周世民，柴云鵬，王 良，王 鑫

(1．中國(guó)人民大學(xué)a．?dāng)?shù)據(jù)工程與知識(shí)工程教育部重點(diǎn)實(shí)驗(yàn)室;b．信息學(xué)院，北京100872;2．天津大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，天津300072)

1 概述

聯(lián)機(jī)事務(wù)處理(On-line Transaction Processing，OLTP)數(shù)據(jù)庫(kù)在IT系統(tǒng)中占有非常重要的地位，很多應(yīng)用系統(tǒng)大多離不開(kāi)數(shù)據(jù)庫(kù)，系統(tǒng)整體性能往往也由數(shù)據(jù)庫(kù)的性能所制約。因此，提升數(shù)據(jù)庫(kù)的性能具有非常重要的意義。傳統(tǒng)數(shù)據(jù)庫(kù)一般基于磁盤(pán)，磁盤(pán)具有穩(wěn)定、非易失、大容量、成本低等優(yōu)點(diǎn)，但主要的問(wèn)題是訪問(wèn)速度比較慢，因此不利于構(gòu)造高性能的數(shù)據(jù)庫(kù)。

近年來(lái)，閃存存儲(chǔ)得到長(zhǎng)足發(fā)展，不僅容量迅速增大，而且制造成本也逐漸降低，目前已經(jīng)以固態(tài)硬盤(pán)(Solid State Drive，SSD)的形式進(jìn)入了很多實(shí)際的存儲(chǔ)系統(tǒng)中，獲得實(shí)際的應(yīng)用。但SSD的成本目前仍然比磁盤(pán)高很多，因此目前多和磁盤(pán)構(gòu)成混合存儲(chǔ)，這樣既能提升系統(tǒng)性能，又能用較低的成本得到很大的存儲(chǔ)容量?；赟SD-磁盤(pán)混合存儲(chǔ)來(lái)構(gòu)造OLTP數(shù)據(jù)庫(kù)系統(tǒng)是一種提升數(shù)據(jù)庫(kù)性能的有效方法。

OLTP數(shù)據(jù)庫(kù)要處理大量的交易請(qǐng)求，既需要大量的查詢(xún)等讀操作，同時(shí)也需要更新表和索引，有大量的隨機(jī)寫(xiě)操作。在存儲(chǔ)層引入SSD，尤其是用來(lái)存儲(chǔ)一些訪問(wèn)頻繁的數(shù)據(jù)，能夠充分利用SSD的訪問(wèn)性能明顯高于磁盤(pán)的優(yōu)點(diǎn)，尤其是對(duì)于隨機(jī)讀寫(xiě)操作，從而提升OLTP數(shù)據(jù)整體的性能和服務(wù)能力。

但各種應(yīng)用情況下數(shù)據(jù)庫(kù)中數(shù)據(jù)特征、訪問(wèn)特征都有很大差別，數(shù)據(jù)庫(kù)不可能出廠時(shí)就確定一種普適的、面向混合存儲(chǔ)的數(shù)據(jù)分布優(yōu)化策略，最理想的情況就是在運(yùn)行時(shí)能夠自適應(yīng)，根據(jù)應(yīng)用特征自動(dòng)調(diào)節(jié)數(shù)據(jù)分布。

本文提出一種面向混合存儲(chǔ)的OLTP數(shù)據(jù)庫(kù)數(shù)據(jù)分布自適應(yīng)優(yōu)化算法，可自動(dòng)適應(yīng)應(yīng)用的特征，并通過(guò)觀測(cè)判斷各個(gè)數(shù)據(jù)元素的性能，從而在SSD和磁盤(pán)之間自動(dòng)形成理想的數(shù)據(jù)分布。

2 相關(guān)工作

2．1 閃存和固態(tài)硬盤(pán)

隨著閃存在容量上的迅速增長(zhǎng)和成本的降低，以閃存作為存儲(chǔ)介質(zhì)的新型固態(tài)硬盤(pán)已經(jīng)在企業(yè)得到實(shí)際的應(yīng)用。SSD最大的優(yōu)點(diǎn)就是隨機(jī)讀寫(xiě)性能高，較普通磁盤(pán)的讀寫(xiě)性能要高出1個(gè)～3個(gè)數(shù)量級(jí)［1］，其中隨機(jī)讀性能比隨機(jī)寫(xiě)性能更好。對(duì)于連續(xù)讀寫(xiě)操作，SSD較普通磁盤(pán)高出2倍～4倍［2］。

