技術 | 鏈上賬本數據寫入慢？試試LSM_TREE

導讀

首先問大家一個小問題？區塊鏈的賬本數據存儲格式主要是什么類型的？

相信聰明的你一定知道是Key-Value類型存儲。

下一個問題，這些Key-Value數據在底層數據庫如何高效組織？

答案就是我們本期介紹的內容：LSM。

LSM是一種被廣泛采用的持久化Key-Value存儲方案，如LevelDB,RocksDB,Cassandra等數據庫均采用LSM作為其底層存儲引擎。

據公開數據調研，LSM是當前市面上寫密集應用的最佳解決方案，也是區塊鏈領域被應用最多的一種存儲模式，今天我們將對LSM基本概念和性能進行介紹和分析。

LSM-Tree背景：追本溯源

LSM-Tree的設計思想來自于一個計算機領域一個老生常談的話題——對存儲介質的順序操作效率遠高于隨機操作。

如圖1所示，對磁盤的順序操作甚至可以快過對內存的隨機操作，而對同一類磁盤，其順序操作的速度比隨機操作高出三個數量級以上，因此我們可以得出一個非常直觀的結論：應當充分利用順序讀寫而盡可能避免隨機讀寫。

Figure1Randomaccessvs.Sequentialaccess

螞蟻正研發區塊鏈新技術 或推動區塊鏈大規模應用提前十年:6月3日消息，近日，金融科技專家Yassine Regragui在社交平臺爆料稱，螞蟻集團正研發一項名為LedgerDB的新技術，比現有聯盟鏈快至少80倍，稱將區塊鏈大規模應用時代提前至少十年。[2020/6/3]

考慮到這一點，如果我們想盡可能提高寫操作的吞吐量，那么最好的方法一定是不斷地將數據追加到文件末尾，該方法可將寫入吞吐量提高至磁盤的理論水平，然而也有顯而易見的弊端，即讀效率極低，我們稱這種數據更新是非原地的，與之相對的是原地更新。

為了提高讀取效率，一種常用的方法是增加索引信息，如B+樹,ISAM等，對這類數據結構進行數據的更新是原地進行的，這將不可避免地引入隨機IO。

LSM-Tree與傳統多叉樹的數據組織形式完全不同，可以認為LSM-Tree是完全以磁盤為中心的一種數據結構，其只需要少量的內存來提升效率，而可以盡可能地通過上文提到的Journaling方式來提高寫入吞吐量。當然，其讀取效率會稍遜于B+樹。

LSM-Tree數據結構：抽絲剝繭

圖2展示了LSM-Tree的理論模型(a)和一種實現方式(b)。LSM-Tree是一種層級的數據結構，包含一層空間占用較小的內存結構以及多層磁盤結構，每一層磁盤結構的空間上限呈指數增長，如在LevelDB中該系數默認為10。

動態 | 禪城將借力區塊鏈等信息技術 對人才服務再升級:據廣州日報大洋網報道，禪城將借力區塊鏈等信息技術，對人才服務再升級。區人社部門相關負責人介紹，禪城將重構人才服務辦理流程，力爭人才公寓、技能人才子女入學、畢業生就業報到、人才資格認定等37項業務實現“零跑腿”辦理。[2019/1/18]

Figure2LSM與其LevelDB實現

對于LSM-Tree的數據插入或更新，首先會被緩存在內存中，這部分數據往往由一顆排序樹進行組織。

當緩存達到預設上限，則會將內存中的數據以有序的方式寫入磁盤，我們稱這樣的有序列為一個SortedRun，簡稱為Run。

隨著寫入操作的不斷進行，L0層會堆積越來越多的Run，且顯然不同的Run之前可能存在重疊部分，此時進行某一條數據的查詢將無法準確判斷該數據存在于哪個Run中，因此最壞情況下需要進行等同于L0層Run數量的I/O。

為了解決該問題，當某一層的Run數目或大小到達某一閾值后，LSM-Tree會進行后臺的歸并排序，并將排序結果輸出至下一層，我們將一次歸并排序稱為Compaction。如同B+樹的分裂一樣，Compaction是LSM-Tree維持相對穩定讀寫效率的核心機制，我們將會在下文詳細介紹兩種不同的Compaction策略。

另外值得一提的是，無論是從內存到磁盤的寫入，還是磁盤中不斷進行的Compaction，都是對磁盤的順序I/O，這就是LSM擁有更高寫入吞吐量的原因。

動態 | Visa整合技術 開展B2B區塊鏈支付:Visa B2B Connect是其企業區塊鏈平臺，可以實現企業之間的跨境支付，該公司正與IBM合作，整合后者開發的開源超賬本架構框架。[2018/10/22]

Levelingvs.Tiering：一讀一寫，不分伯仲

LSM-Tree的Compaction策略可以分為Leveling和Tiering兩種，前者被LevelDB，RocksDB等采用，后者被Cassandra等采用，稱采用Leveling策略的的LSM-Tree為LeveledLSM-Tree，采用Tiering的LSM-Tree為TieredLSM-Tree，如圖3所示。

Figure3兩種Compaction策略對比

▲Leveling

簡而言之，Tiering是寫友好型的策略，而Leveling是讀友好型的策略。在Leveling中，除了L0的每一層最多只能有一個Run，如圖3右側所示，當在L0插入13時，觸發了L0層的Compaction，此時會對Run-L0與下層Run-L1進行一次歸并排序，歸并結果寫入L1，此時又觸發了L1的Compaction，此時會對Run-L1與下層Run-L2進行歸并排序，歸并結果寫入L2。

