注册
关闭
区块链智慧谷

区块链智慧谷

发布于 4周前 阅读数 6166

一文详解连续型数据高效存储之道

【前言】

在《打破K/V存储的性能瓶颈》中,我们提到区块链中的数据可以分为「连续型数据」和「K/V型数据」,并对K/V型数据的特点及读写进行了阐述。我们以leveldb为例,了解到K/V数据在存储时采用LSM-Tree的组织形式,存储方式相对而言比较复杂,数据读写的复杂度也较高,且在数据量大的情况下会遇到性能下降的问题。针对这些问题,我们已经提出了一些优化思路,但这种数据格式读写的性能存在天然的缺陷。而优化思路里也提到,leveldb的归并操作是为了让SSL Table的key变得有序,说明有序的数据在读写方面有天然优势

区块链中也有很多数据是有序的。因此,本文将重点讨论连续型数据的特点和连续型数据的读写方式,并根据实际场景中会遇到的问题提出我们的优化思路。

【连续型数据的特点】

连续型数据,顾名思义,最大的特点就是连续。我们可以把连续型数据当做一种特殊的K/V数据,只不过其key值是单调递增的。

“那么在区块链中,什么样的数据是连续的呢?”

区块链中有一个重要的概念:区块号,就是单调递增的。区块链是一个账本,记下来的账是只增不减的,区块也是不断向后追加的。因此,以区块号为单位存储的数据就可以认为是连续型数据。在上一篇推文中,我们提到除了区块数据以外,回执数据、修改集数据也是连续型数据,这是因为每一条回执,每一条世界状态修改记录,都对应于一笔交易,而交易是区块的组成部分,因此这些数据也可以以区块为单位来存储。

一文详解连续型数据高效存储之道

任何数据存储的目的都是为了查询,因此我们在存储连续型数据的同时,需要考虑对这些数据的查询需求。一般来说,对于区块和交易数据,会有以下查询需求:

1)给定一个区块号,查询对应的整个区块数据;

2)给定一个区块哈希,查询对应的整个区块数据;

3)给定一个交易哈希,查询这笔交易的详细信息;

面对这样的查询需求,我们在设计数据库时需要考虑如何支持这些查询。

▲ 以太坊

连续型数据作为一种特殊的K/V型数据,自然也可以用K/V数据库来存储,例如以太坊就是这样存的。在以太坊中[1],所有数据均存储在leveldb中,区块和交易相关的数据存储方式如下:

(H) + Block Hash -> Block Number

(h) + Block Number + (n) -> Block Hash

(h) + Block Number + Block Hash -> Block Header

(b) + Block Number + Block Hash -> Block Body

(l) + Tx Hash -> Block Number

区块数据直接存储在leveldb当中,以区块号和区块哈希为key来进行查询。这样的存储方式很方便,可以根据区块哈希或区块号快速查询到区块内容。但这种方式存储下,leveldb的数据量会很大,数据的读写速度也会受到影响。

▲ Hyperledger Fabric

超级账本也是使用键值对数据库存储检索信息,但是额外使用了文件存储系统管理区块数据。通过内存映射文件的方式提高了数据查询的性能,但在多个索引或撤消历史记录的功能上存在局限。对于Fabric[2]的数据存储来说,一般都包含两种方式,如下图所示:

• 文件形式存储,用于记录交易日志信息,所有的交易都是有序地连接在一起;

• NoSQL形式存储,使用LevelDB数据库实现保存索引信息的历史记录。

一文详解连续型数据高效存储之道

Hyperledger Fabric中,账本目录中由blockfile_000000、blockfile_000001 命名格式的文件名组成。为了快速检索区块数据,每个文件的大小是64M。每个区块的数据(区块头和区块里的所有交易)都会序列化成字节码的形式追加写入 blockfile 文件中。在Fabric中,其索引组织格式如下:

