9 存储性能优化

傷城~ 2023-01-19 07:14 79阅读 0赞

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70]

> 在网站应用中，海量的数据读写对磁盘访问造成巨大压力，虽然可以通过Cache解 决一部分数据读压力，但是很多时候，磁盘仍然是系统最严重的瓶颈。而且磁盘中存储 的数据是网站最重要的资产，磁盘的可用性和容错性也至关重要。

--------------------

### 1 机械硬盘vs.固态硬盘 ###

机械硬盘是目前最常用的一种硬盘，通过马达驱动磁头臂，带动磁头到指定的磁盘  
位置访问数据，由于每次访问数据都需要移动磁头臂，因此机械硬盘在数据连续访问（要  
访问的数据存储在连续的磁盘空间上）和随机访问（要访问的数据存储在不连续的磁盘空间）时，由于移动磁头臂的次数相差巨大，性能表现差别也非常大。机械硬盘结构如下

固态硬盘又称作SSD或Flash硬盘，这种硬盘没有机械装置，数据存储在可持久记  
忆的硅晶体上，因此可以像内存一样快速随机访问。而且SSD具有更小的功耗和更少的  
磁盘震动与噪声。SSD硬盘如图4.19所示。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70 1]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70 2]

在网站应用中，大部分应用访问数据都是随机的，这种情况下SSD具有更好的性能  
表现。但是目前SSD硬盘还不太成熟，可靠性、性价比有待提升，因此SSD的使用还在 摸索阶段。但是相信随着SSDI艺水平的提高，逐步替代传统机械硬盘是迟早的事。

--------------------

### 2 B+树 vs LSM 树 ###

本书前面提到，由于传统的机械磁盘具有快速顺序读写、慢速随机读写的访问特性,这个特性对磁盘存储结构和算法的选择影响甚大。

为了改善数据访问特性，文件系统或数据库系统通常会对数据排序后存储，加快数据检索速度，这就需要保证数据在不断更新、插入、删除后依然有序，传统关系式数据库的做法是使用B+树

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70 3]

B+树是一种专门针对磁盘存储而优化的N叉排序树，以树节点为单位存储在磁盘中,  
从根开始查找所需数据所在的节点编号和磁盘位置，将其加载到内存中然后继续查找, 直到找到所需的数据。

目前数据库多采用两级索引的B+树，树的层次最多三层。因此可能需要5次磁盘访  
问才能更新一条记录（三次磁盘访问获得数据索引及行ID,然后再进行一次数据文件读 操作及一次数据文件写操作）。

但是由于每次磁盘访问都是随机的，而传统机械硬盘在数据随机访问时性能较差,  
每次数据访问都需要多次访问磁盘影响数据访问性能。

目前许多NoSQL产品采用LSM树作为主要数据结构，如图4.21所示。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70 4]

LSM树可以看作是一个N阶合并树。数据写操作（包括插入、修改、删除）都在内 存中进行，并且都会创建一个新记录（修改会记录新的数据值，而删除会记录一个删除 标志），这些数据在内存中仍然还是一棵排序树，当数据量超过设定的内存阈值后，会将 这棵排序树和磁盘上最新的排序树合并。当这棵排序树的数据量也超过设定阈值后，和 磁盘上下一级的排序树合并。合并过程中，会用最新更新的数据覆盖旧的数据（或者记 录为不同版本）。

在需要进行读操作时，总是从内存中的排序树开始搜索，如果没有找到，就从磁盘 上的排序树顺序查找。

在LSM树上进行一次数据更新不需要磁盘访问，在内存即可完成，速度远快于B+ 树。当数据访问以写操作为主，而读操作则集中在最近写入的数据上时，使用LSM树可  
以极大程度地减少磁盘的访问次数，加快访问速度。

作为存储结构，B+树不是关系数据库所独有的，NoSQL数据库也可以使用B+树。 同理，关系数据库也可以使用LSM,而且随着SSD硬盘的日趋成熟及大容量持久存储的 内存技术的出现，相信B+树这一 “古老”的存储结构会再次焕发青春。

