數(shù)據(jù)存儲在實際應(yīng)用中，就是怎么用數(shù)據(jù)庫把我們的業(yè)務(wù)數(shù)據(jù)保存起來。從宏觀角度看，大致包含三大類技術(shù)：B-TREE，LSM&SSTable，列式存儲。雖然主流的關(guān)系型數(shù)據(jù)庫，如Oracle、MySQL（innodb）都是采用B-TREE，但是兩者其實并沒有綁定關(guān)系，比如TokuDB，作為MySQL的存儲引擎之一也是使用LSM作為其核心思想；NewSQL中的TiDB雖然也是基于關(guān)系模型的，但是底層的存儲引擎使用RocksDB，也是基于LSM&SSTable。底層技術(shù)處于互相學(xué)習(xí)和融合之中。

　　B-TREE

　　B-TREE和關(guān)系模型同步出現(xiàn)于70年代，到90年幾乎占領(lǐng)了所有的數(shù)據(jù)庫市場。B-TREE簡單的理解就是多葉節(jié)點的樹，每個葉節(jié)點并非是每行數(shù)據(jù)，而是數(shù)據(jù)庫的的數(shù)據(jù)塊。這么設(shè)計的原因是樹的層次影響著搜索性能，而且磁盤的讀寫是基于塊（BLOCK）的，使用塊可以大大減少節(jié)點數(shù)量，進而減少樹的層次。

　　B-TREE的特點在于讀寫性能比較穩(wěn)定，響應(yīng)時間和磁盤隨機讀寫的時間成正比（10ms）。并且由于B-TREE對應(yīng)到數(shù)據(jù)庫的每條記錄，可以很容易的實現(xiàn)事務(wù)、行鎖和隔離級別。讀性能略高于LSM算法。而且B-TREE基于塊的存儲方式，可以很容易的把內(nèi)存中的塊和磁盤上的塊一一對應(yīng)起來，很容易的實現(xiàn)緩存。在實際應(yīng)用中，前2-3級節(jié)點內(nèi)都可以在緩存中讀取，由此大大提高了訪問效率。

　　而不足在于真正面對海量數(shù)據(jù)時（如數(shù)據(jù)量進入到百億級別時），由于樹層數(shù)和緩存比率的減少，會導(dǎo)致性能逐步下降。此外由于B-TREE在寫入時也需要通過搜索定位到葉節(jié)點，因此相對于LSM，其寫入時開銷較大。PS：其實現(xiàn)在已經(jīng)出現(xiàn)了分布式的B-TREE，比如oracle的localeindex。

　　LSM&SSTable

　　目前主流的存儲架構(gòu)還是磁盤+內(nèi)存，磁盤順序讀寫的性能高于隨機讀寫三個數(shù)量級，而在內(nèi)存中進行隨機讀寫的的性能也大于磁盤的三個數(shù)量級，可以得出用磁盤當做磁帶一樣只做順序讀寫，而把內(nèi)存當做磁盤，提供所有的隨機讀寫訪問的總體思想，這也就是出LSM-Tree的算法。

　　簡單說就是在內(nèi)存中維護一張MemTable，把所有最新的數(shù)據(jù)都寫到其中，所有數(shù)據(jù)依據(jù)key值進行排序（隨機讀寫）。當MemTable的大小到大閾值之后，把它寫到磁盤上，形成一個個的SSTable（順序?qū)懀?。每個SSTable構(gòu)造一個索引，由于SSTable中的數(shù)據(jù)都是排好序的，所以索引較小，可以保存在內(nèi)存里面，所以所有的索引搜索動作都是在內(nèi)存進行的（隨機讀）。

　　每次查找的過程如下：首先在MemTable中搜索（內(nèi)存隨機查找），如果沒有依次在每個SSTable的索引中查找（內(nèi)存隨機查找）。把查找從磁盤隨機動作變成了基于內(nèi)存的隨機動作。隨著SSTable的增多，搜索的次數(shù)會增加，為了提高性能，后臺會把多個SSTable合并為一個（如HBase、LevelDB等等）。并且提供布隆過濾器（BloomFilter）來過濾掉不需要的SSTable。從總體效果上看，寫入的效率大大高于基于B-Tree的存儲引擎，而讀取性能接近于B-Tree。

　　LSM&SSTable在寫入密集型應(yīng)用中有較大優(yōu)勢，同時在讀取方面也有不錯的表現(xiàn)。不足之處在于上面提到的，不定期對增加的SSTable進行合并時，對于數(shù)據(jù)庫會產(chǎn)生一定壓力。

　　由于這些特點，LSM&SSTable大量應(yīng)用于許多組件中，比如HBase、LevelDB等KeyValue數(shù)據(jù)庫中，同時也在消息引擎Kafka和搜索引擎Solr使用。

