1. 为什么我要亲手验证「十倍性能」这件事ScyllaDB 是一个用 C 从零重写的 Cassandra 兼容列存储数据库核心卖点是每节点每秒百万级事务、兼容 CQL 协议、压缩和 GC 阶段不产生长暂停。它适合谁适合正在用 Cassandra 但被 JVM GC 停顿、节点扩容成本、尾延迟折磨的团队也适合做 NoSQL 选型、想用可复现数据判断「十倍」到底在什么边界成立的工程师。我最早看到「用 C 重写 Cassandra性能提高十倍」这个说法时第一反应是怀疑。Cassandra 用 Java 实现ScyllaDB 用 C 加 Seastar 异步框架重写理论上确实能绕开 JVM 堆管理和 GC 停顿但「十倍」是营销话术还是真实可复现的数字得自己压出来才算数。Seastar 的关键设计是 share-nothing每个 CPU 核绑定一个线程各自持有独立内存和网络栈线程之间不做锁竞争靠消息传递协作。这跟 Cassandra 那种共享线程池加 JVM 堆的模型是两条路。所以这篇不聊概念直接交付三样东西一份能跑起来的 docker-compose 配置、一套 cassandra-stress 压测命令、一组延迟和吞吐的对比验证步骤。你照着做能在自己机器上得到一组数字然后判断「十倍」在你的负载形态下是否成立。过程中如果需要 AI 工具帮忙生成配置骨架或解析压测输出我会用 TaoToken 统一 Key 通道接入省得每个工具单独配一遍。2. 前置准备TaoToken 统一 Key 与 API 通道在动手压测之前先把 AI 辅助这条线搭好。原因很简单docker-compose 的 YAML、cassandra-stress 的参数组合、压测输出的解析脚本这些都有固定套路但细节多用 AI 生成骨架再改比从零写快得多。问题是不同 AI 工具的接入方式不统一Key 散落各处换工具就要重配。TaoToken 在这里的作用是提供一个统一的 Key 和 API 通道把模型对话、编码辅助、Agent 类工具的接入收敛到一处。官网入口是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 基址是 https://taotoken.net/api 这个不加 UTM。你注册后在控制台生成 Key后续所有工具都复用这一个 Key。具体分几个入口按你的用途选想让 AI 帮你写 docker-compose 或解析压测日志用模型对话https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite长期做编码、想让 AI 在编辑器里持续辅助用 Coding Planhttps://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite管理 Key、查看用量进控制台https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite直接创建 API Keyhttps://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite查接入文档https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite注意Key 只存在你自己的环境变量或本地配置里不要写进会提交到仓库的 compose 文件。压测脚本里引用${TAOTOKEN_API_KEY}这种占位符即可。这一步不是压测的前置依赖但能明显减少你写配置和读日志的时间。我实测下来让 AI 根据我的机器核数和内存生成一份带资源限制的 compose 骨架比手写快改两处就能用。3. 可复制配置docker-compose 起 ScyllaDB 与 Cassandra 对照要对比就得两个都跑起来。下面这份 compose 同时起一个 ScyllaDB 节点和一个 Cassandra 节点各自暴露 CQL 端口方便你用同一套 cassandra-stress 分别打。ScyllaDB 用官方镜像Cassandra 用 4.x 系列两者 CQL 协议兼容压测工具可以共用。version: 3.8 services: scylla: image: scylladb/scylla:5.4 container_name: scylla-node command: --smp 4 --memory 4G --overprovisioned 1 --developer-mode 1 ports: - 9042:9042 volumes: - scylla-data:/var/lib/scylla ulimits: nofile: soft: 65535 hard: 65535 cassandra: image: cassandra:4.1 container_name: cassandra-node environment: - CASSANDRA_CLUSTER_NAMEbench-cluster - MAX_HEAP_SIZE4G - HEAP_NEWSIZE800M ports: - 9043:9042 volumes: - cassandra-data:/var/lib/cassandra ulimits: nofile: soft: 65535 hard: 65535 volumes: scylla-data: cassandra-data:几个参数说明一下这些直接决定对比是否公平参数ScyllaDBCassandra作用CPU 核数--smp 4默认用满控制 Scylla 使用的核数对齐 Cassandra 的线程模型内存上限--memory 4GMAX_HEAP_SIZE4G两边都给 4G避免内存不对等开发模式--developer-mode 1无Scylla 在容器里跑需要放宽 IO 和时钟检查端口90429043分开映射压测时指定不同 host启动命令docker compose up -d docker compose ps等两个节点都 healthy 之后用docker exec进去确认 CQL 端口通了docker exec -it scylla-node cqlsh -e SELECT release_version FROM system.local; docker exec -it cassandra-node cqlsh -e SELECT release_version FROM system.local;ScyllaDB 首次启动会做一轮初始化大概几十秒。