RocksDB系列十六:Indexing SST Files for Better Lookup Performance

??當RocksDB收到一條Get()請求時,會依次從memtable、immutable memtable和SST files中去查找。SST files是按照層次組織的。
??在level 0,文件是按照flush的時間戳順序存儲。每個file的key range(FileMetaData.smallest and FileMetaData.largest)大部分情況下都是有重疊的,所以需要查詢每一個L0 file。
??compaction會定期執行,從Ln層選擇SST files,然后merge到一起生成一個新的SST file,然后下推到Ln+1層。所以,key/value s從L0依次沿著LSM tree 下降到Ln層。執行compaction操作時會把key/value s進行排序,然后拆分到多個文件中。從level 1到level n,SST files按照key 排序,且每個文件的key range互相不重疊。為了check一個key可能存在于哪一個一個SST file中,RocksDB并沒有依次遍歷每一個SST file然后去檢查key是否在這個file的key range 內,而是執行二分搜索算法(FileMetaData.largest )去定位這個SST file。二者相比,復雜度從O(N)下降到了O(logn)。然而,針對某些極端情況,logn的復雜度仍然無法接受。比如:上層到下一層的文件的扇出率是10的話,則level 3就有1000個文件。要將一個key locate到一個特定的文件,需要執行10次比較操作。這對于每秒執行幾百萬次查詢的in-memory database來說,是個很大的消耗。
??針對這個問題,解決方法可以如下:LSM tree build成功后,每一個層次的SST file的位置是對齊的,甚至,相對于下一層次的文件的位置也是對齊的。基于次,我們可以縮小二分搜索的范圍。

                                         file 1                                          file 2
                                      +----------+                                    +----------+
level 1:                              | 100, 200 |                                    | 300, 400 |
                                      +----------+                                    +----------+
           file 1     file 2      file 3      file 4       file 5       file 6       file 7       file 8
         +--------+ +--------+ +---------+ +----------+ +----------+ +----------+ +----------+ +----------+
level 2: | 40, 50 | | 60, 70 | | 95, 110 | | 150, 160 | | 210, 230 | | 290, 300 | | 310, 320 | | 410, 450 |
         +--------+ +--------+ +---------+ +----------+ +----------+ +----------+ +----------+ +----------+ 

??如上圖,Level 1有2個文件,level 2有8個文件。現在,我們要檢索 key=80。基于FileMetaData.largest 的二分搜索可以得出file 1是候選文件。然后比較80與file 1的FileMetaData.smallest和FileMetaData.largest來判斷80是否在file1的range中。比較結果是80 小于FileMetaData.smallest (100),所以file 1不可能包含key 80。接下來去檢索level 2,。通常情況下,我們會對level 2中的8個文件去執行二分查找。但是,由于我們已經知道了80 小于100且只有file 1到file3才有可能包含小于100的key,我們就可以很明確地排除其他文件而不去檢索。此時,我們的檢索范圍就從8個文件縮減到了3個。
??再看一個例子,現在要檢索的是key=230。在level1上執行二分搜索可以將key先定位到 file2。然后將230與file 2的上下界進行比較,得出key 是小于file 2's FileMetaData.smallest 300。即使,此時我們沒有在level 1中找到目標key,但是可以推斷出目標key是在200和300之間。此時,level 2中key range不包含[200, 300]的SST file可以被排除。此時,我們只需要檢索level 2中的file5 和file 6即可。
??基于上面的方法,我們可以在compaction時提前在level 1構建一些指針,這些指針指向level 2的某個范圍內的文件列表。比如,level 1中的file1 左指針指向level 2中的file 3,右指針指向level 2中的file4。File 2的左右指針分別指向level2 中的file 6和7。查找時,這些指針可以用來確定二分查找的文件范圍。
??benchmark中顯示SST file Index優化提升了5%的look up qps。

?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 230,825評論 6 546
  • 序言:濱河連續發生了三起死亡事件,死亡現場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發現死者居然都...
    沈念sama閱讀 99,814評論 3 429
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 178,980評論 0 384
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 64,064評論 1 319
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 72,779評論 6 414
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上,一...
    開封第一講書人閱讀 56,109評論 1 330
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 44,099評論 3 450
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 43,287評論 0 291
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當地人在樹林里發現了一具尸體,經...
    沈念sama閱讀 49,799評論 1 338
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 41,515評論 3 361
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 43,750評論 1 375
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 39,221評論 5 365
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發生泄漏。R本人自食惡果不足惜,卻給世界環境...
    茶點故事閱讀 44,933評論 3 351
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 35,327評論 0 28
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 36,667評論 1 296
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 52,492評論 3 400
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 48,703評論 2 380

推薦閱讀更多精彩內容

  • 背景 一年多以前我在知乎上答了有關LeetCode的問題, 分享了一些自己做題目的經驗。 張土汪:刷leetcod...
    土汪閱讀 12,765評論 0 33
  • Lua 5.1 參考手冊 by Roberto Ierusalimschy, Luiz Henrique de F...
    蘇黎九歌閱讀 13,877評論 0 38
  • 泡一杯茗茶, 拿一支妙筆, 鋪一張萱紙, 思一詞一句, 寫一行美詩, 舒一下美眉。 兒子誕生了, 開心地笑了, 可...
    亮靚_27d5閱讀 356評論 29 56
  • 2017年5月25日:云妮 人生最曼妙的風景是內心的淡定和從容-----楊絳 很早的時候,因為《圍城》認識了錢鐘書...
    遇見云妮閱讀 675評論 2 9
  • 曾幾何時,我也像個詩人一樣,用最晦澀的語言,來隱喻人生。 那時的我,有少年人最旺盛的熱情,每天都會發現點有趣的故事...
    湯初閱讀 286評論 0 1