Для чего используется библиотека Socket.IO?

Подходы моделирования хранилищ данных

1. Реляционная модель (Relational Model)

Принцип: данные организованы в таблицы (relation) с строками (tuples) и колонками (attributes)

Характеристики:

• ACID транзакции
• Нормализация (1NF, 2NF, 3NF, BCNF)
• Referential integrity через foreign keys
• SQL queries

Примеры БД: PostgreSQL, MySQL, Oracle

Когда использовать:

• Структурированные данные (users, orders, questions)
• Требуется консистентность
• Сложные связи (JOIN'ы)
• Требуется транзакционность

Пример PrepBro:

-- Users (таблица)
users (id, email, name, created_at)

-- Questions (таблица)
questions (id, title, profession_id, created_at)

-- Foreign key связь
questions.profession_id → professions.id

2. Иерархическая модель (Hierarchical Model)

Принцип: данные организованы в дерево (tree structure)

Характеристики:

• Parent-child отношения
• Один родитель на несколько детей
• Навигация по иерархии

Примеры БД: IBM IMS, LDAP (Directory)

Когда использовать:

• Организационные структуры
• Категории и подкатегории
• Папки и файлы
• XML структуры

Пример:

Profession
├── System Analyst
│   ├── Database Design
│   ├── API Design
│   └── Architecture
├── Backend Developer
│   ├── Python
│   └── Node.js

3. Сетевая модель (Network Model)

Принцип: данные связаны в граф (n-ary relationships)

Характеристики:

• Many-to-many отношения
• Более гибкая, чем иерархическая
• Поддержка множественных связей

Примеры БД: CODASYL, старые mainframe БД

Когда использовать:

• Когда нужны many-to-many связи
• Сложная сетевая топология
• Исторически - редко используется в новых проектах

4. Документно-ориентированная модель (Document Model)

Принцип: данные хранятся как документы (JSON, BSON)

Характеристики:

• Schema-less (гибкая схема)
• Вложенные структуры
• Denormalization (данные вместе)
• Вероятностная консистентность

Примеры БД: MongoDB, Firebase, CouchDB, DynamoDB

Когда использовать:

• Неструктурированные данные
• Быстро меняющиеся требования
• Большие вложенные структуры
• Масштабируемость важнее консистентности

Пример:

{
  "_id": "507f1f77bcf86cd799439011",
  "title": "System Design Interview",
  "profession": "System Analyst",
  "tags": ["database", "api", "scaling"],
  "answers": [
    {
      "author": "John",
      "text": "...",
      "likes": 5,
      "comments": [...]
    }
  ]
}

5. Графовая модель (Graph Model)

Принцип: данные как узлы (vertices) и связи (edges)

Характеристики:

• Оптимизирована для связей
• Быстрые traversal'ы по графу
• Pattern matching
• Цена: сложность запросов

Примеры БД: Neo4j, Amazon Neptune, ArangoDB

Когда использовать:

• Социальные сети (followers, friends)
• Рекомендационные системы
• Knowledge graphs
• Анализ зависимостей

Пример:

USER ─follows─> USER
USER ─answered─> QUESTION
QUESTION ─tagged─> TAG
QUESTION ─for_profession─> PROFESSION

6. Columnar модель (Column-oriented)

Принцип: данные хранятся по колонкам, а не по строкам

Характеристики:

• Оптимизирована для OLAP (аналитика)
• Хорошее сжатие данных
• Быстрые агрегаты (SUM, COUNT, AVG)
• Медленнее для OLTP (точечные запросы)

Примеры БД: ClickHouse, Apache Cassandra, Vertica

Когда использовать:

• Аналитика (Data Warehouse)
• Временные ряды
• Big Data
• Когда запросы читают мало колонок, но много строк

Пример:

-- Вместо хранения строк:
id | name   | age | city
1  | John   | 30  | NYC
2  | Jane   | 25  | LA

-- Хранятся колонки:
id: [1, 2, 3, ...]
name: [John, Jane, Bob, ...]
age: [30, 25, 35, ...]
city: [NYC, LA, Chicago, ...]

7. Time-Series модель

Принцип: оптимизирована для данных с timestamp'ами

Характеристики:

• Индексы по времени
• Retention policies (удаление старых данных)
• Агрегирование по интервалам
• Хорошее сжатие

Примеры БД: InfluxDB, Prometheus, TimescaleDB

Когда использовать:

• Мониторинг метрик
• Логирование событий
• Sensor data
• Stock prices

Пример:

timestamp | metric_name | value | tags
2026-03-28 10:00 | questions_answered | 523 | {profession: analyst}
2026-03-28 10:01 | questions_answered | 541 | {profession: analyst}

8. Key-Value модель

Принцип: простое отображение ключ -> значение

Характеристики:

• Максимально быстро
• Минимально гибко
• Отлично для кеша
• Нет query language

Примеры БД: Redis, Memcached, DynamoDB

Когда использовать:

• Кеширование
• Сессии
• Real-time leaderboards
• Rate limiting

Сравнение подходов

Нормализация данных

Нормальные формы (для реляционной модели):

1NF (First Normal Form)

• Нет repeating groups
• Каждое значение атомарно (неделимо)

❌ Плохо:
student (id, name, courses: ["Python", "SQL"])

✓ Хорошо:
student_course (student_id, course_id)

2NF (Second Normal Form)

• 1NF + нет частичных зависимостей
• Non-key атрибуты зависят от ВСЕГО primary key

3NF (Third Normal Form)

• 2NF + нет транзитивных зависимостей
• Non-key атрибуты не зависят от других non-key атрибутов

Денормализация (когда нужна скорость)

Для высоконагруженных систем иногда специально денормализуют:

-- Нормализованная версия:
questions (id, title, profession_id)
professions (id, name)

-- Требует JOIN для каждого запроса
SELECT q.title, p.name FROM questions q
JOIN professions p ON q.profession_id = p.id;

-- Денормализованная версия (для скорости):
questions (id, title, profession_name)

-- Быстро читается, но нужно обновлять при смене названия профессии

Для PrepBro рекомендую

Primary: PostgreSQL (реляционная модель)

• Questions, Users, Answers, Comments - классические таблицы
• Нормализация 3NF
• ACID гарантии

Secondary:

• Redis (key-value) - кеши, сессии, real-time счётчики
• ClickHouse (columnar) - аналитика статистики ответов
• Elasticsearch (document + search) - полнотекстовый поиск

Это hybrid подход, который комбинирует лучшее из разных моделей.