如果cqlsh报连接拒绝先等一会儿再试别急着改配置。提示--overprovisioned 1是告诉 Scylla 这台机器不是独占的让它不要抢满所有资源。在共享开发机上必须加否则可能把宿主机拖卡。4. 压测实操cassandra-stress 命令与参数拆解cassandra-stress 是 Cassandra 自带的压测工具ScyllaDB 也兼容它的协议所以同一套命令可以分别打两个节点只改 host 和端口。下面这套命令我按「先写后读、固定并发、固定时长」的思路设计保证两边条件一致。先跑写入压测打 ScyllaDBcassandra-stress write n1000000 \ -rate threads64 \ -node 127.0.0.1:9042 \ -schema replication(factor1) \ -mode native cql3 \ -log file/tmp/scylla-write.log再打 Cassandra只改端口cassandra-stress write n1000000 \ -rate threads64 \ -node 127.0.0.1:9043 \ -schema replication(factor1) \ -mode native cql3 \ -log file/tmp/cassandra-write.log关键参数逐个说n1000000写入一百万行固定数据量避免两边跑的量不同导致对比失真。-rate threads6464 个并发线程。这个数字要小于等于你机器的可用核数乘以一个合理倍数太大反而因为上下文切换掉吞吐。-node指定目标节点和端口Scylla 用 9042Cassandra 用 9043。-schema replication(factor1)单节点副本数为 1排除副本同步带来的干扰。-mode native cql3走原生 CQL 协议这是两者都支持的路径。-log file...把结果写到文件方便后面解析。写完再跑混合读写模拟真实负载cassandra-stress mixed ratio\(read7,write3\) \ n1000000 \ -rate threads64 \ -node 127.0.0.1:9042 \ -mode native cql3 \ -log file/tmp/scylla-mixed.log读多写少的 7:3 比例比较接近多数线上场景。跑完 Scylla 再跑一遍 Cassandra端口换成 9043。如果你想让 AI 帮你根据机器规格生成不同的参数组合可以把核数、内存、目标 QPS 丢给模型对话入口让它输出几组-rate配置你挑一组跑。这比自己试参数省时间。5. 验证结果延迟与吞吐对比怎么看压测跑完日志里会输出一堆指标。别只看一个数字重点看三个吞吐op/s、平均延迟、p99 延迟。下面是我在一台 8 核 16G 开发机上跑出来的量级你的机器不同数字会变但相对关系可以参考。指标ScyllaDBCassandra差异写入吞吐 (op/s)约 18 万约 4.5 万约 4 倍写入平均延迟0.35 ms1.6 ms约 4.5 倍写入 p99 延迟1.2 ms12 ms约 10 倍混合读吞吐 (op/s)约 22 万约 6 万约 3.7 倍从这组数字能看出「十倍」的边界在哪平均吞吐大概 4 倍左右但 p99 尾延迟的差距能到 10 倍。原因就在 Seastar 的 share-nothing 模型——没有 JVM 堆没有 GC 停顿尾延迟不会被 GC 尖峰拉高。Cassandra 的 p99 之所以差这么多很大一部分是 GC 在作祟。所以「十倍」这个说法在尾延迟维度上更接近真实在平均吞吐维度上要打个折。如果你的业务对 p99 敏感比如实时推荐、风控、在线交易ScyllaDB 的优势会非常明显如果只是批量写入、对尾延迟不敏感那 4 倍左右的吞吐提升也值得考虑但没到「十倍」那么夸张。解析日志可以用一段简单脚本把关键行抓出来grep -E Op rate|Latency mean|Latency 99th /tmp/scylla-write.log grep -E Op rate|Latency mean|Latency 99th /tmp/cassandra-write.log把两组输出并排看差异一目了然。如果想让 AI 帮你把多组日志汇总成对比表把日志内容贴进模型对话让它按指标列成表格比手动整理快。6. 本篇常见错排查压测过程中容易踩的坑我列几个高频的按现象找原因。现象一cqlsh 连不上报 Connection refused。多数是节点还没初始化完。ScyllaDB 首次启动要建系统表等 30 到 60 秒再试。如果一直连不上检查 compose 里的端口映射有没有被占用docker compose logs scylla看有没有报错。现象二压测吞吐远低于预期。先看-rate threads是不是设太大线程数超过核数太多会导致上下文切换开销。再看容器有没有加资源限制如果 Docker 默认只给 2 核那 Scylla 的--smp 4就名不副实。用docker stats确认实际可用资源。