导读
首先问大家一个小问题？区块链的账本数据存储格式主要是什么类型的？
相信聪明的你一定知道是Key-Value类型存储。
下一个问题，这些Key-Value数据在底层数据库如何高效组织？
答案就是我们本期介绍的内容：LSM。
LSM是一种被广泛采用的持久化Key-Value存储方案，如LevelDB,RocksDB,Cassandra等数据库均采用LSM作为其底层存储引擎。
据公开数据调研，LSM是当前市面上写密集应用的最佳解决方案，也是区块链领域被应用最多的一种存储模式，今天我们将对LSM基本概念和性能进行介绍和分析。
LSM-Tree背景：追本溯源
LSM-Tree的设计思想来自于一个计算机领域一个老生常谈的话题——对存储介质的顺序操作效率远高于随机操作。
如图1所示，对磁盘的顺序操作甚至可以快过对内存的随机操作，而对同一类磁盘，其顺序操作的速度比随机操作高出三个数量级以上，因此我们可以得出一个非常直观的结论：应当充分利用顺序读写而尽可能避免随机读写。
Figure1Randomaccessvs.Sequentialaccess
现场丨西安市大数据资源管理局副局长：西安将充分利用区块链技术 打造数字经济名城:金色财经现场报道，10月15日，在由西安市大数据资源管理局主办，西安市区块链技术应用协会等单位承办，金色财经和IPFS100.COM等联合承办的首届中国（西安）区块链产业发展论坛上，西安市大数据资源管理局副局长张伟明发表致辞指出：“西安在2019年制定了在重点领域应用区块链技术大发展的相关计划与目标。未来，西安将充分利用数字化技术和智能化设施，积极探索城市全新治理模式，开展数据的动态采集、实时监测和智能分析，为城市治理提供科学依据；也将充分利用区块链技术，强化网络技术基础设施建设，推动5G技术在城市社区的普及应用，着力提高社区管理的能力和水平。尤其是应推动数字化技术在交通、环境、市政等民生领域的应用，加快推进城市传统基础设施的数字化改造和升级，不断提升城市公共服务的精细化、智能化、智慧化水平。”[2020/10/15]
考虑到这一点，如果我们想尽可能提高写操作的吞吐量，那么最好的方法一定是不断地将数据追加到文件末尾，该方法可将写入吞吐量提高至磁盘的理论水平，然而也有显而易见的弊端，即读效率极低，我们称这种数据更新是非原地的，与之相对的是原地更新。
为了提高读取效率，一种常用的方法是增加索引信息，如B+树,ISAM等，对这类数据结构进行数据的更新是原地进行的，这将不可避免地引入随机IO。
LSM-Tree与传统多叉树的数据组织形式完全不同，可以认为LSM-Tree是完全以磁盘为中心的一种数据结构，其只需要少量的内存来提升效率，而可以尽可能地通过上文提到的Journaling方式来提高写入吞吐量。当然，其读取效率会稍逊于B+树。
声音 | 华夏时报总编辑：如果谁能用区块链做出比肩比特币的技术 也许就是下一个世界首富:据新浪财经报道，在第十二届中国经济媒体高层峰会上，华夏时报总编辑水皮表示，未来新技术的应用也许会出现我们意想不到的投资机会，那就是5G带来的区块链技术的应用，“区块链”三个字，由于局信息会上这么一堂课，又一次引起了全民的冲动。我们华夏时报前两年也干过两届区块链论坛，但这个东西技术上的确是有一定的难度，现象级的产品开发是需要过程的，到现在为止比特币是最成功的现象级的应用，有没有能跟比特币比肩的技术？如果谁能做出这个突破谁就牛大了，也许就是下一个中国首富、世界首富。[2019/12/1]
LSM-Tree数据结构：抽丝剥茧
图2展示了LSM-Tree的理论模型(a)和一种实现方式(b)。LSM-Tree是一种层级的数据结构，包含一层空间占用较小的内存结构以及多层磁盘结构，每一层磁盘结构的空间上限呈指数增长，如在LevelDB中该系数默认为10。
Figure2LSM与其LevelDB实现
对于LSM-Tree的数据插入或更新，首先会被缓存在内存中，这部分数据往往由一颗排序树进行组织。
当缓存达到预设上限，则会将内存中的数据以有序的方式写入磁盘，我们称这样的有序列为一个SortedRun，简称为Run。
芝麻信用陈玲玲：得益区块链等技术 用户日趋珍惜个人信用:中国经济网今日报道，芝麻信用共享经济行业总监陈玲玲表示，随着信息的互联互通，有了大数据和实时的处理能力，大家已经开始体会到信用的重要性，一旦违约，别人都可以知道你曾经的失信行为，同时也直接影响你使用这些信用服务。所以，总体来讲，我觉得用户正在越来越珍惜自己的信用，这要感谢互联网，感谢大数据，感谢现在的区块链、人工智能技术等。[2018/6/12]
随着写入操作的不断进行，L0层会堆积越来越多的Run，且显然不同的Run之前可能存在重叠部分，此时进行某一条数据的查询将无法准确判断该数据存在于哪个Run中，因此最坏情况下需要进行等同于L0层Run数量的I/O。
为了解决该问题，当某一层的Run数目或大小到达某一阈值后，LSM-Tree会进行后台的归并排序，并将排序结果输出至下一层，我们将一次归并排序称为Compaction。如同B+树的分裂一样，Compaction是LSM-Tree维持相对稳定读写效率的核心机制，我们将会在下文详细介绍两种不同的Compaction策略。
另外值得一提的是，无论是从内存到磁盘的写入，还是磁盘中不断进行的Compaction，都是对磁盘的顺序I/O，这就是LSM拥有更高写入吞吐量的原因。
Levelingvs.Tiering：一读一写，不分伯仲
