InfluxDB的存储机制解析

InfluxDB的存储机制解析

引用

CSDN

1.

https://blog.csdn.net/chuixue24/article/details/137915488

InfluxDB作为一款流行的时序数据库，其独特的存储机制使其在处理大规模时序数据时表现出色。本文将深入解析InfluxDB的存储引擎演进历程、数据模型以及核心存储组件（WAL、TSMFile、TSIFile）的工作原理，帮助读者全面理解InfluxDB的存储架构。

InfluxDB的存储引擎演进

InfluxDB自发布以来，其存储引擎经历了多次重大变革。以下是其存储引擎的演进历程：

• 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方案在0.9.6版本正式启用，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

InfluxDB在选择存储引擎时主要考虑以下因素：

• 时序数据在降采样后会存在大批量的数据删除，而LevelDB的LSMTree删除代价过高
• 单机环境存放大量数据时不能占用过多文件句柄，而LevelDB会随着时间增长产生大量小文件
• 数据存储需要热备份，而LevelDB只能冷备
• 大数据场景下写吞吐量要跟得上，而BoltDB的B+tree写操作吞吐量成瓶颈
• 存储需具备良好的压缩性能，而BoltDB不支持压缩

此外，出于技术栈一致性以及部署简易性的考虑，InfluxDB团队决定自研存储引擎。

InfluxDB的数据模型

在深入解析InfluxDB的存储引擎之前，先回顾一下InfluxDB中的数据模型：

• measurement：指标对象，也即一个数据源对象。每个measurement可以拥有一个或多个指标值，也即下文所述的field。在实际运用中，可以把一个现实中被检测的对象（如：“cpu”）定义为一个measurement
• tags：概念等同于大多数时序数据库中的tags, 通常通过tags可以唯一标示数据源。每个tag的key和value必须都是字符串。
• field：数据源记录的具体指标值。每一种指标被称作一个“field”，指标值就是 “field”对应的“value”
• timestamp：数据的时间戳。在InfluxDB中，理论上时间戳可以精确到纳秒（ns）级别

此外，在InfluxDB中，measurement的概念之上还有一个对标传统DBMS的Database的概念，逻辑上每个Database下面可以有多个measurement。在单机版的InfluxDB实现中，每个Database实际对应了一个文件系统的目录。

Serieskey的概念

InfluxDB中的SeriesKey的概念就是通常在时序数据库领域被称为时间线的概念, 一个SeriesKey在内存中的表示即为下述字符串(逗号和空格被转义)的字节数组：

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

其中，SeriesKey的长度不能超过65535字节。

支持的Field类型

InfluxDB的Field值支持以下数据类型：

在InfluxDB中，Field的数据类型在以下范围内必须保持不变，否则写数据时会报错类型冲突：

• 同一Serieskey + 同一field + 同一shard

Shard的概念

在InfluxDB中，能且只能对一个Database指定一个Retention Policy（简称：RP）。通过RP可以对指定的Database中保存的时序数据的留存时间(duration)进行设置。而Shard的概念就是由duration衍生而来。一旦一个Database的duration确定后, 那么在该Database的时序数据将会在这个duration范围内进一步按时间进行分片从而时数据分成以一个一个的shard为单位进行保存。

shard分片的时间与duration之间的关系如下：

新建的Database在未显式指定RC的情况下，默认的RC为数据的Duration为永久，Shard分片时间为7天。

InfluxDB的存储引擎分析

时序数据库的存储引擎主要需满足以下三个主要场景的性能需求：

1. 大批量的时序数据写入的高性能
2. 直接根据时间线(即Influxdb中的Serieskey)在指定时间戳范围内扫描数据的高性能
3. 间接通过measurement和部分tag查询指定时间戳范围内所有满足条件的时序数据的高性能

InfluxDB在结合了上述考量的基础上推出了他们的解决方案，即下面要介绍的WAL + TSMFile + TSIFile的方案。

WAL解析

InfluxDB写入时序数据时为了确保数据完整性和可用性，与大部分数据库产品一样，都是会先写WAL,再写入缓存，最后刷盘。对于InfluxDB而言，写入时序数据的主要流程如下：

