实时数据流系统具有以下特点：

• 新数据源源不断生成。在负载较大的系统中，新数据的生成速度可达每秒上千上万条。
• 随着时间积累出规模巨大的历史数据。
• 快速累计的数据往往只增删、不修改。
• 通常以数据生成的时间戳为关键查询条件。

典型的实时数据流系统包括：工业数据监测系统、传感器检测系统、位置服务系统、电子商务网站、电信收费系统、服务器日志。

对于实时数据流系统，数据的汇集、存储、转换、查询、统计都面临性能优化的需求。在实际的系统实现中，性能优化的技术体现的多个层面：

• 读写分离。利用主从数据库架构，实现写操作在主库而读操作在从库、避免锁操作带来的延迟。
• 缓存。无论前端页面加载还是后端持久化事务处理，都有很多缓存技术可用。
• 延迟加载。只获取和展示必要的数据，可以减少数据的读取、传输、存储的量。

同时采用以上技术时，可能碰到“过期读”（stale read）问题。例如，持久化事务的缓存会使从库无法实时读到数据更新：一条数据在主库中被修改了，它由持久化对象写入主库，然后同步到从库，但是从库的持久层并没有感知到此条数据已被更新，因而从库的查询就会得到其持久层缓存里的旧数据。

怎么才能避免“过期读”、同时又不放弃所有的性能优化技术呢？

通过实践得知：当创建或者删除数据时，主从持久化层对象必然更新。如果一种数据只增删不更改，则这类数据不存在“过期读”的问题。所以，解决方案是：对系统中的数据加以分类，对只增删的数据做读写分离，对会发生更改的数据要么只在主库上操作、要么关闭持久化层的缓存。

幸运的是，实时数据流系统中的关键数据通常是只增删的。以定位服务系统为例，大量积累的数据是坐标值，一旦记录不再更改，则可以做到读写分离加缓存同时避免过期读；系统中的用户管理数据是实时变动的，读写均在主库上，由于数据规模有限、对性能影响并不大。