数据库内核那些事｜PolarDB X-Engine：如何构建1/10成本的事务存储引擎？

1. 技术背景

云原生数据库PolarDB MySQL版是阿里云自研产品，100%兼容MySQL。产品具有多主多写、多活容灾、HTAP等特性。交易和分析性能最高分别是开源数据库的6倍和400倍，TCO低于自建数据库50%。

X-Engine引擎是PolarDB为用户提供的低成本，高性价比的解决方案，LSM-tree分层存储结合标准zstd压缩，在性能和成本做到了很好的平衡。在标准sysbench场景下，存储空间相比InnoDB引擎减少60%，读写性能降低10-20%。X-Engine引擎通过压缩减少了存储空间，但由于PolarStore这种分布式块存储面向高吞吐，低延迟的场景而设计，介质全部采用的是高端SSD和昂贵的RDMA网络，对于归档性和冷数据场景，压缩后存储成本依然较高。

1.1 对象存储的特性

云上的对象存储面向海量数据、低成本、高可靠的场景设计，可以很好的解决低成本存储诉求，产品包括AWS S3、Azure Blob storage、Alibaba OSS……这些存储系统的特点类似：

1. Key-Value的数据组织方式，key是数据的path，value是data object(file)；

2. 超低成本，以OSS对比PolarStore为例，成本下降10倍；

3. 超高扩展性，可以认为是近乎无限的存储容量；

4. 超高持久性，写入后不用担心数据的丢失；

5. 单次读取的延迟较大；

6. Data object(file)支持按字节偏移量的范围读，但写只能是追加写或者覆盖写，也就是partial read + overwrite。

以阿里云的对象存储产品OSS为例：

1.2 X-Engine为什么适合使用OSS

对象存储是基于对象的，每个对象都有一个唯一的标识符，并且不支持修改，因为文件的修改会产生多个版本，需要引入更为复杂的一致性管理并占用更多的存储空间。因此，对象存储只支持覆盖写。这种特性使对象存储并不适合用于就地更新的存储结构，写放大问题会比较严重，随机更新性能较弱。例如MariaDB提供的支持S3对象存储的低成本引擎，数据归档后并不支持修改，而且InnoDB到S3引擎的转换需要非常长的时间。

X-Engine是LSM-tree结构，使用Copy-on-Write(CoW)方式来写入新增数据至Memtable，等后续刷到磁盘上再由后台线程进行新旧数据的合并。相较于就地更新的存储结构，对象存储只支持覆盖写的特性对LSM-tree的影响并不大，LSM-tree能够很自然的支持对存储在对象存储上的归档数据进行更新。而且LSM-tree天然具有冷热分层的特性，上层的数据热，下层的数据冷，底层的数据量大于上层所有数据量之和。这种特性适合结合多种存储介质做分层存储，大部分数据存储在对象存储上，小部分数据存储在性能更高的介质上，同时兼顾性能和成本。

为此，X-Engine考虑结合OSS对象存储，进一步降低冷数据成本，同时保留MySQL生态特征。

1. 支持OSS介质的X-Engine表，将SST的内容都存储在OSS上。

2. L2数据存储在OSS上，增量部分仍然先写入到memtable，慢慢流转到OSS。

3. X-Engine内部的存储格式不变，仍然是extent->block组织方式。

4. RW和RO节点共享一份OSS数据。

5. Standby有单独的checkpoint+slog，有单独的一份PolarStore+OSS数据。

核心优势：

1. 归档表支持实时更新，无需来回转换引擎；

2. DDL变更支持归档OSS特性秒级完成，后台异步转换到OSS。

2. X-Engine适配OSS的挑战

X-Engine为了尽可能重用数据，以减少相邻两级（即Leveli和Leveli+1）之间合并所需的I/O次数，将合并的粒度划分为2 MB大小的Extent级别，并可进一步将粒度细化为16 KB的数据块。如果Compaction中涉及的某一范围的键与其他范围的键不重叠，只需更新Extent相应的元数据索引，而无需在磁盘上实际移动数据。但X-Engine使用OSS作为底层存储介质后，基于对象存储只支持追加写、覆盖写，不支持偏移写的特点，原先将一个物理文件逻辑上划分为多个Extent的文件管理方式将不再适用。

