時序數據庫連載系列: 時序數據庫一哥InfluxDB之存儲機制解析

2019獨角獸企業重金招聘Python工程師標準>>>

InfluxDB 的存儲機制解析

本文介紹了InfluxDB對于時序數據的存儲/索引的設計。由于InfluxDB的集群版已在0.12版就不再開源，因此如無特殊說明，本文的介紹對象都是指 InfluxDB?單機版

1. InfluxDB 的存儲引擎演進

盡管InfluxDB自發布以來歷時三年多，其存儲引擎的技術架構已經做過幾次重大的改動, 以下將簡要介紹一下InfluxDB的存儲引擎演進的過程。

1.1 演進簡史

版本0.9.0之前
**基于 LevelDB的LSMTree方案**
版本0.9.0～0.9.4
**基于BoltDB的mmap COW B+tree方案**
版本0.9.5～1.2
**基于自研的 WAL + TSMFile 方案**（TSMFile方案是0.9.6版本正式啟用，0.9.5只是提供了原型）
版本1.3～至今
**基于自研的 WAL + TSMFile + TSIFile 方案**

1.2 演進的考量

InfluxDB的存儲引擎先后嘗試過包括LevelDB, BoltDB在內的多種方案。但是對于InfluxDB的下述訴求終不能完美地支持：

時序數據在降采樣后會存在大批量的數據刪除
=> *LevelDB的LSMTree刪除代價過高*
單機環境存放大量數據時不能占用過多文件句柄
=> *LevelDB會隨著時間增長產生大量小文件*
數據存儲需要熱備份
=> *LevelDB只能冷備*
大數據場景下寫吞吐量要跟得上
=> *BoltDB的B+tree寫操作吞吐量成瓶頸*
存儲需具備良好的壓縮性能
=> *BoltDB不支持壓縮*

此外，出于技術棧的一致性以及部署的簡易性考慮（面向容器部署），InfluxDB團隊希望存儲引擎與其上層的TSDB引擎一樣都是用GO編寫，因此潛在的RocksDB選項被排除

基于上述痛點，InfluxDB團隊決定自己做一個存儲引擎的實現。

2 InfluxDB的數據模型

在解析InfluxDB的存儲引擎之前，先回顧一下InfluxDB中的數據模型。

在InfluxDB中，時序數據支持多值模型，它的一條典型的時間點數據如下所示：

圖 1

measurement:
指標對象，也即一個數據源對象。每個measurement可以擁有一個或多個指標值，也即下文所述的**field**。在實際運用中，可以把一個現實中被檢測的對象（如：“cpu”）定義為一個measurement
tags:
概念等同于大多數時序數據庫中的tags, 通常通過tags可以唯一標示數據源。每個tag的key和value必須都是字符串。
field:
數據源記錄的具體指標值。每一種指標被稱作一個“field”，指標值就是 “field”對應的“value”
timestamp:
數據的時間戳。在InfluxDB中，理論上時間戳可以精確到 **納秒**（ns）級別

此外，在InfluxDB中，measurement的概念之上還有一個對標傳統DBMS的?Database?的概念，邏輯上每個Database下面可以有多個measurement。在單機版的InfluxDB實現中，每個Database實際對應了一個文件系統的?目錄。

2.1 Serieskey的概念

InfluxDB中的SeriesKey的概念就是通常在時序數據庫領域被稱為?時間線?的概念, 一個SeriesKey在內存中的表示即為下述字符串(逗號和空格被轉義)的?字節數組(http://github.com/influxdata/influxdb/model#MakeKey())

{measurement名}{tagK1}={tagV1},{tagK2}={tagV2},...

其中，SeriesKey的長度不能超過 65535 字節

2.2 支持的Field類型

InfluxDB的Field值支持以下數據類型:

DatatypeSize in MemValue RangeFloat8 bytes1.797693134862315708145274237317043567981e+308 ~ 4.940656458412465441765687928682213723651e-324Integer8 bytes-9223372036854775808 ～ 9223372036854775807String0～64KBString with length less than 64KBBoolean1 bytetrue 或 false

在InfluxDB中，Field的數據類型在以下范圍內必須保持不變，否則寫數據時會報錯?類型沖突。

同一Serieskey + 同一field + 同一shard

2.3 Shard的概念

在InfluxDB中，?能且只能?對一個Database指定一個?Retention Policy?(簡稱:RP)。通過RP可以對指定的Database中保存的時序數據的留存時間(duration)進行設置。而?Shard?的概念就是由duration衍生而來。一旦一個Database的duration確定后, 那么在該Database的時序數據將會在這個duration范圍內進一步按時間進行分片從而時數據分成以一個一個的shard為單位進行保存。

shard分片的時間與 duration之間的關系如下

Duration of RPShard Duration< 2 Hours1 Hour>= 2 Hours 且 <= 6 Months1 Day> 6 Months7 Days

