不吹不黑，赞一下应用运维管理的cassacdra

不吹不黑的为菊厂的应用运维管理AOM点个赞。Why？

某菊厂应用运维管理工具AOM每天处理着亿级条数据，这么多数据是怎么存储的呢？

说到数据存储就会想到关系型数据库，比如mysql，oracle，sybase。关系型数据库有自己的优势，数据强一致性，支持事务，通用，技术成熟。但是对于大批量数据的存储和查询就稍显吃力，毕竟AOM每秒的写入数据至少都是上万条，甚至是十几万条，随着系统规模增长，数据库的扩容也成为新的瓶颈。

AOM的数据存储系统使用的是非关系型数据库-----cassandra,相比关系型数据库，cassandra拥有高并发，大数据下读写能力强，支持分布式，易扩展等优点，当前也有最致命的缺点，不支持事务，不过对于事务我们可以通过zk/etcd等其他组件协助完成。

对于关系型数据库相比非关系型数据库为什么会有这么大的差异，这个就得从两者的架构上来讲了，下面编者以mysql和cassandra进行对比分析。

不管是mysql还是cassandra，最终数据的存储都要落盘，我们先来看下磁盘的写入原理：

磁盘的基本组件可分为以下几部分：磁头，盘片，盘面，磁道，柱面，扇区等。

盘片被划分成一系列同心环，圆心是盘片中心，每个同心环叫做一个磁道，所有半径相同的磁道组成一个柱面。磁道被沿半径线划分成一个个小的段，每个段叫做一个扇区，每个扇区是磁盘的最小存储单元。当需要从磁盘读取数据时，系统会将数据逻辑地址传给磁盘，磁盘的控制电路按照寻址逻辑将逻辑地址翻译成物理地址，即确定要读的数据在哪个磁道，哪个扇区。为了读取这个扇区的数据，需要将磁头放到这个扇区上方，为了实现这一点，磁头需要移动对准相应磁道，这个过程叫做寻道，所耗费时间叫做寻道时间，然后磁盘 旋转将目标扇区旋转到磁头下，这个过程耗费的时间叫做旋转时间。

即一次访盘请求（读/写）完成过程由三个动作组成：
1）寻道（时间）：磁头移动定位到指定磁道

2）旋转延迟（时间）：等待指定扇区从磁头下旋转经过 
3）数据传输（时间）：数据在磁盘与内存之间的实际传输

大家应该有过类似的经历，进行数据拷贝时，文件个数越少，单个文件越大，拷贝的速率越快，反之文件个数多，单个文件小，拷贝的速率越慢，这其中的原因就是因为在拷贝小文件时，系统的耗时基本都耗费在寻址上了。Cassandra相比mysql有更高的写入能力，就是因为cassandra采用了更高效的写入机制，该机制大大缩短了磁盘的寻址时间（准确来讲应该是寻址次数）。

我们先来看下Mysql(InnoDB)的索引原理, InnoDB的索引采用B+树，其数据结构如下所示：

所有的数据都存储在叶子节点，叶子节点之间都有指针，这是为了做范围遍历。B+树的优势在于快速索引，B+树的层高基本都在2~3层，也就意味着一次数据查找只需要2~3次IO操作。而且每次的单条数据都非常稳定，耗时和查找次数都差不多。B+树最大的性能问题是会产生大量的随机IO，随着数据的插入，叶子节点会慢慢分裂，逻辑上连续的节点物理上确不连续，甚至相隔甚远，顺序遍历的时候，会产生大量的随机IO操作。这正如大家熟知的ArrayList和LinkedList，ArrayList在内存中是一块连续的内存，访问的时候顺序访问，LinkedList是多个内存块通过指针串联起来的，访问的时候必须先通过指针获取下一个内存块的地址，然后再通过地址访问，因此ArrayList的访问远远高于LinkedList。B+树的叶子节点就类似一个LinkedList，随着叶子节点的分裂，在做顺序检索时，跨叶子节点的访问往往需要先找到下一个叶子节点的地址（磁盘寻址），然后才能访问到具体的叶子节点。

