Previous Works):

  • Sortledton: 一个先进的动态图数据结构。它使用两级数组存储邻接表，低度邻居直接存，高度邻居用跳表存。它采用逐边 MVCC 和顶点级 MV2PL 进行并发控制。局限性: 读写均需加锁，存在严重竞争；逐边版本检查开销大。
  • Teseo: 使用 ART 索引一个打包内存数组 (Packed Memory Array, PMA) 来存储图数据。它也采用逐边版本控制。局限性: 同样存在读写锁竞争问题，且 PMA 的动态再平衡操作可能导致性能抖动。
  • LiveGraph: 将邻居列表按时间戳顺序存储为日志。插入和扫描性能较好。局限性: 查找特定邻居效率极低，功能受限，不支持三角计数等复杂查询。
  • Aspen: 采用写时复制策略，在全局图层面进行版本控制，注重读性能。局限性: 只支持单线程写入，限制了并发写性能。

• 技术演进 (Technological Evolution): 图存储技术从面向静态分析的 CSR 格式，演进到支持动态更新的系统。早期动态系统（如 Stinger）解决了更新问题，但并发性能不足。近期系统（如 Sortledton, Teseo）借鉴了数据库的 MVCC 思想，但将它生硬地应用在图的“边”上，带来了新的性能瓶颈。RapidStore 则是在这个脉络上，将 MVCC 的思想提升到更粗的“子图”粒度，是一种更适应图查询特性的演进。

• 差异化分析 (Differentiation): 与上述工作相比，RapidStore 的核心区别在于其两级解耦的设计：

  1. 并发控制层面: RapidStore 采用子图级版本控制，而非逐边版本控制。这使得读操作可以完全无锁 (lock-free)，从根本上消除了读写干扰。而 Sortledton 和 Teseo 的读写操作都需要在顶点上加锁。
  2. 数据存储层面: RapidStore 将版本信息与图数据物理分离。版本链只存储元数据和指针，图数据本身是“干净”的，访问时无需进行版本检查。而其他系统通常将版本信息与边数据耦合存储。

4. 方法论 (Methodology - Core Technology & Implementation Details)

RapidStore 的核心是一个整体性解决方案，包含子图为中心的并发控制和多版本图存储两个协同工作的组件。

• 方法原理 (Methodology Principles): RapidStore 的核心思想是用空间换时间以及用粗粒度换取低开销。通过在子图级别进行写时复制 (Copy-on-Write)，为写操作付出一定的复制开销，但极大地解放了读操作。读操作只需根据一个时间戳，选择正确的子图版本指针，即可构建一个一致且隔离的图快照，无需任何锁或版本检查，从而实现极高的读取性能。

• 方法步骤与流程 (Steps & Procedures): 系统围绕一个逻辑时钟 (clock) 运行。

  • 写查询流程 (Write Query):

    1. 识别子图: 根据待修改的顶点，确定需要更新的子图集合 $S$。
    2. 获取锁: 以子图 ID 升序的顺序获取这些子图的排他锁，避免死锁。
    3. 创建新版本: 对每个受影响的子图，使用写时复制策略创建新版本（快照），并将新版本的版本号设为当前时钟值+1。
    4. 提交变更: 提交更改，并将全局时钟原子性地加1。
    5. 垃圾回收 (GC): 根据当前活跃的读查询，清理不再需要的旧版本子图。
    6. 释放锁: 释放持有的所有子图锁。

  • 读查询流程 (Read Query):

    1. 注册查询: 从全局时钟获取一个起始时间戳 $t$，并在一个名为 reader tracer 的数组中注册自己。
    2. 构建快照: 遍历所有子图的版本链，为每个子图选择版本号小于等于 $t$ 的最新版本，将这些版本的指针汇集起来，形成一个逻辑上的图快照。
    3. 执行查询: 在构建好的逻辑快照上执行图数据访问操作。
    4. 注销查询: 查询结束后，在 reader tracer 中注销自己。

  这个设计的精髓在于，读操作的整个过程（步骤2-3）完全不需要锁，也不与写操作产生任何直接冲突。

• 子图为中心的并发控制 (Subgraph-Centric Concurrency Control):

  • 粗粒度版本管理: 将图的顶点集 $V$ 划分为多个大小相等的连续块，每个块及其关联的出边构成一个子图。系统为每个子图维护一个版本链（一个链表），链表的每个节点指向一个子图快照。
  • reader tracer机制: 这是一个固定大小的数组，用于追踪所有活跃的读查询。每个槽位记录一个读查询的“状态”（是否活跃）和它的“起始时间戳”。写操作在进行垃圾回收时，会扫描此数组，以确定哪些旧版本可以被安全删除。
  • 正确性与开销分析:
    • 论文证明该机制保证了可串行化 (Serializability)。
    • 命题 5.2: 任何一个子图的版本链长度最多为 $k+1$，其中 $k$ 是 reader tracer 的大小（即最大并发读者数）。这保证了版本链不会无限增长，控制了空间开销。