聲音 | 羅斯·萊克：中國可以更好地結合區塊鏈等技術 推出新產品新服務:據中國金融新聞網報道，國際貨幣基金組織副法務總監、FINTECH工作組聯合負責人羅斯·萊克稱，從IMF的角度來看，金融科技的含義十分廣泛，不只限于各項技術，而是覆蓋了互聯網、云計算、分布式賬簿計劃、區塊鏈及加密貨幣等系統，也包括人工智能、大數據、生物統計數據、API及移動通信等科技。“這些技術在中國都得到了很好的體現。中國可以將以上技術更好地結合，推出激動人心的新產品與新服務。”[2018/9/4]

▲Tiering

反觀Tiering在進行Compaction時并不會主動與下層的Run進行歸并，而只會對發生Compaction的那一層的若干個Run進行歸并排序，這也是Tiering的一層會存在多個Run的原因。

▲對比分析

相比而言，Leveling方式進行得更加貪婪，進行了更多的磁盤I/O，維持了更高的讀效率，而Tiering則相正好反。

本節我們將對LSM-Tree的設計空間進行更加形式化的分析。

LSM層數

布隆過濾器

LSM-Tree應用布隆過濾器來加速查找，LSM-Tree為每個Run設置一個布隆過濾器，在通過I/O查詢某個Run之前，首先通過布隆過濾器判斷待查詢的數據是否存在于該Run，若布隆過濾器返回Negative，則可斷言不存在，直接跳到下個Run進行查詢，從而節省了一次I/O；而若布隆過濾器返回Positive，則仍不能確定數據是否存在，需要消耗一次I/O去查詢該Run，若成功查詢到數據，則終止查找，否則繼續查找下一個Run，我們稱后者為假陽現象，布隆過濾器的過高的假陽率會嚴重影響讀性能，使得花費在布隆過濾器上的內存形同虛設。限于篇幅本文不對布隆過濾器做更多的介紹，直接給出FPR的計算公式，為公式2.

聲音 | 納斯達克報告：只有5%受訪公司應用了區塊鏈技術 :根據納斯達克新近的報告，股票市場和交易所的IT供應商現在還處于探索分布式賬本好處的初期階段，只有5%的受訪公司表示以某種形式應用了區塊鏈技術。70%的IT供應商表示他們在開發測試項目，20%表示沒有相關計劃，5%表示缺乏相關技術和人才。[2018/6/27]

其中是為布隆過濾器設置的內存大小，為每個Run中的數據總數。讀寫I/O

考慮讀寫操作的最壞場景，對于讀操作，認為其最壞場景是空讀，即遍歷每一層的每個Run，最后發現所讀數據并不存在；對于寫操作，認為其最壞場景是一條數據的寫入會導致每一層發生一次Compaction。

核心理念：基于場景化的設計空間

基于以上分析，我們可以得出如圖4所示的LSM-Tree可基于場景化的設計空間。

簡而言之，LSM-Tree的設計空間是：在極端優化寫的日志方式與極端優化讀的有序列表方式之間的折中，折中策略取決于場景，折中方式可以對以下參數進行調整：

當Level間放大比例時，兩種Compaction策略的讀寫開銷是一致的，而隨著T的不斷增加，Leveling和Tiering方式的讀開銷分別提高/減少。

當T達到上限時，前者只有一層，且一層中只有一個Run，因此其讀開銷到達最低，即最壞情況下只需要一次I/O，而每次寫入都會觸發整層的Compaction；

而對于后者當T到達上限時，也只有一層，但是一層中存在：

因此讀開銷達到最高，而寫操作不會觸發任何的Compaction，因此寫開銷達到最低。

Figure4LSM由日志到有序列的設計空間

事實上，基于圖4及上文的分析可以進行對LSM-Tree的性能進一步的優化，如文獻對每一層的布隆過濾器大小進行動態調整，以充分優化內存分配并降低FPR來提高讀取效率；文獻提出“LazyLeveling”方式來自適應的選擇Compaction策略等。

限于篇幅本文不再對這些優化思路進行介紹，感興趣的讀者可以自行查閱文獻。

小結

LSM-Tree提供了相當高的寫性能、空間利用率以及非常靈活的配置項可供調優，其仍然是適合區塊鏈應用的最佳存儲引擎之一。

本文對LSM-Tree從設計思想、數據結構、兩種Compaction策略幾個角度進行了由淺入深地介紹，限于篇幅，基于本文之上的對LSM-Tree的調優方法將會在后續文章中介紹。

作者簡介葉晨宇來自趣鏈科技基礎平臺部，區塊鏈賬本存儲研究小組

參考文獻

.O’NeilP,ChengE,GawlickD,etal.Thelog-structuredmerge-tree(LSM-tree).ActaInformatica,1996,33(4):351-385.

.JacobsA.Thepathologiesofbigdata.CommunicationsoftheACM,2009,52(8):36-44.

.LuL,PillaiTS,GopalakrishnanH,etal.Wisckey:Separatingkeysfromvaluesinssd-consciousstorage.ACMTransactionsonStorage(TOS),2017,13(1):1-28.

.DayanN,AthanassoulisM,IdreosS.Monkey:Optimalnavigablekey-valuestore//Proceedingsofthe2017ACMInternationalConferenceonManagementofData.2017:79-94.

.DayanN,IdreosS.Dostoevsky:Betterspace-timetrade-offsforLSM-treebasedkey-valuestoresviaadaptiveremovalofsuperfluousmerging//Proceedingsofthe2018InternationalConferenceonManagementofData.2018:505-520.

.LuoC,CareyMJ.LSM-basedstoragetechniques:asurvey.TheVLDBJournal,2020,29(1):393-418.

Tags：TREERUNINGIONDoge of WallStreetBetsFLOKIRUN幣3KingdomsMultiverseMillions

歐易交易所app官網下載