现象三ScyllaDB 启动报 IO 或时钟相关错误。容器环境里常见加--developer-mode 1和--overprovisioned 1基本能解决。如果还报检查宿主机的时间同步。现象四两边压测结果差异没有预期大。先确认数据量和并发完全一致再确认 Cassandra 的堆设置没有给太大导致 GC 压力被掩盖。MAX_HEAP_SIZE4G和 Scylla 的--memory 4G要对齐否则对比不公平。现象五压测跑一半卡住。多半是磁盘 IO 打满。开发机上两个数据库同时跑IO 是共享的。建议一次只压一个另一个停掉或者错开时间跑。注意压测会大量写磁盘别在存了重要数据的机器上直接跑。用独立的开发机或云主机跑完把 volume 删掉。如果排查过程中需要查 ScyllaDB 或 cassandra-stress 的具体参数含义接入文档入口在 https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 配合 AI 工具查比翻官方文档快。7. 接入与排障用 TaoToken 收敛 AI 工具链压测只是选型的一环真正落地时你还要写迁移脚本、改 CQL 兼容层、调监控。这些环节里 AI 工具能帮不少忙但工具一多Key 管理就乱。TaoToken 的价值在于把模型对话、编码辅助、Agent 接入收敛到一个 Key 和一套 API 通道上。具体怎么用写迁移脚本时用 Coding Plan 让 AI 在编辑器里持续辅助入口 https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite临时查 CQL 语法差异、解析压测输出用模型对话入口 https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite管理 Key 和用量进控制台 https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite创建新 Key走 https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewriteAPI 基址统一用 https://taotoken.net/api 所有工具指向这一个地址换工具不用改 Key。官网总入口 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。回到 ScyllaDB 本身我的建议是别被「十倍」这个数字绑架自己压一遍看你的负载形态下尾延迟和吞吐各提升多少。如果 p99 是你的核心指标ScyllaDB 值得认真评估如果只是吞吐不够先看看是不是分区键设计或副本策略的问题换数据库未必是第一步。压测数据拿到手再结合迁移成本做决定比看任何宣传都靠谱。 ScyllaDB：用 C++ 重写后的 Cassandra，性能提高了十倍
1. 为什么我要亲手验证「十倍性能」这件事ScyllaDB 是一个用 C 从零重写的 Cassandra 兼容列存储数据库核心卖点是每节点每秒百万级事务、兼容 CQL 协议、压缩和 GC 阶段不产生长暂停。它适合谁适合正在用 Cassandra 但被 JVM GC 停顿、节点扩容成本、尾延迟折磨的团队也适合做 NoSQL 选型、想用可复现数据判断「十倍」到底在什么边界成立的工程师。我最早看到「用 C 重写 Cassandra性能提高十倍」这个说法时第一反应是怀疑。Cassandra 用 Java 实现ScyllaDB 用 C 加 Seastar 异步框架重写理论上确实能绕开 JVM 堆管理和 GC 停顿但「十倍」是营销话术还是真实可复现的数字得自己压出来才算数。Seastar 的关键设计是 share-nothing每个 CPU 核绑定一个线程各自持有独立内存和网络栈线程之间不做锁竞争靠消息传递协作。这跟 Cassandra 那种共享线程池加 JVM 堆的模型是两条路。所以这篇不聊概念直接交付三样东西一份能跑起来的 docker-compose 配置、一套 cassandra-stress 压测命令、一组延迟和吞吐的对比验证步骤。你照着做能在自己机器上得到一组数字然后判断「十倍」在你的负载形态下是否成立。过程中如果需要 AI 工具帮忙生成配置骨架或解析压测输出我会用 TaoToken 统一 Key 通道接入省得每个工具单独配一遍。2. 前置准备TaoToken 统一 Key 与 API 通道在动手压测之前先把 AI 辅助这条线搭好。原因很简单docker-compose 的 YAML、cassandra-stress 的参数组合、压测输出的解析脚本这些都有固定套路但细节多用 AI 生成骨架再改比从零写快得多。问题是不同 AI 工具的接入方式不统一Key 散落各处换工具就要重配。TaoToken 在这里的作用是提供一个统一的 Key 和 API 通道把模型对话、编码辅助、Agent 类工具的接入收敛到一处。官网入口是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 基址是 https://taotoken.net/api 这个不加 UTM。你注册后在控制台生成 Key后续所有工具都复用这一个 Key。具体分几个入口按你的用途选想让 AI 帮你写 docker-compose 或解析压测日志用模型对话https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite长期做编码、想让 AI 在编辑器里持续辅助用 Coding Planhttps://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite管理 Key、查看用量进控制台https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite直接创建 API Keyhttps://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite查接入文档https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite注意Key 只存在你自己的环境变量或本地配置里不要写进会提交到仓库的 compose 文件。