B+树的顺序检索会产生大量的随机IO，B+树的写入同样会产生类似的问题，比如上图B+树中的9和86，它们所属的叶子节点在磁盘上相隔甚远，数据插入时就会产生两次随机写入。当大批量数据写入时，随机IO操作的次数也就更多。

如下是一张随机读写和顺序读写的性能比对图：

从上图可以直观的感受到随机读写与顺序读写的差异，这两者完全不在一个量级。用过kafka和HDFS的开发者就会发现kafka和HDFS的磁盘IO使用率非常高，有时甚至接近磁盘的最大写入速率，这个就是因为kafka和HDFS是基于文件的顺序写入（当然还有其他技术）。从以上分析来看，磁盘的随机读取/写入是影响mysql顺序检索和批量写入的最大因素，那我们有没有办法减少这种随机写入呢，此时LSM-Tree（Log-Structured Merge-Tree）呼之欲出。

2006年，google发表了BigTable的论文。BigTable的数据结构就采用了LSM（http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.44.2782&rep=rep1&type=pdf）。目前LSM被很多数据库作为存储结构，比如HBase，Cassandra，LevelDB。LSM抛弃了大多数数据库使用的传统文件组织方法，通过减少更新/写入操作带来的随机操作次数来提高数据的写入能力。

LSM Tree的核心思路其实非常简单，就是假定内存足够大，因此不需要每次有数据更新就必须将数据写入到磁盘中，而可以先将最新的数据驻留在磁盘中，等到积累到一定数目之后，再使用归并排序的方式将内存内的数据合并追加到磁盘队尾(因为所有待排序的树都是有序的，可以通过合并排序的方式快速合并到一起)。

LSM的核心思路可以分为两部分：

①、数据先写入内存

②、将内存中的数据排序后追加到磁盘队尾。

LSM由两个或两个以上的存储结构组成。最简单的LSM由两部分组成，一部分常驻内存，称为C0；另一部分存储在硬盘上，称为C1。

数据写入时，先记录到本地的操作日志文件（HLog或CommitLog）,为将来做数据恢复使用。然后将数据写入到C0中，由于C0使用的是内存，因此插入性能远远高于磁盘写入。当C0的节点数目超过一定阈值时，会将C0中的数据进行一次排序，然后追加到C1树中。

多部件的LSM就是包含多个存储结构：

随着数据规模增加，C0中的数据超过阈值后就会往磁盘中写入一个新的file,这样磁盘中的树（file）会越来越多。当较小的Ci-1个数超过一定阈值的时候，会进行Ci-1和Ci的合并。合并是为了减少整个C树的个数，加快搜索速度。

数据查询的时候，会按照树的生成时间按照从新到旧的顺序逐个遍历每个C树，即C0,C1,C2….Ck。为什么要按照时间顺序从最近往之前遍历呢，这就是LSM的另一个巧妙点（更新/删除）。

LSM的更新和删除操作都是往C0上新增一条记录，通过新记录+标记的方式完成，因此在遍历的时候必须按照时间顺序进行遍历，这样就可以保证数据更新和删除的正确性，同时保证了数据的顺序写入。当前LSM在进行C树合并时，会对删除和更新记录进行合并。

我们来看下HBase的整个架构图：

HBase是基于HDFS之上采用LSM结构做的数据存储。HBase的主要部件可以分为如下几类：

storeFile:小文件，不可编辑。即写入到磁盘中的C树。

Hlog:LSM中用于记录写入记录的操作日志，为了将来做数据恢复使用，毕竟C0中的数据是在内存中存储，当HBase宕机后，内存中的数据就会丢失，此时需要从Hlog中恢复。

Memstore:即C0树。至此，LSM和B+树的对比也就讲完了。