LSM-Tree的Compaction策略可以分为Leveling和Tiering两种，前者被LevelDB，RocksDB等采用，后者被Cassandra等采用，称采用Leveling策略的的LSM-Tree为LeveledLSM-Tree，采用Tiering的LSM-Tree为TieredLSM-Tree，如图3所示。
供深食品基地建设将结合区块链等技术 做到可视化、可追溯、全链条监管:日前，深圳市食药局与江西赣州定南县签署协议，定南县将作为供深农产品基地，为深圳提供优质安全的食用农产品。供深食品基地将在原有的《深圳市“菜篮子”基地认定与监测管理暂行办法》的基础上，结合新技术，包括物联网、互联网、区块链等现代信息技术手段，做到可视化、可追溯、全链条监管。[2018/6/5]
Figure3两种Compaction策略对比
▲Leveling
简而言之，Tiering是写友好型的策略，而Leveling是读友好型的策略。在Leveling中，除了L0的每一层最多只能有一个Run，如图3右侧所示，当在L0插入13时，触发了L0层的Compaction，此时会对Run-L0与下层Run-L1进行一次归并排序，归并结果写入L1，此时又触发了L1的Compaction，此时会对Run-L1与下层Run-L2进行归并排序，归并结果写入L2。
▲Tiering
反观Tiering在进行Compaction时并不会主动与下层的Run进行归并，而只会对发生Compaction的那一层的若干个Run进行归并排序，这也是Tiering的一层会存在多个Run的原因。
宁波计划引入区块链技术 建立家政服务行业征信体系:央广网宁波3月20日消息，3月18日，宁波市商务委负责人透露，宁波正在酝酿建立家政服务行业征信体系，相关工作今年启动。宁波市商务委消费处处长尹秋平坦言，缺乏诚信是目前家政服务行业最大的痛点。尹秋平说，等到这套征信系统逐步完善，还考虑引入区块链技术，让缺乏诚信的服务人员无所遁形。“区块链的特点是去中心化，很适合在征信系统中运用。当一个人的重要行为都被记录在案，都可以查询到的时候，每个人都要为自己的行为负责。” 尹秋平说，宁波家政创业园已经跟从事区块链技术开发应用的机构接触，研究进一步合作的可能性。[2018/3/21]
▲对比分析
相比而言，Leveling方式进行得更加贪婪，进行了更多的磁盘I/O，维持了更高的读效率，而Tiering则相正好反。
本节我们将对LSM-Tree的设计空间进行更加形式化的分析。
LSM层数
布隆过滤器
LSM-Tree应用布隆过滤器来加速查找，LSM-Tree为每个Run设置一个布隆过滤器，在通过I/O查询某个Run之前，首先通过布隆过滤器判断待查询的数据是否存在于该Run，若布隆过滤器返回Negative，则可断言不存在，直接跳到下个Run进行查询，从而节省了一次I/O；而若布隆过滤器返回Positive，则仍不能确定数据是否存在，需要消耗一次I/O去查询该Run，若成功查询到数据，则终止查找，否则继续查找下一个Run，我们称后者为假阳现象，布隆过滤器的过高的假阳率会严重影响读性能，使得花费在布隆过滤器上的内存形同虚设。限于篇幅本文不对布隆过滤器做更多的介绍，直接给出FPR的计算公式，为公式2.
其中是为布隆过滤器设置的内存大小，为每个Run中的数据总数。读写I/O
考虑读写操作的最坏场景，对于读操作，认为其最坏场景是空读，即遍历每一层的每个Run，最后发现所读数据并不存在；对于写操作，认为其最坏场景是一条数据的写入会导致每一层发生一次Compaction。
核心理念：基于场景化的设计空间
基于以上分析，我们可以得出如图4所示的LSM-Tree可基于场景化的设计空间。
简而言之，LSM-Tree的设计空间是：在极端优化写的日志方式与极端优化读的有序列表方式之间的折中，折中策略取决于场景，折中方式可以对以下参数进行调整：
当Level间放大比例时，两种Compaction策略的读写开销是一致的，而随着T的不断增加，Leveling和Tiering方式的读开销分别提高/减少。
当T达到上限时，前者只有一层，且一层中只有一个Run，因此其读开销到达最低，即最坏情况下只需要一次I/O，而每次写入都会触发整层的Compaction；
而对于后者当T到达上限时，也只有一层，但是一层中存在：
因此读开销达到最高，而写操作不会触发任何的Compaction，因此写开销达到最低。
Figure4LSM由日志到有序列的设计空间
事实上，基于图4及上文的分析可以进行对LSM-Tree的性能进一步的优化，如文献对每一层的布隆过滤器大小进行动态调整，以充分优化内存分配并降低FPR来提高读取效率；文献提出“LazyLeveling”方式来自适应的选择Compaction策略等。
限于篇幅本文不再对这些优化思路进行介绍，感兴趣的读者可以自行查阅文献。
小结
LSM-Tree提供了相当高的写性能、空间利用率以及非常灵活的配置项可供调优，其仍然是适合区块链应用的最佳存储引擎之一。
本文对LSM-Tree从设计思想、数据结构、两种Compaction策略几个角度进行了由浅入深地介绍，限于篇幅，基于本文之上的对LSM-Tree的调优方法将会在后续文章中介绍。
作者简介叶晨宇来自趣链科技基础平台部，区块链账本存储研究小组
参考文献
.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.
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。