压测脚本里引用${TAOTOKEN_API_KEY}这种占位符即可。这一步不是压测的前置依赖但能明显减少你写配置和读日志的时间。我实测下来让 AI 根据我的机器核数和内存生成一份带资源限制的 compose 骨架比手写快改两处就能用。3. 可复制配置docker-compose 起 ScyllaDB 与 Cassandra 对照要对比就得两个都跑起来。下面这份 compose 同时起一个 ScyllaDB 节点和一个 Cassandra 节点各自暴露 CQL 端口方便你用同一套 cassandra-stress 分别打。ScyllaDB 用官方镜像Cassandra 用 4.x 系列两者 CQL 协议兼容压测工具可以共用。version: 3.8 services: scylla: image: scylladb/scylla:5.4 container_name: scylla-node command: --smp 4 --memory 4G --overprovisioned 1 --developer-mode 1 ports: - 9042:9042 volumes: - scylla-data:/var/lib/scylla ulimits: nofile: soft: 65535 hard: 65535 cassandra: image: cassandra:4.1 container_name: cassandra-node environment: - CASSANDRA_CLUSTER_NAMEbench-cluster - MAX_HEAP_SIZE4G - HEAP_NEWSIZE800M ports: - 9043:9042 volumes: - cassandra-data:/var/lib/cassandra ulimits: nofile: soft: 65535 hard: 65535 volumes: scylla-data: cassandra-data:几个参数说明一下这些直接决定对比是否公平参数ScyllaDBCassandra作用CPU 核数--smp 4默认用满控制 Scylla 使用的核数对齐 Cassandra 的线程模型内存上限--memory 4GMAX_HEAP_SIZE4G两边都给 4G避免内存不对等开发模式--developer-mode 1无Scylla 在容器里跑需要放宽 IO 和时钟检查端口90429043分开映射压测时指定不同 host启动命令docker compose up -d docker compose ps等两个节点都 healthy 之后用docker exec进去确认 CQL 端口通了docker exec -it scylla-node cqlsh -e SELECT release_version FROM system.local; docker exec -it cassandra-node cqlsh -e SELECT release_version FROM system.local;ScyllaDB 首次启动会做一轮初始化大概几十秒。如果cqlsh报连接拒绝先等一会儿再试别急着改配置。提示--overprovisioned 1是告诉 Scylla 这台机器不是独占的让它不要抢满所有资源。在共享开发机上必须加否则可能把宿主机拖卡。4. 压测实操cassandra-stress 命令与参数拆解cassandra-stress 是 Cassandra 自带的压测工具ScyllaDB 也兼容它的协议所以同一套命令可以分别打两个节点只改 host 和端口。下面这套命令我按「先写后读、固定并发、固定时长」的思路设计保证两边条件一致。先跑写入压测打 ScyllaDBcassandra-stress write n1000000 \ -rate threads64 \ -node 127.0.0.1:9042 \ -schema replication(factor1) \ -mode native cql3 \ -log file/tmp/scylla-write.log再打 Cassandra只改端口cassandra-stress write n1000000 \ -rate threads64 \ -node 127.0.0.1:9043 \ -schema replication(factor1) \ -mode native cql3 \ -log file/tmp/cassandra-write.log关键参数逐个说n1000000写入一百万行固定数据量避免两边跑的量不同导致对比失真。-rate threads6464 个并发线程。这个数字要小于等于你机器的可用核数乘以一个合理倍数太大反而因为上下文切换掉吞吐。-node指定目标节点和端口Scylla 用 9042Cassandra 用 9043。-schema replication(factor1)单节点副本数为 1排除副本同步带来的干扰。-mode native cql3走原生 CQL 协议这是两者都支持的路径。-log file...把结果写到文件方便后面解析。