ClickHouse和他的朋友们（5）存储引擎技术进化与MergeTree

21 世纪的第二个 10 年，虎哥已经在存储引擎一线奋战近 10 年，由于强大的兴趣驱动，这么多年来几乎不放过 arXiv 上与存储相关的每一篇 paper。尤其是看到带有 draft 的 paper 时，有一种乞丐听到“叮当”响时的愉悦。看paper这玩意就像鉴宝，多数是“赝品”，需要你有“鉴真”的本领，否则今天是张三的算法超越xx，明儿又是王二的硬件提升了yy，让你永远跟不上节奏zz，湮灭在这些没有营养的技术垃圾中，浪费大好青春。

言归正传，接下来的3篇，跟 ClickHouse 的 MergeTree 引擎有关：上篇介绍存储引擎的技术演进史，从"远古"的 B-tree 出发推演到目前主流的技术架构。中篇会从存储结构介绍 MergeTree 原理，对 ClickHouse MergeTree 有一个深入的认识，如何合理设计来进行科学加速。下篇会从MergeTree代码出发，看看 ClickHouse MergeTree 如何实现读、写。

本文为上篇，先来个热身，相信本篇大部分内容对大家来说都比较陌生，很少人写过。

地位

存储引擎(事务型)在一个数据库(DBMS)中的地位如何呢？

MySQL 的商业成功可以说大部分来自于 InnoDB 引擎，Oracle 收购 InnoDB 比 MySQL 早好几年呢！20年前，能亲手撸一套 ARIES (Algorithms for Recovery and Isolation Exploiting Semantics) 规范引擎，实力还是相当震撼的，相信 Oracle 收购的不仅是 InnoDB 这个引擎，更重要的是人， InnoDB 作者在哪里，在干什么？！Fork 出来的 MariaDB 这么多年一直找不到自己的灵魂，在 Server 层磨磨蹭蹭可谓是江河日下，只能四处收购碰碰运气，当年 TokuDB 战斗过的 commit 依在，但这些已经是历史了。另，WiredTiger 被 MongoDB 收购并使用，对整个生态所起的作用也是无可估量的，这些发动机引擎对于一辆汽车是非常重要的。

有人问道，都已经 2020 年了，开发一个存储引擎还这么难吗？不难，但是造出来的未必有 RocksDB 好用？！如大家所见，很多的分布式存储引擎都是基于 RocksDB 研发，可谓短期内还算明智的选择。从工程角度来看，一个 ACID 引擎要打磨的东西非常之多，到处充斥着人力、钱力、耐心的消耗，一种可能是写到一半就停滞了(如 nessDB)，还有一种可能是写着写着发现跟xx很像，沃茨法克。当然，这里并不是鼓励大家都去基于 RocksDB 去构建自己的产品，而是要根据自己的情况去做选择。

B-tree

首先要尊称一声大爷，这个大爷年方 50，目前支撑着数据库产业的半壁江山。

50 年来不变而且人们还没有改变它的意向，这个大爷厉害的很！鉴定一个算法的优劣，有一个学派叫 IO复杂度分析，简单推演真假便知。下面就用此法分析下 B-tree(traditional b-tree) 的 IO 复杂度，对读、写 IO 一目了然，真正明白读为什么快，写为什么慢，如何优化。为了可以愉快的阅读，本文不会做任何公式推导，复杂度分析怎么可能没有公式呢！

读IO分析

这里有一个 3-level 的 B-tree，每个方块代表一个 page，数字代表 page ID。

上图 B-tree 结构是内存的一个表现形式，如果我们要读取的记录在 leaf-8上，read-path 如蓝色箭头所示: root-9 --> branch-6 --> leaf-8

下图是 B-tree 在磁盘上的存储形式，meta page 是起点:

这样读取的随机 IO (假设内存里没有 page 缓存且 page 存储是随机的)总数就是(蓝色箭头):