• 多版本图存储 (Multi-Version Graph Store): 这是支持上述并发机制的底层数据结构。

  • 整体设计: 采用写时复制。当一个子图被修改时，只有从根节点到被修改的叶子节点的路径会被复制和更新，其他未受影响的部分则被新旧版本共享，以降低复制开销。
  • 压缩自适应基数树 (Compressed Adaptive Radix Tree, C-ART):
    • 动机: 标准的 ART 每个叶子节点只存一个顶点，对于图邻居的扫描操作，需要频繁遍历树节点，效率不高。同时，如果将邻居存储在连续的大块内存中，由于邻居ID分布稀疏，空间利用率极低（低于4%）。
    • 核心思想: C-ART 对 ART 进行了水平压缩。它的每个叶子节点可以存储多达 $B=256$ 个顶点。这极大地提高了叶子节点的填充率（实验中达到66%以上），增强了内存局部性，从而大幅提升了扫描性能。
    • 操作: Search 操作先在树上定位，再在叶子节点内进行二分查找。Scan 操作则可以高效地顺序读取叶子节点内的数据。Insert 和 Delete 操作在叶子节点满或空时会触发分裂或合并，以维持高填充率。
  • 聚集索引 (Clustered Index):
    • 动机: 对于度数非常低的顶点，使用 C-ART 这样的树结构开销仍然较大。
    • 实现: 将一个子图内所有低度顶点的邻居列表，顺序地存储在一个 B+ 树中。通过将小邻居列表聚集在一起，消除了随机内存访问的开销，进一步提升了局部性。

5. 实验设置 (Experimental Setup)

• 数据集 (Datasets): 实验使用了6个不同规模和特征的真实图数据集，覆盖了社交网络等多种类型，以全面评估系统性能。以下是转录自原文 Table 5 的数据集信息：

  | Dataset | Abbr. | |V| | |E| | Avg. Deg. | Max Deg. | Size(GB) | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | LiveJournal | lj | 4M | 43M | 17.4 | 14815 | 0.67 | Orkut | ot | 3M | 117M | 76.3 | 33313 | 1.7 | LDBC | ldbc | 30M | 176M | 11.8 | 4282595 | 2.84 | Graph500 | g5 | 9M | 260M | 58.7 | 406416 | 4.16 | Twitter | tw | 21M | 265M | 24.8 | 698112 | 4.11 | Friendster | fr | 65M | 2B | 55.1 | 5214 | 30.1

• 评估指标 (Evaluation Metrics):

  • 吞吐量 (Throughput):
    1. 概念定义: 该指标衡量系统在单位时间内处理的操作数量，是评估系统处理效率和性能的核心指标。吞吐量越高，代表系统性能越强。单位通常是 TEPS (Thousand Edges Per Second, 每秒千边) 或 MEPS (Million Edges Per Second, 每秒百万边)。
    2. 数学公式: $$\text{Throughput} = \frac{\text{Total Number of Operations}}{\text{Total Time Taken}}$$
    3. 符号解释:
       • Total Number of Operations: 在测量期间完成的总操作数（例如，插入的边数）。
       • Total Time Taken: 完成这些操作所花费的总时间（通常以秒为单位）。
  • 延迟 (Latency):
    1. 概念定义: 该指标衡量完成单个任务或查询所需的时间，通常以秒 (s) 为单位。延迟越低，代表系统响应越快。它关注的是单个操作的执行速度。
    2. 数学公式: $\text{Latency} = T_{\text{end}} - T_{\text{start}}$
    3. 符号解释:
       • $T_{\text{end}}$: 操作完成的时间点。
       • $T_{\text{start}}$: 操作开始的时间点。
  • 内存消耗 (Memory Consumption):
    1. 概念定义: 该指标衡量系统在运行时占用的物理内存大小，通常以千兆字节 (GB) 为单位。论文中使用操作系统报告的常驻集大小 (Resident Set Size, RSS) 作为度量，它反映了进程在 RAM 中的实际内存占用。
    2. 数学公式: 无标准化公式，直接通过系统工具（如 top, ps）读取 RSS 值。
    3. 符号解释: RSS 是操作系统内核维护的一个进程内存统计值。

• 对比基线 (Baselines):