SSD的隨機(jī)和連續(xù)的讀性能都比相應(yīng)的寫(xiě)性能要高，這個(gè)特性稱(chēng)為讀寫(xiě)不平衡［3］，這不同于磁盤(pán)的讀寫(xiě)性能平衡的特性，在一些情況下可能帶來(lái)不利的影響。比如數(shù)據(jù)從一塊SSD讀出并寫(xiě)入另一塊SSD，那么由于讀性能高于寫(xiě)性能，讀操作就必須等待寫(xiě)操作。

SSD的另一個(gè)缺點(diǎn)是不支持寫(xiě)覆蓋［3］，和磁盤(pán)不同，SSD無(wú)法直接重用已經(jīng)寫(xiě)入數(shù)據(jù)的存儲(chǔ)單元，只有先進(jìn)行擦除操作后才能執(zhí)行下次的寫(xiě)操作。而且，對(duì)于每塊存儲(chǔ)單元，允許擦除的總次數(shù)是存在上限的，即SSD的使用壽命有限。在SSD內(nèi)部，如果部分存儲(chǔ)單元頻繁的執(zhí)行擦除寫(xiě)入操作，相應(yīng)的存儲(chǔ)芯片就很容易出現(xiàn)擦寫(xiě)壽命耗盡，從而變?yōu)閴膲K的問(wèn)題，從而導(dǎo)致SSD無(wú)法使用。目前主流SSD中閃存芯片的每個(gè)單元只能擦除5 000次～10 000次［4-5］。

2．2 OLTP數(shù)據(jù)庫(kù)和性能測(cè)試

數(shù)據(jù)庫(kù)產(chǎn)品一般可以簡(jiǎn)單分為聯(lián)機(jī)事務(wù)處理(OLTP)和聯(lián)機(jī)分析處理(On-line Analytical Processing，OLAP)兩大類(lèi)。OLTP是傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)的主要應(yīng)用形式，例如銀行交易等。OLTP數(shù)據(jù)庫(kù)對(duì)性能要求非常高，因此引入基于SSD的混合存儲(chǔ)能夠有效緩解I/O瓶頸，提升OLTP數(shù)據(jù)庫(kù)的性能。

針對(duì)OLTP數(shù)據(jù)的性能測(cè)試，一般都采用數(shù)據(jù)庫(kù)性能委員會(huì)發(fā)布的TPC-C測(cè)試［10］。TPC-C模擬了一個(gè)比較復(fù)雜并具有代表意義的OLTP應(yīng)用環(huán)境:一個(gè)大型的商品批發(fā)銷(xiāo)售公司，它擁有若干個(gè)分布在不同區(qū)域的商品倉(cāng)庫(kù)。當(dāng)業(yè)務(wù)擴(kuò)展時(shí)，公司將添加新的倉(cāng)庫(kù)。每個(gè)倉(cāng)庫(kù)負(fù)責(zé)為10個(gè)銷(xiāo)售點(diǎn)供貨，其中每個(gè)銷(xiāo)售點(diǎn)為3 00個(gè)客戶提供服務(wù)，每個(gè)客戶提交的訂單中，平均每個(gè)訂單有10項(xiàng)產(chǎn)品，所有訂單中約1%的產(chǎn)品在其直接所屬的倉(cāng)庫(kù)中沒(méi)有存貨，必須由其他區(qū)域的倉(cāng)庫(kù)來(lái)供貨。同時(shí)，每個(gè)倉(cāng)庫(kù)都要維護(hù)公司銷(xiāo)售的100 000種商品的庫(kù)存記錄。

2．3 基于SSD的混合存儲(chǔ)

盡管SSD在性能等方面有明顯的優(yōu)勢(shì)，但由于其價(jià)格相對(duì)較高，而且具有擦除壽命的限制，因此一般企業(yè)還是多以混合存儲(chǔ)的形式使用SSD，即由SSD和HDD來(lái)構(gòu)成混合存儲(chǔ)。具體混合的方式分為兩大類(lèi):(1)SSD作為內(nèi)存之下的二級(jí)緩存;(2)SSD代替部分磁盤(pán)，負(fù)責(zé)存儲(chǔ)一部分?jǐn)?shù)據(jù)。

由于SSD緩存接入系統(tǒng)就可以直接使用，不需要對(duì)原有系統(tǒng)進(jìn)行修改，因此現(xiàn)在基于這種結(jié)構(gòu)的技術(shù)比較多，包括:EMC 的 FAST Cache［6］，Intel的Turbo Memory［7］，Solaris ZFS 文件系統(tǒng)中 L2ARC 算法管理的閃存緩存［8］，以及Oracle數(shù)據(jù)庫(kù)中的智能閃存緩存［9］等。但是SSD緩存的主要挑戰(zhàn)是SSD的寫(xiě)入量太大，容易導(dǎo)致SSD較短時(shí)間就報(bào)廢。SSD代替部分磁盤(pán)構(gòu)成混合存儲(chǔ)的方案如果設(shè)計(jì)合理，可以避免寫(xiě)入量過(guò)大的問(wèn)題，也能夠得到更好的性能加速，也是本文所關(guān)注的方案。

