分享人：印才华（恒义），阿里云数据库高级技术专家，AnalyticDB PostgreSQL 存储引擎和执行引擎团队研发负责人。
摘要：HTAP & 云原生是如今数据库技术演进的两大热点方向。HTAP 代表既有传统的 HANA Delta RowStore+Main ColumnStore，Oracle In-MemoryColumnStore 等方案，也有像 TiDB，Snowflake Unistore这样新的技术架构；云原生代表则是以 S3 为低成本主存的 Snowflake，Redshift RA3，提供灵活弹性和Serverless 能力。SingleStore 则是首次把两者结合起来，基于计算存储分离的云原生架构，用一份存储提供低成本高性能的 HTAP 能力。本次论文分享围绕 SingleStore 在 HTAP 和云原生的核心技术和创新亮点展开， 同时包括和业界技术对比探讨。
目录：
一、HTAP - 统一数据存储
二、云原生 - 存储和计算分离
三、总结 - SingleStore 的云原生HTAP
一、HTAP - 统一数据存储
1、业界的HTAP解决方案
2022 发表在 SIGMOD 的这篇论文《HTAP Database: What is New and What is Next》中，介绍了 HTAP 数据库的架构。HTAP 数据库主要分为四部分：
- 主行存储+内存中列式存储（Primary Row Store + In-Memory Column Store）
- 分布式行式存储+列式存储副本（Distributed Row Store + Column Store Replica）
- 磁盘行式存储+分布式列式存储（Disk Row Store + Distributed Column Store）
- 主列存储+增量行式存储（Primary Column Store + Delta Row Store）
论文下载地址：https://dl.acm.org/doi/pdf/10...
值得注意的是，在下表中列出的典型数据库，在论文发表后，其中一些数据库有了新的发展方向：
SingleStore 数据库已经不再是“分布式行式存储+列式存储副本”，而属于第四部分“主列存储+增量行式存储”数据云公司 Snowflake 于近期发布 Unistore 存储引擎，属于第二部分“分布式行式存储+列式存储副本”
2、SingleStore 的 HTAP 特性
一份统一存储
- In-Memory 行存储
- On-Disk 列存储
- 主键唯一性约束
- 二级索引
- 细粒度数据读取
- Row-Level Locking（行级锁）
a. 一份统一存储副本
SingleStore 的解决方案与 HANA 类似。下图列举了 HANA、TiDB、MySQL HeatWave 和 Snowflake 四个数据库的架构，从架构中可以看到，只有 HANA 是一份存储，而 TiDB、MySQL HeatWave和Snowflake 都是两份存储。
相关内容参考：
- V. Sikka, et al., Efficient Transaction Processing in SAP HANA Database – The End of a Column Store Myth, in SIGMOD, 2012，地址：https://15799.courses.cs.cmu....
- Dongxu Huang, et al., TiDB: A Raft-based HTAP Database, in VLDB 2020，地址：https://www.vldb.org/pvldb/vo...
- P. Larson, et al., Real-Time Analytical Processing with SQL Server, in VLDB, 2015，地址：https://dl.acm.org/doi/pdf/10...
- T. Lahiri, et al., Oracle Database In-Memory: A Dual Format In-Memory Database, in IEEE, 2015，地址：https://ieeexplore.ieee.org/d...
b. 基于 Skiplist 的内存中行存储和基于 LSM 树的磁盘列存储
如下图所示，左边是基于 Skiplist 的 In-Memory 行式存储架构，右边是基于 LSM 树的磁盘列式存储架构：
基于 Skiplist 的 In-Memory 行存储，具备的能力包括：
- 内存优化
- MVCC（多版本并发控制）
- Row-Level Locking（行级锁）
- Redo Log 支持
- 提供给用户表 Delta 部分和列存储 Meta 部分
基于 LSM 树的On-Disk列存储
- 内存中行存储被 flush 到磁盘形成以列存组织的 segment 文件；
- segment 文件会被组织到不同的 Sorted Run 中，每个Sorted Run有 min/max 值，一个Sorted Run中可以包含一个或多个 segment 文件，如果包含多个 segment 文件，需要确保文件之间的min/max 不会重叠
- Sorted Run的优势在于，如果扫描过滤列中带有排序列，每个Sorted Run只需要访问一次 segment 文件即可；
- 当有空闲资源时，Sorted Run之间会进行 background merge，确保每个Sorted Run中的 segment 文件足够大，实现最佳的扫描过滤效果。
相关参考：
SingleStore发布的另一篇文章：A. Skidanov, et al., A Column Store Engine for Real-Time Streaming Analytics, in IEEE, 2016，地址：https://www.singlestore.com/r...