  • Sortledton: 最新的、通用的事务性图数据结构，是主要的性能对比对象。
  • Teseo: 另一个先进的动态图系统，使用 PMA 结构。
  • Aspen: 一个采用写时复制和函数式思想的系统，读性能优秀但只支持单写。
  • LiveGraph: 一个采用日志结构存储邻居的系统。
  • CSR: 静态图的最佳性能基线，用于展示与理论最优读取性能的差距。

6. 实验结果与分析 (Results & Analysis)

• 核心结果分析 (Core Results Analysis):

  • 读性能 (Table 4): 在五种图分析算法（BFS, PR, SSSP, WCC, TC）上，RapidStore 的性能全面领先于所有动态图系统基线，取得了高达 3.46x 的加速。这强有力地证明了其无锁读取和优化的 C-ART 存储结构的有效性。特别是对于依赖 Search 操作的 TC（三角计数），RapidStore 的优势尤为明显。

    以下是转录自原文 Table 4 的部分数据（以相对 CSR 的 slowdown 倍数呈现）：

    	lj					ot					ldbc
    	BFS	PR	SSSP	WCC	TC	BFS	PR	SSSP	WCC	TC	BFS	PR	SSSP	WCC	TC
    CSR	0.56s	4.66s	1.42s	1.95s	48.21s	0.64s	7.91s	1.64s	1.73s	232.80s	2.68s	20.57s	6.36s	5.73s	442.10s
    Sortledton	7.23	6.69	2.45	3.11	3.18	5.97	4.77	2.46	3.07	3.07	8.35	8.49	3.04	4.20	4.94
    Teseo	15.25	4.32	3.53	2.52	3.99	3.83	2.74	3.50	4.29	4.34	6.28	4.01	3.84	3.23	7.31
    RapidStore	2.11	1.53	1.61	1.18	1.39	1.59	1.35	1.28	1.22	1.51	1.82	1.65	1.79	1.36	1.49

  • 写性能 (Figure 8): 在插入性能上，RapidStore 仅次于 Sortledton，但在 ldbc 这种高度倾斜的数据集上，由于 Sortledton 遭遇严重锁竞争，RapidStore 反而取得了最佳性能。在更新（删除+插入）场景下，RapidStore 的性能表现非常稳定，而 Sortledton 和 Teseo 则因版本链管理和垃圾回收开销而性能下降。这说明 RapidStore 的写性能具有竞争力和鲁棒性。

  • 并发性能 (Figure 9, 10, 11): 这是 RapidStore 最亮眼的表现。

    • 写操作对读的影响 (Figure 9): 当写线程增加时，Sortledton 和 Teseo 的读延迟急剧上升，而 RapidStore 的读延迟几乎不受影响，证明其读写解耦设计成功消除了锁竞争。

    • 读操作对写的影响 (Figure 10, 11): 当读线程增加时，Sortledton 和 Teseo 的写吞吐量明显下降。RapidStore 的写吞吐量下降非常平缓，直到读操作的超高吞吐量占满了内存带宽。这表明 RapidStore 的瓶颈在于硬件物理极限，而非系统设计本身的争用问题，它能更充分地利用硬件资源。

      该图像是图表，展示了RapidStore及其他三种系统在不同读者数量下的插入吞吐量表现。图 (a) 和 (b) 分别展示了在 lj 和 g5 数据集上的插入性能，其中固定写者数量为8，随着读者数增加，吞吐量呈下降趋势。

    上图展示了在固定8个写者的情况下，随着读者数量增加，各系统的插入吞吐量变化。RapidStore（红色）的吞吐量下降最为平缓，展现了强大的抗干扰能力。

    该图像是图表，展示了在并发读写实验中不同动态图存储系统随读者数量变化的平均内存带宽使用率。图中比较了Sortedton、Teseo、LiveGraph和RapidStore四种系统在lj和g5数据集上的表现，RapidStore在带宽使用上表现突出。

    上图揭示了原因：随着读者增多，RapidStore 的内存带宽使用率（红色菱形）迅速攀升并达到饱和，说明其性能瓶颈是硬件带宽；而其他系统（如 Sortledton，紫色圆点）的带宽使用率较低，说明它们的瓶颈是内部的锁竞争。

  • 内存消耗 (Figure 13): RapidStore 在所有数据集上都是最节省内存的，最高节省了 56.34%。这得益于 ID 压缩以及避免了存储逐边的版本信息。

    该图像是柱状图，展示了不同系统在六个数据集上的内存消耗情况。图中红色柱子表示RapidStore系统的内存使用，整体表现出较低的内存消耗，尤其在较大数据集如fr上的内存需求显著低于部分系统。

    上图清晰地展示了 RapidStore (红色柱) 在六个数据集上的内存消耗均显著低于其他系统。

• 消消融实验/参数分析 (Ablation Studies / Parameter Analysis):

