VortexDB é uma engine de banco de dados experimental projetada para latência ultra-baixa e eficiência máxima de I/O. O projeto nasceu da frustração com abstrações pesadas de alto nível, com o objetivo de criar um "vórtice" onde os dados fluem na velocidade do metal.
🛠️ Status: Early Development (Prototipando em Python / Migrando para Rust)
- Phase 1 (Python): Validação de algoritmos, estruturas de dados e lógica de indexação.
- Phase 2 (Rust - Current): Reescrita do core, gerenciamento manual de memória e segurança de concorrência.
- Phase 3 (Network): Implementação de protocolo binário próprio para comunicação cliente-servidor.
O VortexDB não tenta ser um canivete suíço. Ele é focado no que importa para performance:
- Storage Engine Customizada: Zero arquivos de texto. O Vortex manipula bytes diretamente no disco.
- In-Memory First: Arquitetura otimizada para operações em memória com persistência assíncrona.
- Performance-Driven: Evoluindo de um protótipo em Python para uma engine de alto desempenho escrita em Rust, focando em Zero-copy e Lock-free concurrency.
Para garantir que o acesso ao disco seja previsível e atômico, o Vortex utiliza um layout de Slotted Pages com páginas de 4KB.
Este projeto foi iniciado principalmente para o estudo profundo de funcionamento de bancos de dados relacionais e sistemas de baixo nível. No entanto, a pretensão é evoluir o VortexDB para que se torne uma opção viável, rápida e leve para projetos reais que demandam controle total sobre a persistência de dados.
O VortexDB é testado rigorosamente sob estresse para garantir que a evolução da arquitetura reflita em ganhos reais de velocidade. Mantemos um histórico detalhado de performance para rastrear regressões e vitórias algorítmicas.
📂 Histórico Completo: Os logs detalhados de cada rodada podem ser encontrados em
benchmarks/benchmark_results.txt.
Neste teste de estresse com 100.000 registros, comparamos a eficiência da nova implementação de busca indexada (O(log n)) contra a varredura linear original (O(n)).
| Métrica | Full Heap Scan (Linear) | B+Tree Index Seek | Ganho |
|---|---|---|---|
| Tempo de Busca | 18.3821 s | 0.0001 s | ~180.000x |
| Throughput (Escrita) | 4,234 reg/s | 21,345 reg/s | 5x |
Abaixo, as capturas dos benchmarks demonstrando a diferença brutal de performance após a implementação da B+Tree e a otimização do Buffer Manager:
1. Baseline (Sem Índice - Apenas Heap Scan):
2. Otimizado (Com B+Tree Index + RAM Buffer):
Nota: O ganho em escrita (Throughput) deve-se à refatoração do Buffer Manager, que reduziu o overhead de I/O síncrono no disco.
Projeto feito principalmente para o aprendizado de funcionamento de banco de dados relacionais, mas com pretenção de se tornar uma opção em projetos.