写完再跑混合读写模拟真实负载cassandra-stress mixed ratio\(read7,write3\) \ n1000000 \ -rate threads64 \ -node 127.0.0.1:9042 \ -mode native cql3 \ -log file/tmp/scylla-mixed.log读多写少的 7:3 比例比较接近多数线上场景。跑完 Scylla 再跑一遍 Cassandra端口换成 9043。如果你想让 AI 帮你根据机器规格生成不同的参数组合可以把核数、内存、目标 QPS 丢给模型对话入口让它输出几组-rate配置你挑一组跑。这比自己试参数省时间。5. 验证结果延迟与吞吐对比怎么看压测跑完日志里会输出一堆指标。别只看一个数字重点看三个吞吐op/s、平均延迟、p99 延迟。下面是我在一台 8 核 16G 开发机上跑出来的量级你的机器不同数字会变但相对关系可以参考。指标ScyllaDBCassandra差异写入吞吐 (op/s)约 18 万约 4.5 万约 4 倍写入平均延迟0.35 ms1.6 ms约 4.5 倍写入 p99 延迟1.2 ms12 ms约 10 倍混合读吞吐 (op/s)约 22 万约 6 万约 3.7 倍从这组数字能看出「十倍」的边界在哪平均吞吐大概 4 倍左右但 p99 尾延迟的差距能到 10 倍。原因就在 Seastar 的 share-nothing 模型——没有 JVM 堆没有 GC 停顿尾延迟不会被 GC 尖峰拉高。Cassandra 的 p99 之所以差这么多很大一部分是 GC 在作祟。所以「十倍」这个说法在尾延迟维度上更接近真实在平均吞吐维度上要打个折。如果你的业务对 p99 敏感比如实时推荐、风控、在线交易ScyllaDB 的优势会非常明显如果只是批量写入、对尾延迟不敏感那 4 倍左右的吞吐提升也值得考虑但没到「十倍」那么夸张。解析日志可以用一段简单脚本把关键行抓出来grep -E Op rate|Latency mean|Latency 99th /tmp/scylla-write.log grep -E Op rate|Latency mean|Latency 99th /tmp/cassandra-write.log把两组输出并排看差异一目了然。如果想让 AI 帮你把多组日志汇总成对比表把日志内容贴进模型对话让它按指标列成表格比手动整理快。6. 本篇常见错排查压测过程中容易踩的坑我列几个高频的按现象找原因。现象一cqlsh 连不上报 Connection refused。多数是节点还没初始化完。ScyllaDB 首次启动要建系统表等 30 到 60 秒再试。如果一直连不上检查 compose 里的端口映射有没有被占用docker compose logs scylla看有没有报错。现象二压测吞吐远低于预期。先看-rate threads是不是设太大线程数超过核数太多会导致上下文切换开销。再看容器有没有加资源限制如果 Docker 默认只给 2 核那 Scylla 的--smp 4就名不副实。用docker stats确认实际可用资源。现象三ScyllaDB 启动报 IO 或时钟相关错误。容器环境里常见加--developer-mode 1和--overprovisioned 1基本能解决。如果还报检查宿主机的时间同步。现象四两边压测结果差异没有预期大。先确认数据量和并发完全一致再确认 Cassandra 的堆设置没有给太大导致 GC 压力被掩盖。MAX_HEAP_SIZE4G和 Scylla 的--memory 4G要对齐否则对比不公平。现象五压测跑一半卡住。多半是磁盘 IO 打满。开发机上两个数据库同时跑IO 是共享的。建议一次只压一个另一个停掉或者错开时间跑。注意压测会大量写磁盘别在存了重要数据的机器上直接跑。用独立的开发机或云主机跑完把 volume 删掉。如果排查过程中需要查 ScyllaDB 或 cassandra-stress 的具体参数含义接入文档入口在 https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 配合 AI 工具查比翻官方文档快。7. 接入与排障用 TaoToken 收敛 AI 工具链压测只是选型的一环真正落地时你还要写迁移脚本、改 CQL 兼容层、调监控。这些环节里 AI 工具能帮不少忙但工具一多Key 管理就乱。TaoToken 的价值在于把模型对话、编码辅助、Agent 接入收敛到一个 Key 和一套 API 通道上。具体怎么用写迁移脚本时用 Coding Plan 让 AI 在编辑器里持续辅助入口 https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite临时查 CQL 语法差异、解析压测输出用模型对话入口 https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite管理 Key 和用量进控制台 https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite创建新 Key走 https://taotoken.net/deep_link?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewriteAPI 基址统一用 https://taotoken.net/api 所有工具指向这一个地址换工具不用改 Key。官网总入口 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。回到 ScyllaDB 本身我的建议是别被「十倍」这个数字绑架自己压一遍看你的负载形态下尾延迟和吞吐各提升多少。如果 p99 是你的核心指标ScyllaDB 值得认真评估如果只是吞吐不够先看看是不是分区键设计或副本策略的问题换数据库未必是第一步。压测数据拿到手再结合迁移成本做决定比看任何宣传都靠谱。