3 自適應(yīng)優(yōu)化算法

3．1 數(shù)據(jù)分布自適應(yīng)優(yōu)化算法

圖1給出了數(shù)據(jù)分布自適應(yīng)優(yōu)化算法的流程，算法周期性執(zhí)行，每個(gè)周期中分為觀測(cè)、決策、數(shù)據(jù)遷移幾個(gè)主要步驟。

圖1 數(shù)據(jù)分布自適應(yīng)優(yōu)化分布算法流程

首先經(jīng)過(guò)較長(zhǎng)時(shí)間的觀測(cè)期，算法會(huì)記錄每個(gè)表和索引的訪問(wèn)特征，以便進(jìn)行后續(xù)的決策。在決策步驟中，會(huì)根據(jù)SSD的空間，以及各個(gè)表和索引的訪問(wèn)特征對(duì)其進(jìn)行排序，排序方法由具體的決策策略決定。在決策之后，算法會(huì)判斷是否需要執(zhí)行數(shù)據(jù)遷移方案:如果是第一次決策，SSD還是空白狀態(tài)，或者此次決策方案和目前SSD中存儲(chǔ)的數(shù)據(jù)差異較大，則執(zhí)行數(shù)據(jù)遷移;否則不執(zhí)行，此周期結(jié)束。如果需要執(zhí)行數(shù)據(jù)遷移，則目標(biāo)是將決策中排序最前面的若干個(gè)表和索引存入SSD中，直至SSD空間基本被占滿。

3．2 混合存儲(chǔ)優(yōu)化策略

自適應(yīng)數(shù)據(jù)分布優(yōu)化算法框架中，數(shù)據(jù)分布決策部分是整個(gè)算法的核心。但實(shí)際上算法框架可以支持多種決策策略，每種策略有自己的特點(diǎn)，可以在不同環(huán)境下選擇不同的策略。

(1)I/O吞吐量?jī)?yōu)先策略

SSD的數(shù)據(jù)訪問(wèn)性能全面高于磁盤(pán)。當(dāng)把SSD和磁盤(pán)組成混合存儲(chǔ)時(shí)，SSD應(yīng)該承擔(dān)更多的I/O訪問(wèn)，這樣才能充分發(fā)揮SSD的性能優(yōu)勢(shì);但是SSD的空間有限，因此SSD中單位容量的數(shù)據(jù)應(yīng)該承擔(dān)更多的I/O數(shù)據(jù)訪問(wèn)。具體來(lái)說(shuō)，數(shù)據(jù)庫(kù)中表和索引的按照rw/space因子進(jìn)行排序，rw/space因子的含義是某個(gè)數(shù)據(jù)元素(表或索引)單位存儲(chǔ)空間數(shù)據(jù)的讀寫(xiě)總量的貢獻(xiàn)值。

(2)I/O次數(shù)優(yōu)先策略

由于SSD相對(duì)于磁盤(pán)在隨機(jī)讀、寫(xiě)方面的性能優(yōu)勢(shì)更為明顯，因此應(yīng)該將小塊數(shù)據(jù)的隨機(jī)讀寫(xiě)請(qǐng)求更多的數(shù)據(jù)元素存儲(chǔ)的SSD上。如果將盡可能多的I/O次數(shù)放到SSD上，那么很多小塊數(shù)據(jù)的隨機(jī)訪問(wèn)都將由SSD承擔(dān)，而磁盤(pán)則承擔(dān)自己比較擅長(zhǎng)的連續(xù)讀寫(xiě)，即使訪問(wèn)的數(shù)據(jù)量較大，性能相對(duì)也會(huì)比較高。因此，本文提出的I/O次數(shù)優(yōu)先策略按照io/space因子對(duì)所有表和索引進(jìn)行排序。io指每秒鐘完成的I/O請(qǐng)求次數(shù)，它反映的是數(shù)據(jù)I/O訪問(wèn)的頻繁程度。io/space因子的含義是某個(gè)數(shù)據(jù)元素單位空間的數(shù)據(jù)對(duì)訪問(wèn)次數(shù)的貢獻(xiàn)值。

