数据系统读写权衡的一知半解

在计算机领域，有一个有趣的趋势，往系统中写入数据需要做更多的工作。我们需要对数据进行重新组织、合并、重新建立数据库索引等操作，才能使写入的内容更加有用。如果不这样做，必须实现内容搜索或其他工作来支持未来的数据读取。

数据库中的索引

我关系数据库的索引是个有趣而令人困惑的概念，索引如何在对应用程序透明的情况下优化访问的呢？当然，更新索引意味着另外的磁盘访问，因为 b + 树的索引不适合放在内存中。如果以后读取数据，那么对数据库进行更改的额外工作是值得的。

下一个令人困惑的问题是，应该编制多少索引？是否应该对每一列都建立索引？什么时候应该把一列数据编入索引？我索引越多，读取查询就会变得越快。同时，索引越多，数据更新的速度就越慢。

这是一个常见的权衡方案，快速读意味着慢速写。

行存储与列存储

将高性能更新与行存储联系起来是很自然的，如果按列组织数据的话，因为具有相同值的许多逻辑行在物理上彼此相近，柱状数据库执行查询的速度非常快。但是，更新列存储就不那么容易了。

通常，行存储中的更新单独保存，因为每一行的数据较小，查询会以相对快速的方式检查行。这些查询与更快的列存储的结果相结合，以提供统一的准确结果。新的行存储更新会定期与列存储合并，以创建新的列存储，这可以以类似于 LSM 树中合并的级联方式完成。

当插入到一个列存储区中时，这种重写和整合新数据的负担是一种写入数据放大的形式，在这种形式下，一次写入之后会变成更多的写入。

LSM树的应用

LSM树最早是在1996年提出的，这个想法是将对键值存储的更改作为事务跟踪，并在内存中保留新的值。事务提交时，可以将最近键值对的排序集合写入磁盘中唯一命名的文件。此文件包含已排序的键值对以及文件中键的索引。一旦写入磁盘，新提交的更改不需要保存在内存中。

逐键查找值看起来就像在随机地点找东西时的样子。在一个小房间里线性搜索自己的钱包可能是易于处理，但是当搜索空间在大型酒店里就不那么容易了。为了减少数据读取时的烦琐，LSM 树组织数据的方法是边读边重写。

当从存储引擎新写入一个新文件时，它有一堆键值对。为了便于查找键，这些键与前面编写的文件合并。每个 LSM 树都具有某种形式的扇出，其中较低级别的树保存在更多的文件中。LSM 树的深度取决于扇出、每个文件的大小以及树中键值对的数量。一般来说，大部分存储都位于树的最底层。

因此，在越来越受欢迎的 LSM 结构中，有各种各样的实现选择:

平衡合并

当一个新文件被添加到一个级别时，在循环遍历中选择下一个文件，并将其与下一个级别的文件合并。假设从10个文件中选择一个扇出，会发现文件中的键范围通常涵盖了下面级别中大约10个文件中的键范围。把11个文件合并在一起，一个下降到下个级别，进而得到11个文件。现在，下一级已经被一个文件增加了，所以需要重复并再次合并。

分层合并

在进行合并之前，让一堆文件在每个级别上堆叠起来。假设在每个级别合并之前堆积了10个文件，大大减少了所需的合并数量。

平衡合并有着很大的写入放大， 每次将一个新的键值对写入到级别0，在每个级别上都要重写10到11次，但是读取数据的成本较少。分层合并的写入放大要低得多，因为新文件在合并之前会在每个级别上堆叠起来，所以合并的次数会减少，写入的内容也会减少，但是数据读取所付出的努力要多得多。

索引和搜索

搜索在许多方面都是数据库索引的变体。在数据库中，索引标识一般以行 id 或主键的形式隐藏在数据库中。在关系型数据库系统中，索引更新是通过事务集成的，我们能够看到性能差异。

搜索系统在处理文档方面有些不同。大多数搜索系统在文档发生变更后异步更新搜索索引， 这是与某种形式的ID交织在一起。搜索使得读取文档更加容易。它极大地降低了数据读取时的成本，而创建和合并搜索索引是一项复杂的工作，也是数据写入放大的一种形式。

搜索的索引需要语料库，以找到最近写入或更新的文档。其中每一个都需要有一个标识符，然后需要对其进行处理以定位搜索条件(有时称为 n-grams，https://en.wikipedia.org/wiki/n-gram)。在一个典型的文档中找到这些 n-gram 中的每一个元素都需要发送到包含许多索引元素的索引器。因此，文档标识符与可搜索文档中的每个术语(或 n-gram)相关联，所有这一切都是因为用户进行了写操作或创建了文档。每个文档都需要做大量的工作，而且还有很多很多的文档。

数据的规范化

在关系数据库的世界里，一般要在数据库中保存规范化数据，努力避免更新异常被认为是极其重要的。大多数系统的分布式趋势在增强，其中大多数都有包含其数据的键值对，这些键值对是为了扩展分片使用的。通过将相关数据分组为一个键值对，很容易获取这个值 ，然后发出请求到远程系统。

如果规范化这个大型分片系统中的数据，规范化的值将可能不会在同一个分片上，执行分布式联接比执行集中式联接更加烦人。

为了解决这个问题，一般在数据上加上版本号，方案虽然并不完美，但比起分布式通信或者跨非规范化数据进行大规模更新，它的挑战性要小得多。大规模的分布式系统对一致读的语义施加了很大的压力，这反过来可以被看作是写入放大和读读成本之间的紧张关系。

一句话小结

随着分布式系统的普遍化，数据系统的读写权衡越来越关键，辨认系统中数据读写的使用模式，才能进行设计上的权衡和优化。