  • 消融实验 (Table 6): 实验验证了每个组件的有效性。

    1. ART (基线) -> ART + SC (子图并发控制): 读性能提升，证明了消除读写阻塞的有效性。
    2. ART + SC -> C-ART + SC: 读性能进一步提升，尤其在高度顶点多的 g5 数据集上，证明了 C-ART 对扫描性能的优化。
    3. C-ART + SC -> C-ART + SC + CI (聚集索引): 读写性能均得到显著提升，证明了 CI 对低度顶点的管理优于简单的向量存储 (VEC)。

  • 参数分析 (Figure 12): 实验分析了分区大小 $|P|$ 的影响。

    • $|P|$ 越大，写性能越差（因为锁的粒度变粗，冲突概率增加）。

    • $|P|$ 越大，读性能先提升（因为局部性更好）后趋于平稳。

    • 这验证了 $|P|$ 是一个需要在读写性能之间进行权衡的参数，论文默认选择 $|P|=64$ 是一个经验上的平衡点。

      该图像是图表，展示了RapidStore在不同分区大小下的写入和读取性能（图12）。图中分别以写入吞吐量和延迟以及读取吞吐量和延迟两个维度，比较了lj和g5数据集上的表现，随着分区大小增加，性能和延迟均有所变化。

    上图直观展示了分区大小 $|P|$ 对读（黄色）写（绿色）性能的影响，呈现了明显的 trade-off 关系。

7. 总结与思考 (Conclusion & Personal Thoughts)

• 结论总结 (Conclusion Summary): RapidStore 成功地设计并实现了一个高效的内存动态图存储系统。通过其创新的解耦设计——即子图为中心的并发控制和优化的多版本图存储 (C-ART)——它有效地解决了现有系统在并发场景下的三大核心痛点：读写干扰、逐边版本控制的高昂开销和不均衡的性能。RapidStore 不仅在各类图查询中展现出卓越的性能和高并发能力，还显著降低了内存消耗，为实时图应用提供了一个强大而鲁棒的解决方案。

• 局限性与未来工作 (Limitations & Future Work):

  • 论文提及的未来工作: 将 RapidStore 的设计思想扩展到持久化存储（如 NVMe SSDs 和云存储）上，是未来一个有前景的研究方向。
  • 潜在的局限性:
    1. 写性能的权衡: 尽管写性能具有竞争力，但在非倾斜数据集的纯插入场景下，其吞吐量仍略低于专门优化的 Sortledton。这是为换取卓越读性能和并发性而做出的设计权衡。
    2. 对工作负载的敏感性: 系统的性能（特别是写性能）与分区大小 $|P|$ 密切相关。对于特定的图结构和工作负载，可能需要手动调优 $|P|$ 以达到最佳性能，目前缺乏自适应调整机制。
    3. 高度倾斜的写操作: 如果写操作高度集中在同一个子图内，即使 RapidStore 也无法避免写-写冲突，可能会成为瓶颈。

• 个人启发与批判 (Personal Insights & Critique):

  • 启发:
    1. 问题根源的思考: RapidStore 最大的启发在于，它没有停留在对现有 MVCC 机制进行小修小补，而是重新思考了图数据结构的访问模式，并从根本上改变了并发控制的粒度。将粒度从“边”提升到“子图”，是一个非常深刻且有效的洞察。
    2. 软硬件协同: 论文的结果清晰地表明，一个好的系统设计应该能充分压榨硬件性能，其瓶颈应该是物理带宽，而不是内部的逻辑争用。RapidStore 做到了这一点。
    3. 数据结构的定制化创新: C-ART 是一个很好的例子，展示了如何根据特定应用场景（图邻居扫描）的需求，对一个通用的高性能数据结构（ART）进行针对性的改造和优化，从而取得巨大收益。
  • 批判性思考:
    1. 分区策略的简单性: 目前 RapidStore 使用基于顶点 ID 的连续块划分策略。这种静态策略可能不是最优的。例如，一个将高度关联的顶点划分到不同子图的策略，可能会加剧跨子图的写操作，从而需要获取更多的锁。未来可以探索更智能的、基于图结构或访问模式的动态分区策略。
    2. 垃圾回收的实现: 论文中提到由写线程负责GC。在高强度写入场景下，GC 可能会成为写路径上的额外负担。可以考虑引入专用的后台GC线程，但这又会带来新的同步问题，需要仔细权衡。
    3. 真实世界负载的复杂性: 实验中的负载（如纯读、纯写、或固定比例的读写混合）虽然具有代表性，但真实世界的负载可能更加复杂多变。例如，读写请求的突发性、长事务的存在等，都可能对系统性能产生未在实验中充分展现的影响。