4 實(shí)驗(yàn)結(jié)果與分析

4．1 實(shí)驗(yàn)環(huán)境

OLTP數(shù)據(jù)庫(kù)的性能測(cè)試一般采用國(guó)際標(biāo)準(zhǔn)的TPC-C測(cè)試(見(jiàn)2．3節(jié)的介紹)，因此本文采用TPCC測(cè)試來(lái)進(jìn)行數(shù)據(jù)分布自適應(yīng)優(yōu)化算法的實(shí)驗(yàn)。實(shí)驗(yàn)中生成的TPC-C測(cè)試數(shù)據(jù)總量約為13 GB，其中所涉及的9個(gè)表和11個(gè)索引，它們各自所占空間如表1所示。

表1 TPC-C測(cè)試中表元素和索引元素所占空間

為進(jìn)行準(zhǔn)確的測(cè)試，在服務(wù)器上搭建了完整的實(shí)驗(yàn)環(huán)境。服務(wù)器為HP Proliant DL380，其中包括Intel Xeon E5-2609 CPU 2．40 GHz、16 GB 內(nèi)存、4 塊SAS 1 TB 7200RPM構(gòu)成的RAID5磁盤(pán)陣列，以及1塊三星的128 GB SSD。

數(shù)據(jù)庫(kù)軟件采用開(kāi)源的PostgreSQL，PostgreSQL是當(dāng)前最流行的對(duì)象關(guān)系型數(shù)據(jù)庫(kù)之一，主要用于OLTP應(yīng)用。其主要特點(diǎn)是開(kāi)源、功能完備、高可擴(kuò)展性、可編程性強(qiáng)等［11］。而TPC-C測(cè)試工具采用開(kāi)源的 BenchmarkSQL［12］。

4．2 性能測(cè)試

本部分在上述實(shí)驗(yàn)環(huán)境中應(yīng)用本文提出的數(shù)據(jù)分布自適應(yīng)優(yōu)化算法，分別測(cè)量了以下2種優(yōu)化策略的性能。性能指標(biāo)采用了TPC-C測(cè)試中常用的tpmC指標(biāo)，即平均每分鐘可以完成多少次事務(wù)處理。

(1)I/O吞吐量?jī)?yōu)先策略

I/O吞吐量?jī)?yōu)先策略在觀測(cè)階段會(huì)按照數(shù)據(jù)元素單位存儲(chǔ)空間的讀寫(xiě)訪問(wèn)總量對(duì)所有數(shù)據(jù)元素進(jìn)行排序，并優(yōu)先選擇排名靠前的數(shù)據(jù)元素進(jìn)入SSD存儲(chǔ)，TPC-C測(cè)試實(shí)驗(yàn)中排名前10位的數(shù)據(jù)元素如表2所示。

表2 I/O吞吐量?jī)?yōu)先策略對(duì)數(shù)據(jù)元素的排序

基于表2的結(jié)果，圖2給出了不同SSD大小的情況下，整個(gè)數(shù)據(jù)庫(kù)系統(tǒng)的tpmC值，即性能情況。由圖2可知，隨著混合存儲(chǔ)中SSD空間占總空間比重的增大，數(shù)據(jù)庫(kù)系統(tǒng)的性能提升非常明顯，基本上是線性增加。其中當(dāng)SSD空間占混合存儲(chǔ)總空間的比例約為40%左右時(shí)，性能提升更為迅速。

圖2 OLTP數(shù)據(jù)庫(kù)性能隨SSD空間增長(zhǎng)的變化曲線1

值得注意的是SSD空間比例在40%附近經(jīng)歷一個(gè)性能快速上升的階段后，有一個(gè)性能短暫下降的過(guò)程。其原因主要是增大SSD空間存儲(chǔ)更多內(nèi)容時(shí)，按照本文方案，SSD中新增內(nèi)容的熱度比之前有所下降;但新增數(shù)據(jù)卻要搶占有限的SSD訪問(wèn)帶寬。由于新增數(shù)據(jù)熱度和之前SSD中數(shù)據(jù)相差較大，因此導(dǎo)致性能有短暫的下降。

(2)I/O次數(shù)優(yōu)先策略

相對(duì)于前一種策略，I/O次數(shù)優(yōu)先策略更傾向于把小塊數(shù)據(jù)的隨機(jī)訪問(wèn)定向到混合存儲(chǔ)中的SSD，獲得更好的性能提升。在算法的觀測(cè)階段，I/O次數(shù)優(yōu)先策略會(huì)以數(shù)據(jù)元素單位存儲(chǔ)空間的讀寫(xiě)I/O總次數(shù)來(lái)作為排序標(biāo)準(zhǔn)。觀測(cè)結(jié)果如表3所示，其中，IO/space為單位存儲(chǔ)空間每小時(shí)的 IO次數(shù)。