此外，对象存储在拥有超低成本、超高扩展性优势的同时，也牺牲了一定的读写性能。对象存储的网络时延较大，KB级别的小IO因网络时延会显得代价高昂，且不能充分利用对象存储的大带宽。因此，对象存储对大IO更为友好，更多用于湖仓的大数据分析。以下是OSS和本地Nvme SSD，不同大小IO的读取和写入速度对比。可以看到随着IO的增大，平均读取和写入速度均有所提升，但依然与本地Nvme SSD有数量级的差距。因此，X-Engine在使用OSS作为底层存储介质时，应尽可能的利用好介质本身的特点，尽量隐藏OSS与昂贵的PolarStore之间的性能差距。

3. X-Engine适配OSS

SIGMOD 2023《Disaggregating RocksDB A Production Experience》一文中，Meta将RocksDB架构于类对象存储的文件系统Tectonic（高延迟，追加写，适合大IO）的做法与本文类似。文章中提到，RocksDB需要弥补远程IO带来的延迟差距，通过两方面进行：Tectonic的优化，以及RocksDB的具体优化。Tectonic的优化例如缓存文件元数据，优化尾部延迟等，对标OSS内部的优化，不详细展开。而RocksDB的具体优化则包括：

1. 更改读写的IO size。比如将compaction read size设置为4-8MB，将SST文件大小设置在32MB到256MB。

2. 使用并行I/O。例如用户用MultiGet()读取太多键的场景，可以通过对同一SST文件中的键发出多个数据块的并行读取来减少延迟。

3. 使用预读，例如一个迭代器读取太多连续数据块的场景。

X-Engine的做法和上述优化在核心思路上是一样的，如尽量减少读取过程中的IO次数，将多次小IO优化成一次大IO；实现并行读和预读，为扫描提速等。下面将详细介绍。

3.1 文件管理

将数据存储在PolarStore上时，每一个物理文件文件内部按2M的Extent划分，每个Extent由若干个16k的变长Block组成。将数据存储在OSS上后，每一个Extent对应一个Object，也就是OSS上的一个文件，分配Extent时，通过OSS服务分配创建文件；回收Extent时，通过OSS服务删除文件。

➠ 空间回收

当某一个版本的静态数据被回收后，其包含的Extent就可能被释放掉用于接下来的再次写入。回收时需要拿元数据锁，如果调用OSS接口将Extent文件物理删除，会因为网络时延花费较多时间，阻塞Flush的进行。因此，对OSS上的文件进行空间回收需要先打标，实际删除物理文件交由后台线程进行。

3.2 读路径优化

➠ 点查

当选择将某张表转储到OSS上时，此时数据大概率是冷数据，不在row_cache中。当cache miss时，一次点查（主键）需要：

1. 打开table_reader。如果table_reader未在table_cache中，需要依次读取footer、index、properties等部分，并将filter block和index block缓存在block cache。对于多次Open过程中的多次小IO，优化成一次IO。

2. 根据索引读取data block，第二次IO。

此时最好的情况，是table_reader在table_cache中，在OSS上仅进行一次IO即可。最坏的情况，是table_reader不在table_cache中，此时需要进行两次IO。

➠ 范围查

一次范围查需要：

1. BlockPrefetchHelper和TablePrefetchHelper根据元数据进行预取优化，打开相应的table_reader并加入队列。

2. 根据范围，由DataBlockIter依次读取data block。

此时，如果range较大，那么依次读取data block会造成很多次小IO。OSS上，读取一个Extent的Block三次，所耗费的时间已经超过读取一整个Extent。因此对于OSS上的数据，需要一次缓存整个Extent，并对相应的缓存进行管理，做到查完即释放，不过度占用内存资源。优化后范围查询某个Extent，如果table_reader在cache里面只需访问一次，最多访问两次OSS，读性能有大幅提升。

