WiskKey 论文读后感

2024年4月24日 113次阅读 来源: 杨东东

偶然看到一篇文章，WiscKey: Separating Keys from Values in SSD-conscious Storage。这篇文章的思路并不复杂，不过我觉得其对LSM类系统的设计有很好的启发。

LSM，即Log structure tree[1]，我是在Google的BigTable[2]文章里面了解到的，其考虑到互联网数据写入规模大，而且写入频率远远高于读取频率，因此采用LSM以牺牲读性能换取写性能。LSM基本原理描述见图1（来自[3]），对于写请求，写完日志之后，数据直接放内存，返回client请求成功。当内存满之后，内存数据写入到磁盘。可以看到整个过程基本都是顺序写，机械磁盘的顺序读写性能是随机读写性能的100X倍以上，所以这个结构非常适合机械硬盘。同时这个描述比牺牲读优化写要接近本质多了^_^。想想BigTable发表于2006年，那时候SSD还远未流行，从侧面也说明了这一点。

图1：LSM基本原理描述（左）

但是现在硬件在飞速发展，SSD的随机读（延时和并发）能力比HDD有了100X+的提升，SSD厌恶写（SSD覆盖写放大严重、延时高且影响其使用寿命），这些跟HDD截然不同的特点启发了作者思考是不是LSM也需要做一些改进呢？YES。作者的改进非常直白，跟LSM上面的写入架构直接相关。从上面的架构看，LSM写入过程是很爽，但是读的时候就不爽了，需要从C0…Ck里面读数据并merge后返回给用户。比如我们有一个key，要找到其value，那么需要如下步骤：

  1. 读C0，如果没发现，读C1

  2. 读C1，如果没发现，读C2

  3. 读C2，如果没发现，读C3

  4. …

可以看到，这个读全是随机IO，相当的低效，怎么办呢？LSM提出的思路是启动一个背景线程，将C1…Ck合并成一个文件，比如Cx，那么要读key，就只要读C0、Cx就行了，极大的减少了随机IO的次数。这个背景操作一般称为compaction。问题是compaction定期的读、合并、写要占用额外的IO和CPU，有时候反而影响了在线读写的性能。在机械硬盘时代，只能做一些算法调整，比如更智能的检测啊，提前设定规则啊之类的，基本没有什么大突破。到了SSD时代，因为读的性能很高了，而且还会越来越高，所以就有了更多的可能。Wisk提出的思路简单易懂，就是将key和value分开存放，降低每次compaction遍历的数据量。

从上面可以看到如下几点：

  1. Wisk思考的依据：SSD跟HDD不同，读更快（HDD 7-10ms，SSD 30-100us，NVDIMM更快，据说理论上做到3us），随机读跟顺序读性能类似，厌恶写

  2. Wisk解决问题的思路：key、value分开存储，让compaction只处理key，降低compaction过程中处理的数据量，在value比较大（大于1K）的场景下，这能节省非常多的IO带宽，也能节省CPU

思路是美好的，会面临哪些问题呢？首当其冲的就是因为KEY/VALUE分离，所以读VALUE会面临至少两次IO的问题（不考虑各种索引），这个正好对应上面SSD随机读性能极好的特点，所以不是大问题。然后就是空间回收问题，这个本质问题还是上面第一个问题，因为回收就得知道这个key是否还有效，而这个需要查询才知道，是一个读的问题。第三个问题就是一致性的问题，KEY/VALUE分离之后就面临两次写入，需要保证一致性。实际上这个问题挺简单的，只要以key为准就可以了。

所以上面的几个问题总结下来，核心问题就是如何充分利用SSD的读能力，解决各种操作对高速读的需求。作者说了，要充分利用SSD的并发能力，搞一个线程池，并发的读SSD，这个思路很自然，论文评估证实在大部分场景下（value大于1K）也确实有效。

而且，文中还提到了，可以定期对value做compaction，这样，会进一步提高读能力，本质上是将key和value的compaction分开来做，这样就能更充分的利用各自的特性，以更少的资源来完成目的。这个思路放在哪都是对的，将步骤拆的更细，然后再看看是否可以分别优化。CPU流水线、网卡收发包都有类似思路。

文中提到的几个量化数字还是比较有意思的，

  1. 以写入磁盘的数据除以用户写入的数据计算放大系数，则LevelDB的写入放大高达数十倍，而读放大高达数百倍（索引和数据）。但是对HDD这是可以接受的，因为HDD的随机读写延时是顺序读写延时的数千倍，只要放大低于这个值，就是有效的。Wisk的方法可以将放大降低到4甚至1（value大小不同）

  2. 作者还分析了不同value大小场景下LevelDB的各个组件的延时，见图2，这个分析对很多类似系统有指导意义

  3. 作者提到在某些场景下，因为竞争磁盘读写，compaction对online操作流量影响高达35%

图2：LevelDB不同value大小各部分延时

[1]. Log-structured merge-tree

[2]. http://research.google.com/archive/bigtable-osdi06.pdf

[3]. https://www.usenix.org/system/files/conference/fast16/fast16-papers-lu.pdf

    原文作者：杨东东
    原文地址: https://zhuanlan.zhihu.com/p/26894866
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