c. 列式存储的主键和二级索引
SingleStore 数据库采用的索引方式，是2层结构的组合方式，如下图所示，包括：Data Segment 和Global Hash index。
Data Segment
- 在每个 segment 内部，对索引列建立一个 Inverted Index（倒排索引），每个列存文件都对应一个倒排索引
- Segment 的 flush 或合并都会生成新的 segment，同时伴随生成新的索引
Global Hash Index
- 每个 segment 创建时都会对应创建一个 Hash table，记录每个列存文件所在的 segment 以及offset 值
- Segment 创建或合并后会创建新的 Hash table
SingleStore 的索引方式与 Btree 的不同在于：
- 基于LSM，Immutable，适用于云存储
- O(log(N))写放大
- 二级定址：global hash -> segment-level inverted
- 主键的唯一性强制执行
- 二级索引与主键具有相同的性能
这种索引方式对于高性能点查必不可少。
d. 细粒度Subsegment访问实现有效的点查找
可搜索的列式存储：
- 搜索位置由主键或二级索引确定
- 列编码支持 bit-packing、字典编码(dictionary)、游程长度编码(run-length encoding)和 LZ4 编码等
- 一个列支持跨 segment 选择不同编码
- 压缩单位是紫色的 subsegment 层级（见下图）。
e. 行级锁在并发更新/删除和后端合并中的应用
从表级锁到行级锁的转变：
- 传统方式中，列存储的更新/删除是在表级别（或delete bitmap级别），这会引起前端并发更新/删除的会话之间的冲突，以及后端合并的冲突
- 基于Skiplist的In-Memory行式存储原生的支持level locking，并且列式存储可以利用这一点，首先将需要更新/删除的行移动到行存中（同时在delete bitmap中标记），然后只对行存储进行操作
- 因此，利用行式存储实现列式存储的行级锁，让列式存储也可以进行并发更新/删除
二、云原生 - 存储和计算分离
1、业界的云原生解决方案
业界的云原生解决方案中，比较典型的有以下三个：
- Snowflake：B. Dageville, et al., The Snowflake Elastic Data Warehouse, in SIGMOD, 2016，地址：https://event.cwi.nl/lsde/pap...
- Redshift：N. Armenatzoglou, et al., Amazon Redshift Re-invented, in SIGMOD, 2022，地址：https://assets.amazon.science...
- Aurora：A. Verbitski, et al., Amazon Aurora: Design Considerations for High Throughput CloudNative Relational Databases, in SIGMOD, 2017，地址：https://web.stanford.edu/clas...
2、SingleStore的云原生架构的特性
通过综合利用本地内存+本地 SSD+基于数据热度的远程云存储以支持HTAP工作负载
- 这里的云存储指S3/OSS这类低成本对象存储器
为了实现高吞吐低延迟的 TP 需求，事务提交路径不会写穿到远程云存储
- OSS 延迟大概是20毫秒
- 支持在云存储中的快照和 redo log 存储的快速 PITR
- 支持多种只读副本（在SingleStore称作workspace，与 Snowflake 的虚拟仓库类似），以实现 HTAP 工作负载的隔离和扩展
a. 低延迟事务和低成本数据规模
- 低延迟：事务写入本地 SSD 磁盘 redo log 以确保持久性，并同步到远程 HA 节点内存中
低成本：
- In-Memory 行式存储会定期 flush 到本地盘的 Segment，并且异步上传到远程云存储，同时本地冷数据会定期移除，以减少本地空间占用
- 将行存储 flush 之前的 redo log 密封并上传到远端云存储，本地盘只保留 tail redo log
- 快照也会定期被整理并存储到云上，提供 PITR 和只读副本能力以及 redo log
- 基于以上能力可以实现无限的数据规模、低延迟事务和高吞吐量分析
b. PITR 和 Workspace 扩展能力
- 快照指向一堆定期获取的历史 segment 文件
- 每个 partition 的事务一致性点（称为 LP，Logpoint )都会定期写入 redo log
PITR（Point-in-Time Recovery，时间点恢复）
- 删除数据库当前的本地状态
- 从指定 LP 前的第一个快照文件中获取数据
- 根据这个快照的 redo log 起始点一直重放 log 直到达到 LP
- 由于快照和 redo log 都在云上存储，因此比传统的备份和恢复速度快得多
Workspace 扩展能力（只读副本）
- 选择最后一个快照并重放到最近的一个 LP
- 同时从HA主节点复制 tail log
三、总结：SingleStore 的云原生 HTAP
1、SingleStore 系统架构
SingleStore 将 HTAP 和云原生很好的结合在一起。下图左边是 SingleStore 的整体架构图，其中包括两种节点：aggregators 节点和负责计算的 leaf 节点，两个 workspace：主 workspace 和只读workspace，以及对象存储（云存储）：其中包含数据文件、logs、快照文件。
2、测试数据分析
在上图右边是两个测试数据表：
- 表1：TPC-C 测试结果；
- 表2：TPC-H 测试结果；
- S2DB：SingleStore；
- CDB（Cloud Database）：云TP数据库；
- CDW（Cloud Data Warehouse）：云AP数仓；
从两个测试结果可以看到，对比同类产品，SingleStore 数据库，在扩展能力和综合处理能力方面有不错的表现。