3.3 宕机恢复

X-Engine的故障恢复是通过Checkpoint+Slog来恢复元数据，决定当前系统中哪些Extent在被使用，每个table的LSM-tree形状是怎样的，每个Level包含了多少Extent。对于OSS上的Extent，直接去标记已经使用的Extent，无需在OSS上读取任何数据。因此，将数据存储在OSS上对宕机恢复的速率没有任何影响。

3.4 一写多读支持

X-Engine的现有逻辑是通过回放redo-log同步增量写入，通过回放slog回放磁盘数据变化。数据放在OSS上后，RW和RO共享一份数据，且数据的高可用性由OSS服务保证。对于Standby，因为本身磁盘上的数据和RW是异构的，所以Standby独享一份数据。当用户发起建立OSS表的DDL时，只需要将元数据的属性同步给Standby即可，同步走原有的物理复制机制。

1. RW写表的OSS属性到redo；

2. Standby回放redo，修改元信息；

3. Standby感知到元数据属性发生变化；

4. Standby后续的Compaction动作在合并L2时写OSS。

3.5 后台任务管理

➠ Flush

不直接与OSS交互，L0到L1仍然写到PolarStore，合并到L2时，写到OSS。

➠ Compaction

Compaction过程中，需要读取OSS上的Extent。Xengine中将OSS上的compaction read size从Block(16KB)调整成Extent(2MB)，且后续还可以实现不同介质上不同大小的Extent，优化了OSS上数据Compaction的速率。经测试，数据在OSS上的Compaction性能比在SSD上约慢25%。因此，还需要根据不同介质上Compaction任务速度不同，相应的调整调度策略。

调度策略

Major Compaction的分数计算

原公式：

原公式l2numv/l1numv/10 将作为一个减分项，减弱大major合并的频率。对于L2层放到OSS上的情况，compaction的负担更重，这个减分项的权重理应占比更大。

Major Compaction时，生成的Compaction job的大小

在Major Compaction中，会先划分L1参与合并的Extent范围，再根据这个范围选择L2参与合并的Extent。随后，将参与Compaction的level1和level2的数据切分为不相交的batch，加入到生成的compaction task中。每个Compaction job对应多个compaction task，每个task有最大的extent数量限制，生成的Compaction job会进入队列循环执行。这样设计可以保证多个表之间的Compaction能够一起进行，且table之间的并发粒度已经能够利用好后台的Compaction线程，所以不支持表内不同层级的Compaction并发。

但是这样的设计，在持续写入且原表数据量已经很大的情况下存在问题。数据量很大时，一次Major Compaction任务可能涉及几万个extent的合并，在这个时间内L0->L1的compaction是被阻塞的，因此可能造成L0数据的堆压。如下图所示，蓝线为L0 extent数量，黄线为L1 extent数量，随着持续写入抖动变得越来越剧烈。

原策略划分L1参与合并的extent范围，是将以下范围内的extent进行合并。L1_extent是L1实际的extent数量，L1_trigger是L1触发合并的extent数量。

当写入压力很大且持续写入较长时间以后（例如写24h以上），0.4 * L1_extent的数量可能远大于L1_trigger，此时生成的compaction job会非常的大。我们希望调整策略，减小L1_merge_range的范围，从而减小生成的compaction job，避免L0发生数据堆积。

新策略：

新策略减小了当l1_extent > l1_trigger时（此时一般L2数据量较大，影响合并数量的主要因素是L2），进行合并的L1 extent数量。以默认参数l1_trigger = 1000，l1Max = 5000，compaction_task_extents_limit = 1000为例，原策略当L1=3000时，参加合并的L1 extent = 2000，加上L2参与合并的extent可能会被拆分成十几个task，在队列中循环十几次。新策略参加合并的L1 extent = 1200，在L2数量是影响合并的主因素的时候，可以让合并数量大约减少40%，避免一次compaction时间过久。修改后l0、l1数量稳定，避免了数据堆积。