　　列式存儲

　　以上兩種存儲引擎主要適合于聯(lián)機場景，如有大量的基于客戶各類行為數(shù)據(jù)的批量計算的推薦系統(tǒng)中，以及預(yù)計客戶的流動性缺口等等。在這些場景中，列式存儲在性能上有非常明顯的優(yōu)勢。隨著各類大數(shù)據(jù)應(yīng)用的擴展，列式存儲從和Hive共生的ORC，到和Spark共生的Parquet也被應(yīng)用到了各個數(shù)據(jù)分析應(yīng)用中。

　　從傳統(tǒng)的數(shù)據(jù)分析類應(yīng)用，到人工智能應(yīng)用，都需要遍歷整個數(shù)據(jù)集，上面也提到磁盤在順序讀寫和隨機讀寫性能方面的巨大差距，所以所有的數(shù)據(jù)倉庫都會在全表遍歷中采用磁盤順序遍歷。所以遍歷的文件空間越小，性能越高。列式存儲按列對數(shù)據(jù)進行保存，以減少數(shù)據(jù)庫每次訪問的文件尺寸。

　　首先，分析應(yīng)用一般局限于對于表中的部分字段都分析，列是存儲可以讓引擎只訪問部分字段，減少吞吐量。其次，列式存儲數(shù)據(jù)壓縮能力更強。因為行級別的存儲方式壓縮是基于數(shù)據(jù)塊，壓縮比大致為50%-70%左右，而且壓縮比越大，解壓縮對于CPU的占用也越大。由于單列內(nèi)的數(shù)據(jù)非常類似，尤其是各種碼值類的數(shù)據(jù)，比如性別（男、女、其他），行數(shù)越多，壓縮比越大。10億客戶的性別，也可以簡單的表達為如下這樣：“連續(xù)100個男性、連續(xù)50個女性、又連續(xù)80個男性、連續(xù)70個女性”，按照每行的位置依次表達下去。

　　再次，同樣由于列內(nèi)數(shù)據(jù)的取值范圍有限，也可通過位圖來表達，比如10表示男，01表示女，因此只用2個bit就可以表示出來，從而進一步增加壓縮比。在在許多場景中能夠把以前數(shù)G的數(shù)據(jù)壓縮為幾百K。由此可以顯著降低批量計算時對于存儲的吞吐壓力和提升計算效率。

　　當然列式存儲也并非完美，在更新時列式存儲相對行式存儲，很難直接做到就地修改的效果，往往需要把整列鎖住，重新計算，重新生成整個列。所以列式存儲更多的適合于數(shù)據(jù)分析時需要全表遍歷的場景。

　　數(shù)據(jù)存儲總結(jié)

　　綜合考慮上面三種存儲方式的優(yōu)勢和不足。推薦系統(tǒng)根據(jù)應(yīng)用訪問數(shù)據(jù)的特點把數(shù)據(jù)分布到了不同的存儲機制中。

　　對于需要提供事務(wù)、鎖，數(shù)據(jù)量不特別大的場景中，采用基于B-TREE的存儲機制，例如合約簽訂，合約執(zhí)行等業(yè)務(wù)需要數(shù)據(jù)庫提供多行的事物處理，而且數(shù)據(jù)量和交易量不是特別大，把數(shù)據(jù)保持在傳統(tǒng)關(guān)系型數(shù)據(jù)庫中，也正好利用了B-TREE的優(yōu)點。

　　對于訪問數(shù)據(jù)量，以及每日新增、修改量特別大的場景，采用LSM&SSTable作為存儲引擎，例如客戶的標簽數(shù)據(jù)，數(shù)據(jù)量達到百億級，每日增量也可達上億記錄，數(shù)據(jù)保存在HBase數(shù)據(jù)庫中，可以較為輕松，在數(shù)十分鐘之內(nèi)就可完成批量更新，而查詢響應(yīng)時間也沒有隨著數(shù)據(jù)量的增加而變慢，仍然保證在幾毫秒以內(nèi)。

　　最后是列式存儲，它適合于數(shù)據(jù)分析類場景，如進行客戶流動性預(yù)測、客戶投資方案生成這類分析場景中，需要對于數(shù)據(jù)進行反復(fù)遍歷的操作，最終采用的方案是把數(shù)據(jù)從原來的產(chǎn)品數(shù)據(jù)庫中導(dǎo)出后存到Hadoop集群的HDFS中采用Parquet格式存儲數(shù)據(jù)，后繼采用Spark來訪問時，遍歷數(shù)據(jù)的時間可以控制在數(shù)分鐘級別。