摘要：数据库模型：对象模型、层次模型（轻量级数据访问协议）、网状模型（大型数据储存）、关系模型、面向对象模型、半结构化模型、平面模型（表格模型，一般...

数据库模型：对象模型、层次模型（轻量级数据访问协议）、网状模型（大型数据储存）、关系模型、面向对象模型、半结构化模型、平面模型（表格模型，一般在形式上是一个二维数组。如表格模型数据Excel)。

数据库的架构可以大致区分为三个概括层次：内层、概念层和外层。

Operational-Relational Database

典型应用场景: ERP, CRM, 信用卡交易处理, 小型电子商务

数据存储方式: 表格

主流厂商: Oracle Database, Microsoft SQL Server, IBM DB2, SAP Hana, Amazon Aurora, Azure SQL Database, Enterprise DB (PostgreSQL), MySQL, MemSQL

优势：成熟的生态环境，事务保证/数据一致性

劣势：严格的数据模型定义，数据库扩展限制，与非结构化的融合使用较难。

Analytical-Relational Database

典型应用场景: 数据仓库，商务智能，数据科学

数据存储方式: 表格

主流厂商: Oracle Exadata, Oracle Hyperion, Teradata, IBM Netezza, IBM dashDB, Amazon Redshift, Microsoft SQL Data Warehouse, Google BigQuery

优势: 信息和计算的一致性

劣势: 需要针对数据库专业的IT人员维护，数据响应数据通常在分钟级

Operational-Nonrelational Database

典型应用场景: Web, mobile, and IoT applications, social networking, user recommendations, shopping carts

数据存储方式: 有很多存储结构 (document, graph, column, key-value, time series)

主流厂商: MongoDB, Amazon DynamoDB, Amazon，documentDB, Azure CosmosDB, DataStax, Neo4j, Couchbase, MarkLogic, Redis

优势: 易用性，灵活性(不需要预定义的模式)，水平伸缩(以适应大量数据量)，一般低成本(开源)

劣势: 缺乏事务保证

Analytical -Nonrelational Database

典型应用场景: 索引数以百万计的数据点，预测性分析,欺诈检测

数据存储方式: Hadoop不需要固有的数据结构; 数据可以跨多个服务器存储

主流厂商: Cloudera, Hortonworks, MapR, MarkLogic, Snowflake, DataBricks, ElasticSearch

优势: 适合批量处理, 并行处理文件; 主要是开源的，投入较低

劣势: 缓慢的响应时间; 不适合快速查找或快速更新