故障检查，租约协议；
选主算法，primary uniqueness invariant，网络隔离，脑裂，双主，拜占庭故障，failfast/failstop，failover；
日志复制，RSM；
membership change，或者config change，主机上下线管理，扩缩容；
数据复制，data rebalancing，data recovery；
副本放置逻辑和副本路由逻辑；
primary和backup之间如何fence？
外部一致性，线性一致性；
pipeline，fanout，primary-backup，quorum-based，gossip；
分布式日志，active-standby架构，active-active架构；
……
1是指fsync的调用，以及和fsync地位等同的函数的调用。调用次数，调用频率，在多少数据上施加调用等。设备的带宽和利用率是否合理，fsync的调用怎么均摊到更多io次数和吞吐之上呢？
3是指读/写/空间的放大。怎么tradeoff，牺牲一个保住其他两个呢？
5是指WAL的5个LSN，分别为prepare point，commit point，apply point，checkpoint，prune point。
处于prepare point和commit point之间的数据需要group commit；
处于apply point和commit point点之间的提交数据需要apply到内存的数据结构之上以后对读可见；
内存数据结构需要以一定的调度策略存档于持久化设备, checkpoint就是存档点；
recover from crash需要从近的checkpoint点恢复到commit point；
而一段checkpoint完成，则截止该checkpoint的日志可以截断，因此存在一个不大于checkpoint的点，是为prune point，截止改点的日志和老的on-disk镜像可以安全删除。
因此这5个点始终保持一条约束：它们之间存在全序关系。
两个并发事务冲突（读写，写读，写写），应该怎么处理呢？加锁等待还是检测到冲突主动夭折呢？
已经提交的事务对数据库的影响，怎么对当前outstanding事务的读操作可见呢？
tuple-at-a-time：采用了迭代器的模式，当前迭代器执行get_next时，调用child算子对应迭代器的get_next获取计算所需的输入tuple，然后执行一段计算代码，产生一个输出tuple，发射parent算子。
full materialization：每个算子接收到全部的输入数据，计算出输出结果，交给下一个算子计算。这种方式类似于批处理。
vectorized execution：数据在内存中按列存储，以数组表示。选择数组的大小，让其可以在L1 data cache中装得下，然后执行树的每个算子执行tight for-loop按数组处理数据。这样即避免了full materialization过多的资源索取，又能避免tuple-at-a-time的处理单个tuple的overhead，同时对cache更加友好，减少spurious invalidation，提升speculative cache missing的产生。同时简单tight for-loop，编译器能更好点编译成高效执行指令，同时也能更好地填充CPU的指令流水，充分利用CPU的multiple issue的功能加速简单指令的处理。