1(meta-10)IO + 1(root-9)IO + 1(branch-6)IO + 1(leaf-8)IO = 4次 IO，这里忽略一直缓存的 meta 和 root，就是 2 次随机 IO。如果磁盘 seek 是 1ms，读取延迟就是 2ms。

通过推演就会发现，B-tree 是一种读优化(Read-Optimized)的数据结构，无论 LSM-tree 还是 Fractal-tree 等在读上只能比它慢，因为读放大(Read Amplification)问题。存储引擎算法可谓日新月异，但是大部分都是在跟写优化(Write-Optimized)做斗争，那怕是一个常数项的优化那就是突破，自从 Fractal-tree 突破后再无来者了！

写IO分析

现在写一条记录到 leaf-8。

可以发现，每次写都需要先读取一遍，如上图蓝色路径所示。

假设这次写入导致 root, branch 都发生了变化，这种 in-place 的更新反映到磁盘上就是：

基本是 2 次读 IO和写 2 次写 IO+WAL fsync，粗略为 4 次随机 IO。通过分析发现，B-tree 对写操作不太友好，随机 IO 次数较多，而且 in-place 更新必须增加一个 page 级的 WAL 保证失败回滚，简直是要命。

Write-Optimized B-tree

说到写优化，在机械盘的年代，大家的方向基本是把随机 IO 转换为顺序 IO，充分发挥磁盘的机械优势，于是出现一种 Append-only B-tree：

更新生成新的 page(蓝色)
page 回写磁盘时 append only 到文件末尾
无需 page WAL，数据不 overwrite，有写放大(Write Amplification)问题，需要做空洞重利用机制

Append-only B-tree 节省了回写时的 2 次随机 IO，转换为常数级(constant)的1次顺序 IO，写性能大幅提升，总结起来就是：随机变顺序，空间换时间 LSM-tree, Fractal-tree 等写优化算法的核心思想也是这个，只不过其实现机制不同。

LSM-trees

随着 LevelDB 的问世，LSM-tree 逐渐被大家所熟知。LSM-tree 更像一种思想，模糊了 B-tree 里 tree 的严肃性，通过文件组织成一个更加松散的 tree。这里不谈一个具体的 LSM-tree 是 Leveled 还是 Size-tiered，只谈大体思想。

写入

先写入内存的 C0
后台线程根据规则(Leveled/Sized)进行 merge，C0 --> C1, C1 --> C2 ... CL
写入 C0 即可返回，IO 放到后台的 Merge 过程
每次 Merge 是硬伤，动作大就抖，动作小性能不好，每次 Merge 的数据流向不明确
写放大问题

读取

读取 C0
读取 C1 .. CL
合并记录返回
读放大问题

Fractal-tree

终于发展到了“终极”优化(目前最先进的索引算法)，Fractal-tree。它是在 Append-only B-tree 的基础上，对每个 branch 节点增加了一个 message buffer 作为缓冲，可以看做是 LSM-tree 和 Append-only B-tree 完美合体。

相对于 LSM-tree 它的优势非常明显: Merge 更加有序，数据流向非常分明，消除了 Merge 的抖动问题，大家一直寻找的 compaction 防抖方案一直存在的！

这个高科技目前只有 TokuDB 在使用，这个算法可以开篇新介，这里不做累述，感兴趣的可以参考原型实现 nessDB。

Cache-oblivious

这个词对于大部分人都是陌生的，不过别怕。在存储引擎里，有一个数据结构非常非常重要，它负责 page 数据有序性维护，比如在一个 page 里怎么快速定位到我要的记录。在 LevelDB 里使用 skiplist，但大部分引擎使用的是一个有序数组来表示，比如 [1, 2, 3, ... 100]，然后使用二分查找。

大概 10 年前一位内核开发者发表了一篇 <You're Doing It Wrong>，这个小文讲了一个很有意思的事情: 数据的组织形式对性能有很大的影响，因为 CPU有 cache line。

