An LSM Tree Augmented with B+ Tree on Nonvolatile Memory——论文泛读

TOS 2024 Paper 论文阅读笔记整理（持续更新）

问题

基于日志结构合并（LSM）树的键值存储，被广泛用于处理更新繁重的工作负载，因为LSM树将对存储设备的写入请求按顺序排列，以最大限度地提高存储性能。然而，这种仅追加的方法留下了许多频繁更新的键值对的过时副本，这些副本需要通过压缩操作定期清理。当系统负载适中时，压缩发生在后台。但在高系统负载下，它可能很快成为主要的性能瓶颈。

现有方法局限性

• 在DRAM中执行尽可能多的原地更新，以过滤同一密钥上的多个更新。然而，扩展DRAM大小并不是一个具有成本效益的解决方案。

• 在一定程度上放宽LSM树的仅附加特性，但会导致存储设备上随机写入的增加，最终降低写入吞吐量。

• 利用NVM优化键值存储，但要么只减少压缩频率[33]，要么只减少压缩时间[55]，但不能同时优化两者。SLM-DB[32]采用了更全面的方法来解决压缩开销，但其对更大数据集的可扩展性受到限制。

本文方法

本文提出了LAB-DB，在字节可寻址非易失性存储器（NVM）上用一对B+树来扩充现有的LSM树，解决压缩瓶颈并进一步提高基于LSM树的键值存储的写入吞吐量。通过利用NVM上的B+树进行原位更新，节省空间同时减少了压缩频率和压缩时间，从而降低了写入的压缩开销和读取的存储访问次数。

根据YCSB基准测试对RocksDB上的LAB-DB进行的评估，LAB-DB在两种写密集型工作负载A和F上分别实现了94%和67%的加速，在读密集型YCSB工作负载B、C、D和E上也实现了43%的加速。这种性能提升伴随着较低的NVM成本，NVM的大小仅为整个数据集的0.6%。

总结

针对LSM树压缩的优化。本文提出了LAB-DB，在NVM上用一对B+树扩充现有的LSM树，利用NVM上的B+树进行原位更新，节省空间同时减少了压缩频率和压缩时间，从而降低了写入的压缩开销和读取的存储访问次数。