InfluxDB对于时间线数据和时序数据本身分开，分别写入不同的WAL中，其结构如下所示：

• 索引数据的WAL：由于InfluxDB支持对Measurement，TagKey，TagValue的删除操作，因此索引数据的WAL会区分当前所做的操作具体是什么，它的WAL的结构如下图所示：

• 时序数据的WAL：由于InfluxDB对于时序数据的写操作永远只有单纯写入，因此它的Entry不需要区分操作种类，直接记录写入的数据即可

TSMFile解析

TSMFile是InfluxDB对于时序数据的存储方案。在文件系统层面，每一个TSMFile对应了一个Shard。

TSMFile的存储结构如下图所示：

其特点是在一个TSMFile中将时序数据（i.e Timestamp + Field value）保存在数据区；将Serieskey和Field Name的信息保存在索引区，通过一个基于Serieskey + Fieldkey构建的形似B+tree的文件内索引快速定位时序数据所在的 数据块

注：在当前版本中，单个TSMFile的最大长度为2GB，超过时即使是同一个Shard，也会继续新开一个TSMFile保存数据。本文的介绍出于简单化考虑，以下内容不考虑同一个Shard的TSMFile分裂的场景

• 索引块的构成：在TSMFile的索引区的构成，如下所示：

其中索引条目在InfluxDB的源码中被称为directIndex。在TSMFile中，索引块是按照Serieskey + Fieldkey排序后组织在一起的。明白了TSMFile的索引区的构成，就可以很自然地理解InfluxDB如何高性能地在TSMFile扫描时序数据了：

1. 根据用户指定的时间线（Serieskey）以及Field名在索引区利用二分查找找到指定的Serieskey+FieldKey所处的索引数据块
2. 根据用户指定的时间戳范围在索引数据块中查找数据落在哪个（或哪几个）索引条目
3. 将找到的索引条目对应的时序数据块加载到内存中进行进一步的Scan

注：上述的1，2，3只是简单化地介绍了查询机制，实际的实现中还有类似扫描的时间范围跨索引块等一系列复杂场景

• 时序数据的存储：在TSMFile中，时序数据块的结构如下：

其中同一个Serieskey + Fieldkey的所有时间戳 - Field值对被拆分开，分成两个区：Timestamps区和Value区分别进行存储。它的目的是：实际存储时可以分别对时间戳和Field值按不同的压缩算法进行存储以减少时序数据块的大小

采用的压缩算法如下所示：

Timestamp：Delta-of-delta encoding
Field Value：由于单个数据块的Field Value必然数据类型相同，因此可以集中按数据类型采用不同的压缩算法
- Float类: Gorrila's Float Commpression
- Integer类型: Delta Encoding + Zigzag Conversion + RLE / Simple8b / None
- String类型: Snappy Compression
- Boolean类型: Bit packing

做查询时，当利用TSMFile的索引找到文件中的时序数据块时，将数据块载入内存并对Timestamp以及Field Value进行解压缩后以便继续后续的查询操作。

TSIFile解析

有了TSMFile，第3章开头所说的三个主要场景中的场景1和场景2都可以得到很好的解决。但是如果查询时用户并没有按预期按照Serieskey来指定查询条件，而是指定了更加复杂的条件，该如何确保它的查询性能？通常情况下，这个问题的解决方案是依赖倒排索引( Inverted Index )。

InfluxDB的倒排索引依赖于下述两个数据结构：

• map
• map>>

它们在内存中展现如下：

但是在实际生产环境中，由于用户的时间线规模会变得很大，因此会造成倒排索引使用的内存过多，所以后来InfluxDB又引入了TSIFile

TSIFile的整体存储机制与TSMFile相似，也是以Shard为单位生成一个TSIFile。具体的存储格式就在此不赘述了。

总结

以上就是对InfluxDB的存储机制的粗浅解析，由于目前所见的只有单机版的InfluxDB，所以尚不知道集群版的InfluxDB在存储方面有哪些不同。但是，即便是这单机版的存储机制，也对我们设计时序数据库有着重要的参考意义。