表3 I/O次數(shù)優(yōu)先策略對(duì)數(shù)據(jù)元素的排序

基于表3的決策結(jié)果，圖3給出了不同SSD大小的情況下，整個(gè)數(shù)據(jù)庫(kù)系統(tǒng)的tpmC值。由圖3可知，I/O次數(shù)優(yōu)先策略的規(guī)律與I/O吞吐量?jī)?yōu)先策略非常相似，區(qū)別并不大。這也說(shuō)明不論是以吞吐量為標(biāo)準(zhǔn)，還是以I/O次數(shù)為標(biāo)準(zhǔn)，只要將I/O更集中的數(shù)據(jù)元素存儲(chǔ)于SSD，混合存儲(chǔ)方案對(duì)OLTP數(shù)據(jù)的性能提升效果就非常明顯，基本可以達(dá)到線性提升。投入越多的SSD，就可以得到近乎同比例的更高性能。

圖3 OLTP數(shù)據(jù)庫(kù)性能隨SSD空間增長(zhǎng)的變化曲線2

對(duì)于I/O吞吐量?jī)?yōu)先策略，SSD空間占比從5．5%提升到65．9%時(shí)，tpmC 可以提高到 5．44倍(1 220/224．3);而I/O次數(shù)優(yōu)先策略，當(dāng)SSD空間占比從5．5%提升到66．3%時(shí)，tpmC可以提高到5．53 倍(1 227．4/222．1)。

5 結(jié)束語(yǔ)

本文提出了一種基于混合存儲(chǔ)的OLTP數(shù)據(jù)庫(kù)的數(shù)據(jù)分布自適應(yīng)優(yōu)化算法，可通過(guò)自動(dòng)觀測(cè)決定數(shù)據(jù)庫(kù)在SSD和磁盤(pán)之間的優(yōu)化數(shù)據(jù)分布?；趯?shí)際數(shù)據(jù)系統(tǒng)的TPC-C實(shí)驗(yàn)結(jié)果證明，本文提出的優(yōu)化算法和2種優(yōu)化策略，可以實(shí)現(xiàn)OLTP數(shù)據(jù)庫(kù)性能的線性提升。

［1］ 陳明達(dá)．固態(tài)硬盤(pán)(SSD)產(chǎn)品現(xiàn)狀與展望［J］．移動(dòng)通信，2009，(11):29-31．

［2］ Bausch D，Petrov I，Buchmann A．On The Performance of Database Query Processing Algorithms on Flash Solid State Disks［C］//Proceedings of the 22nd International Workshop on DatabaseandExpertSystemsApplications．Toulouse，F(xiàn)rench:IEEE Press，2011:139-144．

［3］ Solid-state Revolution:In-depth on How SSDs Really Work［EB/OL］．(2013-10-21)．http://arstechnica．com/information-technology/2012/06/inside-the-ssd-re volution-how-solid-state-disks-really-work．

［4］ Andersen D，Swanson S．Rethinking Flash in the Data Center［J］．IEEE Micro，2010，30(4):52-54．

［5］ Gal E，Toledo S．Algorithms and Data Structures for Flash Memories［J］．ACM Computing Surveys，2005，37(2):138-163．

［6］ EMC．EMC FAST Cache:A Detailed Review［EB/OL］．(2011-12-12)．http://www．emc．com/collateral/soft ware/white-papers/h8046-clariion-celerra-unified-fast-ca che-wp．pdf．

［7］ Matthews J，Trika S，Hensgen D，et al．Intel? Turbo Memory:Nonvolatile Disk Cachesin the Storage Hierarchy of Mainstream Computer Systems［J］．ACM Transactions on Storage，2008，4(2)．

［8］ Bitar R．Deploying Hybrid Storage Pools with Sun Flash Technology and the Solaris ZFS file System［EB/OL］．(2011-02-13)．http://wikis．sun．com/download/attach ments/190326221/820-5881．pdf．

［9］ Oracle．Exadata Smart Flash Cache and the Sun Oracle Database Machine［EB/OL］．(2009-03-06)．http://www．oracle．com/technetwork/middleware/bifoundation/exadata-smart-flash-cache-twp-v5-1-128560．pdf．

［10］ TPC-C標(biāo)準(zhǔn)文檔［EB/OL］．(2010-05-06)．http://www．tpc．org/tpcc/spec/tpcc_current．pdf．

［11］ PostgreSQL Introduction［EB/OL］．(2013-08-09)．http://www．postgresql．org/about．

［12］ BenchmarkSQL［EB/OL］．(2014-09-10)．http://sourceforge．net/projects/benchmarksql．