4. 性能测试

本小节测试了相同配置下，X-Engine在不同介质上的性能表现。测试使用sysbench脚本，主要测试了几种典型的场景，包括插入、点查、范围查等。

4.1 插入

使用oltp_insert.lua脚本持续写入数据6h，其中黄线为SSD上数据写入QPS随时间变化图，蓝线为OSS上数据写入QPS随时间变化图。可以看到，因为前台写入还是先写到PolarStore介质上，随着Compaction任务再转储到OSS上，对写入性能影响不大。这与SIGMOD 2023《Disaggregating RocksDB A Production Experience》一文中的结果也是符合的。

4.2 点查

注：这里为了更好比较在不同介质上的速度差距，将所有数据都刷到了L2，这牺牲了本架构热数据在L0、L1，冷数据在L2的优势。同时，测试将row_cache、block_cache设置的很小以方便比较，而真实场景下查询有cache，介质的性能差距在命中cache时不会那么明显。

oltp_point_select.lua

SQL：SELECT c FROM sbtest%u WHERE id=?

该脚本中，一个事务包含的多条主键点查的SQL，id是连续增长的，因此多条查询会命中同一个block。访问OSS的时间开销被均摊，且压测并发线程数较多，能够把OSS带宽打上去，QPS和延时无明显下降。

select_random_points.lua

SQL：SELECT id, k, c, pad FROM sbtest1 WHERE k IN (?,?,?,...?)

select_random_points.lua中的SQL在当前数据量下，IN中1个k值对应约150个id，而这些id均匀分布在各个extent。此时需要先访问二级索引，再逐条数据回表访问主索引，过程中多次访问OSS。查询数据量/访问OSS次数比值较大时，OSS的网络时延成为查询耗时主要因素，和SSD的速度差距会凸显出来。

以下是k IN(?, ?)，IN中的值=1,2,4时候的QPS对比，每个k值差不多对应约150个均匀分布的id。可以看到，随着查询的数据量成倍增加，QPS成倍下降，latency也成倍上升，这是符合预期的。而对于OSS和SDD的对比，随着查询的数据量成倍增加，访问OSS的次数变多，QPS从下降24倍变成26倍，95% latency从慢16倍变成慢20倍。

4.3 范围查

select_random_ranges.lua

SQL: SELECT count(k) FROM sbtest.sbtest1 WHERE k BETWEEN ? AND ? OR BETWEEN ? AND ? ……;

该查询语句只获取二级索引的字段和主键字段，属于covering index，只需要访问二级索引本身。在range=50或500时，一个range都只读1-2个extent，一次查询访问OSS的次数不变，因此在OSS上的性能差距并不大。而对于SSD，是根据block进行读取，要读的block数量差了10倍，所以QPS下降，latency上升。当range = 50000时，一个range对应20个左右的extent，能更好的利用并行扫描和OSS的带宽，两种介质上测得的QPS和latency并无差距。

从结果来看，X-Engine使用OSS作为底层存储介质后，最适合大范围数据查询的场景，对于多次点查且数据分布较分散的场景则性能不佳。

5. 总结

从以上测试场景可以看到，将L2层放在OSS上后，对写入性能影响不大。对于读取性能，单次点查性能下降较小，而且单次点查本身耗时很短，变慢了也不明显。多次点查（Mutiget，例如使用二级索引且需要回表的场景）因为多次访问OSS，性能下降较为明显，而Mutiget同样也是论文《Disaggregating RocksDB A Production Experience》中性能下降较明显的场景，开启row_cache和block_cache后能有所缓解。范围查下性能下降最多30%，且后续还可以通过预读来进一步优化。

总而言之，将数据放到L2后，存储成本变为原来的1/10，性能的适度下降也是可以容忍的。