--------------------

### 3 RAID vs. HDFS ###

Raid （廉价磁盘冗余阵列）技术主要是为了改善磁盘的访问延迟，增强磁盘的可用 性和容错能力。目前服务器级别的计算机都支持插入多块磁盘（8块或者更多），通过使 用RAID技术，实现数据在多块磁盘上的并发读写和数据备份。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70 5]

假设服务器有N块磁盘。

**RAID0**

数据在从内存缓冲区写入磁盘时，根据磁盘数量将数据分成N份，这些数据同时并  
发写入N块磁盘，使得数据整体写入速度是一块磁盘的N倍。读取时也一样，因此RAID0 具有极快的数据读写速度，但是RAID0不做数据备份，N块磁盘中只要有一块损坏，数 据完整性就被破坏，所有磁盘的数据都会损坏。

**RAID1**

数据在写入磁盘时，将一份数据同时写入两块磁盘，这样任何一块磁盘损坏都不会  
导致数据丢失，插入一块新磁盘就可以通过复制数据的方式自动修复，具有极高的可靠性。

**RAID10**

结合RAID0和RAID1两种方案，将所有磁盘平均分成两份,  
入，相当于RAID1,但是在每一份磁盘里面的M2块磁盘上，利用RAIDO技术并发读写, 既提高可靠性又改善性能，不过RAID10的磁盘利用率较低，有一半的磁盘用来写备份数据。

**RAID3**

一般情况下，一台服务器上不会岀现同时损坏两块磁盘的情况，在只损坏一块磁盘 的情况下，如果能利用其他磁盘的数据恢复损坏磁盘的数据，这样在保证可靠性和性能 的同时，磁盘利用率也得到大幅提升。

在数据写入磁盘的时候，将数据分成N-1份，并发写入N-1块磁盘，并在第N块磁 盘记录校验数据，任何一块磁盘损坏（包括校验数据磁盘），都可以利用其他N-l块磁盘的数据修复。

但是在数据修改较多的场景中，修改任何磁盘数据都会导致第N快磁盘重写校验数据，频繁写入的后果是第N块磁盘比其他磁盘容易损坏，需要频繁更换，所以RAID3很少在实践中使用。

**RAID5**

相比RAID3,方案RAID5被更多地使用。

RAID5和RAID3很相似，但是校验数据不是写入第N块磁盘，而是螺旋式地写入所 有磁盘中。这样校验数据的修改也被平均到所有磁盘上，避免RAID3频繁写坏一块磁盘的情况。

**RAID6**

如果数据需要很高的可靠性，在岀现同时损坏两块磁盘的情况下（或者运维管理水 平比较落后，坏了一块磁盘但是迟迟没有更换，导致又坏了一块磁盘），仍然需要修复数 据，这时候可以使用RAID6。

RAID6和RAID5类似，但是数据只写入N-2块磁盘，并螺旋式地在两块磁盘中写入  
校验信息（使用不同算法生成）。

在相同磁盘数目（N）的情况下，各种RAID技术的比较如表4.3所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70 6]

RAID技术可以通过硬件实现，比如专用的RAID卡或者主板直接支持，也可以通过 软件实现。RAID技术在传统关系数据库及文件系统中应用比较广泛，但是在大型网站比 较喜欢使用的NoSQL,以及分布式文件系统中，RAID技术却遭到冷落。  
例如在HDFS （ Hadoop分布式文件系统）中，系统在整个存储集群的多台服务器上 进行数据并发读写和备份，可以看作在服务器集群规模上实现了类似RAID的功能，因此

HDFS以块（Block ）为单位管理文件内容，一个文件被分割成若干个Block,当应用 程序写文件时，每写完一个Block, HDFS就将其自动复制到另外两台机器上，保证每个 Block有三个副本，即使有两台服务器宕机，数据依然可以访问，相当于实现了 RAID1 的数据复制功能。

当对文件进行处理计算时，通过MapReduce并发计算任务框架，可以启动多个计算 子任务（MapReduce Task ）,同时读取文件的多个Block,并发处理，相当于实现了 RAID0 的并发访问功能。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70 7]

在HDFS中有两种重要的服务器角色：NameNode （名字服务节点）和DataNode （数 据存储节点）。NameNode在整个HDFS中只部署一个实例，提供元数据服务，相当于操 作系统中的文件分配表（FAT）,管理文件名Block的分配，维护整个文件系统的目录树 结构。DataNode则部署在HDFS集群中其他所有服务器上，提供真正的数据存储服务。