新建的Database在未顯式指定RC的情況下，默認的RC為?數據的Duration為永久，Shard分片時間為7天

注: 在閉源的集群版Influxdb中，用戶可以通過RC規則指定數據在基于時間分片的基礎上再按SeriesKey為單位進行進一步分片

3. InfluxDB的存儲引擎分析

時序數據庫的存儲引擎主要需滿足以下三個主要場景的性能需求

大批量的時序數據寫入的高性能
直接根據時間線(即Influxdb中的?Serieskey?)在指定時間戳范圍內掃描數據的高性能
間接通過measurement和部分tag查詢指定時間戳范圍內所有滿足條件的時序數據的高性能

InfluxDB在結合了1.2所述考量的基礎上推出了他們的解決方案，即下面要介紹的?WAL + TSMFile + TSIFile的方案

3.1 WAL解析

InfluxDB寫入時序數據時為了確保數據完整性和可用性，與大部分數據庫產品一樣，都是會先寫WAL,再寫入緩存，最后刷盤。對于InfluxDB而言，寫入時序數據的主要流程如同下圖所示：

圖 2

InfluxDB對于時間線數據和時序數據本身分開，分別寫入不同的WAL中，其結構如下所示：

索引數據的WAL

由于InfluxDB支持對Measurement，TagKey，TagValue的刪除操作，當然隨著時序數據的不斷寫入，自然也包括?增加新的時間線，因此索引數據的WAL會區分當前所做的操作具體是什么，它的WAL的結構如下圖所示

圖 3

時序數據的WAL

由于InfluxDB對于時序數據的寫操作永遠只有單純寫入，因此它的Entry不需要區分操作種類，直接記錄寫入的數據即可

圖 4

3.2 TSMFile解析

TSMFile是InfluxDB對于時序數據的存儲方案。在文件系統層面，每一個TSMFile對應了一個?Shard。

TSMFile的存儲結構如下圖所示:

圖 5

其特點是在一個TSMFile中將時序數據（i.e Timestamp + Field value）保存在數據區；將Serieskey 和 Field Name的信息保存在索引區，通過一個基于 Serieskey + Fieldkey構建的形似B+tree的文件內索引快速定位時序數據所在的?數據塊

注：在當前版本中，單個TSMFile的最大長度為2GB，超過時即使是同一個Shard，也會繼續新開一個TSMFile保存數據。本文的介紹出于簡單化考慮，以下內容不考慮同一個Shard的TSMFile分裂的場景

索引塊的構成
上文的索引塊的構成，如下所示：?*圖 6*

其中 **索引條目** 在InfluxDB的源碼中被稱為`directIndex`。在TSMFile中，索引塊是按照 Serieskey + Fieldkey **排序** 后組織在一起的。明白了TSMFile的索引區的構成，就可以很自然地理解InfluxDB如何高性能地在TSMFile掃描時序數據了：1. 根據用戶指定的時間線（Serieskey）以及Field名 在 **索引區** 利用二分查找找到指定的Serieskey+FieldKey所處的 **索引數據塊**
2. 根據用戶指定的時間戳范圍在 **索引數據塊** 中查找數據落在哪個（*或哪幾個*）**索引條目**
3. 將找到的 **索引條目** 對應的 **時序數據塊** 加載到內存中進行進一步的Scan*注：上述的1，2，3只是簡單化地介紹了查詢機制，實際的實現中還有類似掃描的時間范圍跨索引塊等一系列復雜場景*<br>

時序數據的存儲
在圖 2中介紹了時序數據塊的結構：即同一個 Serieskey + Fieldkey 的所有時間戳 - Field值對被拆分開，分成兩個區：Timestamps區和Value區分別進行存儲。它的目的是：實際存儲時可以分別對時間戳和Field值按不同的壓縮算法進行存儲以減少時序數據塊的大小
采用的壓縮算法如下所示：
- Timestamp：?Delta-of-delta encoding
- Field Value：由于單個數據塊的Field Value必然數據類型相同，因此可以集中按數據類型采用不同的壓縮算法
  - Float類:?Gorrila's Float Commpression
  - Integer類型: Delta Encoding + Zigzag Conversion + RLE / Simple8b / None
  - String類型:?Snappy Compression
  - Boolean類型: Bit packing

做查詢時，當利用TSMFile的索引找到文件中的時序數據塊時，將數據塊載入內存并對Timestamp以及Field Value進行解壓縮后以便繼續后續的查詢操作。