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_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_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_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite
• 长期做编码、想让 AI 在编辑器里持续辅助，用 Coding Plan：https://taotoken.net/deep_link?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite
• 管理 Key、查看用量，进控制台：https://taotoken.net/deep_link?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite
• 直接创建 API Key：https://taotoken.net/deep_link?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite
• 查接入文档：https://taotoken.net/deep_link?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

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_NAME=bench-cluster - MAX_HEAP_SIZE=4G - HEAP_NEWSIZE=800M 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：

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 ScyllaDB：

cassandra-stress write n=1000000 \ -rate threads=64 \ -node 127.0.0.1:9042 \ -schema "replication(factor=1)" \ -mode native cql3 \ -log file=/tmp/scylla-write.log

再打 Cassandra，只改端口：

cassandra-stress write n=1000000 \ -rate threads=64 \ -node 127.0.0.1:9043 \ -schema "replication(factor=1)" \ -mode native cql3 \ -log file=/tmp/cassandra-write.log

关键参数逐个说：

• n=1000000：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 threads=64：64 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 9042，Cassandra 用 9043。
• -schema "replication(factor=1)"：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\(read=7,write=3\) \ n=1000000 \ -rate threads=64 \ -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。

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_SIZE=4G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_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，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_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite
• 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_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite
• 管理 Key 和用量，进控制台 https://taotoken.net/deep_link?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite
• 创建新 Key，走 https://taotoken.net/deep_link?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite

API 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_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_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。