(h) + Block Hash -> Block Loc

(n) + Block Number -> Block Loc

(t) + len(TxID) + TxID + Block Number + Tx Number -> TxIDIndexValue

这里的Block Loc表示数据在哪个blockfile中以及其偏移量。在Fabric中要根据区块号或区块哈希查询一个区块,将先在leveldb中查询索引,获取Block Loc之后在文件系统中查询区块。

相比于以太坊而言,Fabric将区块数据存在文件中,大大降低了NoSQL数据库的存储压力,且索引中直接标识数据位置,可以很快在文件中读取到区块数据。

【连续型数据存储设计】

事实上,无论是以太坊还是Fabric,都没有完全利用连续型数据的特点:根据key值来计算偏移量。例如我们知道key为100的数据的位置,就能够推断出,key为200的数据与该位置相差100条数据,这个特点有利于我们快速查找数据。因此,根据偏移量的特点,我们可以进一步减少读写数据的开销。

一文详解连续型数据高效存储之道

连续型数据库的整体结构图

数据库由多个log segment组成,每一个log segment由一个后缀为.log和一个后缀为.idx的文件组成,分别用于存储数据和对应的索引数据。

一文详解连续型数据高效存储之道

log segment的结构图

数据以文件的方式记录到磁盘中,log 为后缀的文件记录原数据的信息,idx为后缀的文件记录以 log 文件为单位的文件索引信息,用于快速定位需要查找的数据位置,每一个log文件都配套有一个相同前缀的idx文件。文件名前缀均为文件中存储的第一条数据的偏移量数值。每一个log文件都有大小限制,当文件超过该限制时,新打开一个文件用于后续数据写入。

我们采用log segment里的第一条数据的key值作为文件名,也是利用到了数据有序这个特点,使用时间复杂度更低的二分查找来快速确认某一条数据位于哪个log segment中。在这样的数据结构下,数据的读写效率将变得非常高。

对于一次写入操作,就根据数据构造一条Log Entity和一条Index Entity,直接追加写入到最后一个文件末尾即可。对于一次读取操作,首先根据要读取的数据的key值,使用二分查找找到该数据所在的log文件中,然后根据该key值相对于文件名的偏移量,计算索引所在位置 。计算方式如下:

索引位置 = 偏移量 * IndexEntitySize

其中IndexEntitySize的值是一个常量,在我们的设计里大小为17byte,偏移量表示key值相对于文件名的差值。通过计算,可以快速定位到当前key对应数据在文件中位置。通过位置信息,可以读取 IndexEntity,得到其中的 position 字段,找到log文件中的真实读取位置,然后根据 log 字段中的 size 得到应该读取的字节范围。

在这样的设计之下,一次数据写入操作只需要两次磁盘IO,一次读取操作只需要三次磁盘IO(一次读Index Entity,一次读Log Entity的header,一次读Log Entity的data)。相比于LeveDB复杂的数据组织格式,读写效率大大提高。此外,数据量的增大只会增加文件个数,即稍微增加二分查找的时间,但这点计算时间几乎可以忽略不计,也就是说,该数据库随着数据的增大性能不会衰减

下图为我们设计的连续型数据库相比于LevelDB,可以看出连续型数据库的读写性能远高于LevelDB。

一文详解连续型数据高效存储之道

【功能完善与优化】

设计这样一个数据库时,初衷是为了能更高效地存储区块数据,让我们的平台拥有更高的性能。随着平台逐渐成熟,我们也不断完善数据库,使其不仅读写效率高,还具有很好的鲁棒性健壮性,因此我们还从多个角度对我们的数据库进行功能完善和优化,期望能够适应更复杂的存储环境以及更安全地存储数据。

▲ 句柄池

在数据库使用过程中,不知道大家会不会经常遇到too many open files的问题?那是因为,我们的操作系统对程序中可打开的「句柄数量」是有限制的。为了解决内存中打开的文件句柄过多的问题,更高效地利用句柄,我们引入了一种句柄池的机制来解决上述问题。句柄池的设置能够保证单位时间内句柄的占用内存小,在并发读取下也是线程安全的。