和操作系统一样，HDFS对数据存储空间的管理以数据块（Block ）为单位，只是比 操作系统中的数据块（512字节）要大得多，默认为64MBO HDFS将DataNode上的磁盘 空间分成N个这样的块，供应用程序使用。

应用程序（Client）需要写文件时，首先访问NameNode.请求分配数据块，NameNode根据管理的DataNode服务器的磁盘空间，按照一定的负载均衡策略，分配若干数据块供Client 使用。

当Client写完一个数据块时,HDFS会将这个数据块再复制两份存储在其他DataNode  
服务器上，HDFS默认同一份数据有三个副本，保证数据可靠性。因此在HDFS中，即使  
DataNode服务器有多块磁盘，也不需要使用RAID进行数据备份，而是在整个集群上进  
行数据复制，而且系统一旦发现某台服务器宕机，会自动利用其他机器上的数据将这台 服务器上存储的数据块自动再备份一份，从而获得更高的数据可靠性。  
HDFS配合MapReduce等并行计算框架进行大数据处理时，可以在整个集群上并发  
读写访问所有的磁盘，无需RAID支持。

--------------------

### 4 小结 ###

网站性能优化技术是在网站性能遇到问题时的解决方案。而网站的性能问题很多是 在用户高并发访问时产生的，所以网站性能优化的主要工作是改善高并发用户访问情况 下的网站响应速度。本章开篇所举的例子，当老板说“我们要改善网站性能”的时候， 他期望的是在A方案的基础上，不管是100个并发访问还是200个并发访问，响应时间 都能达到1秒。而架构师能做到的，则是利用分布式的方案改善网站并发特性，由于分 布式不可避免地会带来架构复杂、网络通信延迟等问题，所以最终设计出来的可能是B 方案：缩短高并发访问响应延迟的同时，却延长了原来低并发访问时的响应延迟。架构 师对这种可能性要心中有数，合理调整相关各方对性能优化的心理预期。

网站性能对最终用户而言是一种主观感受，性能优化的最终目的就是改善用户的体 验，使他们感觉网站很快。离开这个目的，追求技术上的所谓高性能，是舍本逐末，没 有多大意义。而用户体验的快或是慢，可以通过技术手段改善，也可以通过优化交互体 验改善。

即使在技术层面，性能优化也需要全面考虑，综合权衡：性能提升一倍，但服务器数量也需要增加一倍；或者响应时间缩短，同时数据一致性也下降，这样的优化是否可 以接受？这类问题的答案不是技术团队能回答的。归根结底，技术是为业务服务的，技 术选型和架构决策依赖业务规划乃至企业战略规划，离开业务发展的支撑和驱动，技术 走不远，甚至还会迷路。

前沿技术总是出现在前沿业务领域。近几年，以Google为首的互联网企业 领跑IT前沿技术潮流，是因为互联网企业的业务发展远超传统IT企业领域， 面临更多挑战，对IT系统提岀了更高的要求。

新技术的出现又会驱动企业开展新的业务。亚马逊等互联网公司利用自己 的技术优势进军企业级市场，以技术驱动业务，开展云计算、SaaS等新兴IT 业务，逐步蚕食IBM、HP、Oracle.微软等传统软件巨头的市场。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70]: /images/20221021/3b80761521774009963e85fe5722d077.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70 1]: /images/20221021/c892345cc1d742d2a8d737b1c5f2f510.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70 2]: /images/20221021/1a21fe75e04043c3a181853c20808569.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70 3]: /images/20221021/5fecd0be41c748a1b824a8961e2c78ac.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70 4]: /images/20221021/b82bad83e0b742d38c9d8dcb1739f56d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70 5]: /images/20221021/0bd39fa6cdc449aebfb0857f19bb8fb6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70 6]: /images/20221021/ac767843d05d47a3b2a006ae90a63621.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dBTlRBV0FZMzE0_size_16_color_FFFFFF_t_70 7]: /images/20221021/8b62366b39f04de483c4865eadff3fb0.png