抛开这篇文章不谈，咱们来看一张“神仙”图：

这是一个 binary-tree 的 4 种 layout 表示形式，那么哪种 layout 对 CPU cache line 最友好？

也许你已经猜对了，那就是 van Emde Boas，简称 vEB。因为它的相邻数据“扎堆”存储，point-query 和 range-query 的 cache line 可以最大化共享，skiplist 对 cache line 是非常不友好的，还可以更快！对于 cache oblivious 数据结构，这里有一个简单的原型实现: omt

B-tree优化魔力象限

写优化算法从原生的 B-tree 到 Append-only B-tree(代表作 LMDB)，又到 LSM-tree(LevelDB/RocksDB 等)，最后进化到目前最先进的 Fractal-tree (TokuDB)。这些算法耗费了很多年才在工程上实现并被认可，研发一款存储引擎缺的不是算法而是“鉴宝”的能力，这个“宝”可能已经躺了几十年了。

其实，"科学家"们已经总结出一个 B-tree 优化魔力象限:

横坐标是写性能，纵坐标是读性能，B-tree 和 Logging 数据结构分布在曲线的两个极端。B-tree 的读性能非常好，但是写性能差。Logging 的写性能非常好，但是读性能差(想想我们每次写都把数据追加到文件末尾，是不是很快？但是读...)。

在它们中间有一个优化曲度(Optimal Curve)。在这个曲度上，你可以通过增加/减少一个常数(1-epsilon)来做读和写优化组合，LSM-tree/Fractal-tree 都在这个曲度之上。

总结

本文主要讨论事务性引擎的技术演进，其中包含了 IO 复杂度分析，其实这个分析是基于一个 DAM(Disk Access Machine)模型，这里不再展开。这个模型要解决什么问题呢？如果工程中涉及硬件层级关系，比如 Disk / Memory / CPU，数据在Disk，读取(以 block 为单位)到 Memory，查找计算(cache-line)在 CPU，不同介质间性能差距又非常之大，我们怎么做才能让整体性能更优的问题。和当今的硬件相融合，这个模型也一样适用。

最后回到 ClickHouse 的 MergeTree 引擎，它只使用了本文中的部分优化，实现也比较简洁、高效，毕竟没有事务，撸起来也没啥心理负担。 随机变顺序，空间换时间， MergeTree 原理，请听下回分解。

References

[1] [Cache-Oblivious Data Structures](https://www.cs.au.dk/~gerth/papers/cacheoblivious05.pdf)

[2] [Data Structures and Algorithms for Big Databases](https://www3.cs.stonybrook.edu/~bender/talks/2013-BenderKuszmaul-xldb-tutorial.pdf)

[3] [The buffer tree: A new technique for optimal I/O-algorithms](https://link.springer.com/chapter/10.1007%2F3-540-60220-8_74)

[4] [how the append-only btree works](http://www.bzero.se/ldapd/btree.html)

[5] [写优化的数据结构(1):AOF和b-tree之间](https://www.douban.com/note/269741273/)

[6] [写优化的数据结构(2):buffered tree](https://www.douban.com/note/269744617/)

[7] [存储引擎数据结构优化(1):cpu bound](https://www.douban.com/note/304123656/)

[8] [存储引擎数据结构优化(2):io bound](https://www.douban.com/note/304349195/)

[9] [nessDB](https://github.com/BohuTANG/nessDB)

[10] [omt](https://github.com/BohuTANG/omt)

[11] [MergeTree存储结构](https://bohutang.me/2020/06/26/clickhouse-and-friends-merge-tree-disk-layout/)

[12] [ARIES (Algorithms for Recovery and Isolation Exploiting Semantics)](https://en.wikipedia.org/wiki/Algorithms_for_Recovery_and_Isolation_Exploiting_Semantics)

[13] [You're Doing It Wrong](https://queue.acm.org/detail.cfm?id=1814327)

[14] [TokuDB](https://github.com/xelabs/tokudb)