一文详解连续型数据高效存储之道

整体架构设计

图中每个句柄entry维护文件名、句柄以及一个引用计数。我们用引用计数表示在当前时间,该句柄在多少个地方正在被使用。只有没有进程在使用该句柄,即句柄引用计数为0的时候句柄才能被关闭。句柄池对外只提供句柄的申请归还接口。

实际使用过程中,句柄的申请和归还是一个频繁的并发操作,单个句柄池难以同时维护高并发情况下各个句柄的申请与归还。例如刚好要清理句柄时,又出现了该句柄的申请请求,单个句柄池只能通过加读写锁来控制并发,但这势必会降低性能。因此句柄的打开和清理最好分离,所以我们句柄池的设计采用了两个列表轮替的形式,其中一个处于活跃状态,另一个处于清理状态。活跃状态的列表负责维护当前正在使用的句柄,而清理状态的列表则负责将无用句柄关闭。新打开的句柄全部放入活跃列表中,清理列表则负责将所以引用计数为0的句柄关闭。当外部需要获取句柄时,首先在句柄池中查看该句柄是否已经被打开:

  • 如果已经打开,则将其引用计数加1;
  • 如果没有打开,则打开句柄,也将引用计数加 1,并把句柄放入活跃列表中;
  • 外部使用完毕后,归还句柄至句柄池,即句柄的引用计数减1。

每隔固定时间,数据库将切换两个列表,原本处于活跃状态的列表将进入后台进行清理,被清理过的列表则转为活跃列表,负责下一阶段里数据库中要使用的句柄的维护。

与此同时,处于清理状态的列表在后台遍历列表,对于引用计数为0的句柄进行关闭。这样的设计能够保证内存不会泄露的同时,更加高效地利用句柄,在频繁读取的情况下保证数据库的性能。

▲ 文件完整性

一般来说,成熟的数据库都会保证存入数据的完整性,以防止数据库被篡改或丢失数据却不被发现。在区块链系统中,这一点尤为重要。因此,在上述数据库结构设计的基础上,我们还设计了文件完整性的保证方案。数据库在运行过程中会记录数据状态,当数据库重启时,我们会对数据状态进行校验,以防止数据被篡改。

单条数据的完整性我们已经通过CRC校验码保证了,但单个文件的完整性,我们需要设计其他的机制来保证。我们使用一个EDITLOG文件,用于持久记录存储文件发生的更改。当一个文件写满或者发生变更时,在该文件里追加写入一条记录。记录的格式如下:

文件名 变更类型 哈希校验码 CRC校验码

其中变更类别表示该条记录对应的文件变更操作,由于数据库支持数据归档,因而文件有可能会被新增删除切分

哈希校验码,我们并没有采用对整个文件内容进行哈希,而是采用对文件名、文件大小和文件修改时间这些信息做哈希计算。因为文件的内容较大,一次哈希的时间会很长,而事实上,防止文件损坏或被篡改,用这几个文件属性就可以基本满足。

CRC校验码则进一步对对文件名和文件变化位计算CRC值,用于保证该条记录不被修改。

【小结】

本文是存储系列推文的延续,对区块链中连续型数据存储的讲解,着重介绍K/V型数据的存储特点和优化思路,分析了连续型数据的特点,结合以太坊、Fabric存储区块和交易数据的模式,介绍我们设计的连续型数据存储引擎

通过研究发现,如果利用好连续型数据的特点,其读写效率将远远高于K/V型数据。由此受到启发,在设计或选择数据库的时候,一定要分析我们需要存储的数据特点,根据其特点来设计数据库,才能将性能发挥到极致。

当然,我们在为区块链设计特定的数据库的同时,也希望该数据库能够更加完备与通用,因此也在以一个成熟数据库的标准来优化拓展我们的功能,希望能够应用在更多的场景中。

作者简介

金鹏、王晨璐趣链科技基础平台部 区块链存储研究小组

参考文献

[1] https://github.com/ethereum/go-ethereum

[2] https://github.com/hyperledger/fabric

  • 0
区块链智慧谷
区块链智慧谷

0 条评论