ToplingDB的分布式Compact和RocksDB的RemoteCompaction有什么不同

ToplingDB的分布式Compact和RocksDB的RemoteCompaction不同之处：1、可靠性不同；2、可观测性不同等。可靠性不同是指 RocksDB 的 RemoteCompaction 还处在 Experimental 状态，ToplingDB 的分布式 Compact 已在托管 Todis 中使用多时。

一、ToplingDB的分布式Compact和RocksDB的RemoteCompaction不同之处

1、可靠性不同

• RocksDB 的 RemoteCompaction：还处在 Experimental 状态。
• ToplingDB 的分布式 Compact：已在托管 Todis 中使用多时，得到了充分的验证。

2、可观测性不同

• RocksDB 的 RemoteCompaction：只能查看 LOG。
• ToplingDB：通过引擎内嵌 Web，支持分布式 Compact 在线观测（长时间运行的演示实例）。

3、分布式 Compact 实现方式不同

• ToplingDB 的分布式 Compact：是通过将整个数据集分为多个分片，每个节点上都进行 Partial Compaction 操作来实现的。Partial Compaction 仅对每个分片进行压缩，压缩完成后，将新的分片发送给其他节点进行合并，最终形成整体的压缩结果。
• RocksDB 的 Remote Compaction：是将需要压缩的 SST 文件从源节点传输到目标节点，并在目标节点上执行 Compaction 操作。这种方式允许在远程节点上执行 Compaction 操作，在网络传输和数据合并方面也更加有效率。

4、数据传输方式不同

• ToplingDB 的分布式 Compact：采用点对点的方式进行数据传输，即将数据块直接从一个节点传输到另一个节点进行合并。在大规模分布式集群中，数据传输复杂度较高，可能会影响整个系统的性能。
• RocksDB 的 Remote Compaction：通过使用基于 TCP 的流式传输协议来实现数据传输。该协议允许数据在网络上传输时进行压缩和流式处理，同时减少了数据复制和存储所需的空间。

5、自适应压缩策略不同

• ToplingDB 的分布式 Compact：通过使用自适应压缩策略来调整 Compaction 操作的执行时间和频率。该策略根据定期测量的读写负载动态调整 Compaction 的执行时间和频率，以最大化的优化数据库的性能。
• RocksDB 的 Remote Compaction：则采用了类似的自适应压缩策略，但该策略还考虑了目标节点的 CPU 和磁盘 I/O 负载等因素，以最小化对目标节点的负载影响。

二、RocksDB介绍

1、简介

Rocksdb 是基于Google LevelDB研发的高性能kv持久化存储引擎，以库组件形式嵌入程序中，为大规模分布式应用在ssd上运行提供优化。RocksDB不提供高层级的操作，例如备份、负载均衡、快照等，而是选择提供工具支持将实现交给上层应用。正是这种高度可定制化能力，允许RocksDB对广泛的需求和工作负载场景进行定制。

2、架构

RocksDB 是一个基于键值对存储接口的存储引擎库，其中键和值是任意字节流。RocksDB 将所有数据按排序顺序组织起来，常用的操作有Get(key), NewIterator(), Put(key, val), Delete(key), 和SingleDelete(key)。

RocksDB 的三个基本结构是memtable、sstfile和logfile。memtable是一种内存数据结构 – 新的写入被插入到memtable中，并且可以选择写入日志文件（又名。Write Ahead Log(WAL)）。日志文件是存储上按顺序写入的文件。当 memtable 填满时，它会被刷新到存储上的sstfile，并且可以安全地删除相应的日志文件。对 sstfile 中的数据进行排序以方便查找键。

RocksDB使用布隆过滤器来判定键在哪个sst文件中。为了避免随机写，它将数据积累到内存中的memtable中，然后一次性刷写到硬盘中。RocksDB的文件是不可变的，一旦生成就不会继续写该文件。记录不会被更新或者删除，会生成一个新文件。这会在硬盘生成一些多余的数据，会需要数据库Compaction（压缩），Compaction文件会移除冗余的键值对并腾出空间。

3、RocskDB和LevelDB的区别

RocskDB结构和levelDB大同小异，只是多了一些改进：

• 增加了column family，有了列簇的概念，可把一些相关的key存储在一起
• 内存中有多个immute memtalbe，可防止Leveldb中的 write stall(写停顿)
• 可支持多线程同时compaction，理论上多线程同时compction会比一个线程compaction要快
• 支持TTL过期淘汰机制
• flush与compation分开不同的线程池来调度，并具有不同的优先级，flush要优于compation，这样可以加快flush，防止stall
• 对SSD存储做了优化，可以以in-memory方式运行
• 增加了对 write ahead log（WAL）的管理机制，更方便管理WAL，WAL是binlog文件
• 支持多种不同的compaction策略

三、ToplingDB介绍

1、简介

ToplingDB 是 较好ling 开发的 KV 存储引擎，fork 自 RocksDB，进行了很多改造，其中一个最重要的功能是分布式 Compact，将 Compact 从 DB 结点转移到由多个 DB 共享的计算集群中执行，实现了降本增效的目的。

2、Compact 中反查 DB

在一些应用中（例如 pika、kvrocks 等等），CompactionFilter 需要反查 DB(使用 DB::Get) 获取元数据，而在 Compact 服务中，只有 SST，没有 DB 对象，这就使得 CompactionFilter 无法在 Compact 服务中工作。

在 Todis 中，我们通过事先把 CompactionFilter 反查会用到的元数据捞出来，然后在 Compact 服务中访问，代替原本的 DB::Get，为此我们还对 Todis 的数据进行了针对性的编码。

在 kvrocks 中，因为数据的组织方式，无法通过编码在 Compact 服务中有效地代替原本的 DB::Get，所以，只有 metadata 才能支持分布式 Compact。kvrocks 中各种数据类型的 metadata 保存在一起，如果照搬 todis 的方案，事先捞数据，捞到的元数据很可能 99.9% 都是无用的元数据，例如 compact hash 数据时，事先捞出来的元数据可能大都是 string 数据。

延伸阅读1：数据库存储引擎是什么

存储引擎说白了就是如何存储数据、如何为存储的数据建立索引和如何更新、查询数据等技术的实现方法。因为在关系数据库中数据的存储是以表的形式存储的，所以存储引擎也可以称为表类型（即存储和操作此表的类型）。在Oracle 和SQL Server等数据库中只有一种存储引擎，所有数据存储管理机制都是一样的。而MySql数据库提供了多种存储引擎。用户可以根据不同的需求为数据表选择不同的存储引擎，用户也可以根据自己的需要编写自己的存储引擎。