Rocksdb Notes

2 min read

表分区

cassandra_partiton

主键=((分区键) + [簇键])

create table kvstor (
      k_part_one text,
      k_part_two int,
      k_clust_one text,
      k_clust_two int,
      k_clust_three uuid,
      data text,
      PRIMARY KEY((k_part_one, k_part_two), k_clust_one, k_clust_two, k_clust_three)      
  );

分区键

分区键决定数据在集群内的分布在哪个分区

簇键

簇建决定数据的在分区内的排列顺序

Cassandra DB 主要缺点

  1. Cassandra has big issue with Data Read Latency
  2. Hard to tune-up for both latency and throughput
  3. Highly depended on Work load and type
  4. Max 20 % P99 latency drop
  5. Most memory consumed by storage engine
  6. To store huge amount of data, JVM is required to manage the memory to clean up garbage collection that is not done by the application but by a language in Cassandra

Cassandra is not recommended if you have following use cases :

  1. you are not storing volumes of data across racks of clusters.
  2. if you have a strong requirement for ACID properties.
  3. if you want to use aggregate function.
  4. if you are not partitioning your servers.
  5. if you are application has more read requests than writes.
  6. if you require strong Consistency.

RocksDB SST 文件在不同 Level 的特性

  1. L0 层：SST 文件资身是按 Key 排序，但 L0 层的 SST 文件之间是无序的，每个 L0 层的 SST 文件之间会发生 Key Range 的重合，也就是说相同 Key 的数据可能存在于在 L0 层的每一个 SST 文件中。
  2. L1 ~ Ln 层：多个 L0 层的 SST 文件达到 Compaction 条件后，与若干个 L1 层文件进行 Compaction 后形成新的 L1 层 SST 文件，L1 层 SST 文件之间不会出现 Key Range 的重合，也就是说相同 Key 的数据最多只会存在于 L1 层的一个 SST 文件中（L2 ~ Ln 层同理）。读取数据时，数据可能存在于 Memtable、Block Cache、SST 文件中。

读取操作：

  1. Point Lookup（点查）：先从 Memtable 和 Block Cache 中尝试获取结果，如果没有找到则会按照层级查找 SST 文件。对于 L0 层 SST 文件，先通过 KeyRange 过滤出可能包含此 Key 的 SST 文件再进行查找；再对于 L1~Ln 层的文件进行二分查找定位对应的 SST 文件并进行读取。
  2. Range Scan：多路归并的思想，返回给用户的 Iterator 由多个 Iterator 组成：每个 Memtable、Immutable Memtable、L0 层 SST 文件、以及多个 L1 ~ Ln 层 SST 文件中构建 Iterator，并以多路归并的方式返回给用户具体的值。

Compaction策略

Compaction 是将多个文件合并成一个文件的过程，在合并过程中会进行相同 Key 的去重，过期 Key 的删除等操作。一次 Compaction 可以简单看作将 N 个文件数据读取后，经过整理再重新写一遍的过程。在这里举两个极端的例子：

  • 完全不发生 Compaction：SST 文件只存在于 L0 层，由于 L0 层不保证 SST 之间的 Key Range 不发生重合，所以数据读取需要访问很多 L0 层 SST 文件，在读取性能上会非常差。
  • 持续发生 Compaction：假如每生成一个 SST 文件，我们就将它和其他 SST 文件进行 Compaction，那么数据写入的开销则会非常大。

可以看出，Compaction 策略的不同决定了读写放大，也决定了读写的性能，所以一个合理的 Compaction 策略其实是对读写性能的平衡，针对不同场景的需求，我们应该认真考虑其场景所适合的 Compaction 策略。RocksDB 默认提供三种 Compaction 策略，每个策略的触发条件都比较复杂，原理可看对应链接，这里仅描述一下它们的特点：

  1. Leveled Compaction（默认策略）：Compaction 触发频率相对高，读放大低，写放大高
  2. Universal Compaction：Compaction 触发频率相对低，读放大高，写放大低
  3. FIFO Compaction：几乎不发生 Compaction，读放大高，写放大几乎没有
KVS KVSTOR