InfluxDB 的存儲機制解析
本文介紹了InfluxDB對於時序數據的存儲/索引的設計。由於InfluxDB的集羣版已在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
儘管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
**基於 LevelDB的LSMTree方案**版本0.9.0～0.9.4
**基於BoltDB的mmap COW B+tree方案**版本0.9.5～1.2
**基於自研的 WAL + TSMFile 方案**（TSMFile方案是0.9.6版本正式啓用，0.9.5只是提供了原型）版本1.3～至今
**基於自研的 WAL + TSMFile + TSIFile 方案**
1.2 演進的考量
InfluxDB的存儲引擎先後嘗試過包括LevelDB, BoltDB在內的多種方案。但是對於InfluxDB的下述訴求終不能完美地支持：
時序數據在降採樣後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佔用過多文件句柄
=> *LevelDB會隨着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，出於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
基於上述痛點，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”）定義爲一個measurementtags:
概念等同於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爲 時間線 的概念, 一個SeriesKey在內存中的表示即爲下述字符串(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的數據類型在以下範圍內必須保持不變，否則寫數據時會報錯 類型衝突。
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確定後, 那麼在該Database的時序數據將會在這個duration範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爲單位進行保存。
shard分片的時間 與 duration之間的關係如下
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爲 數據的Duration爲永久，Shard分片時間爲7天
注: 在閉源的集羣版Influxdb中，用戶可以通過RC規則指定數據在基於時間分片的基礎上再按SeriesKey爲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 )在指定時間戳範圍內掃描數據的高性能
間接通過measurement和部分tag查詢指定時間戳範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寫入時序數據時爲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，最後刷盤。對於InfluxDB而言，寫入時序數據的主要流程如同下圖所示：
圖 2
InfluxDB對於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
由於InfluxDB支持對Measurement，TagKey，TagValue的刪除操作，當然隨着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麼，它的WAL的結構如下圖所示
圖 3
時序數據的WAL
由於InfluxDB對於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對於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，通過一個基於 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的最大長度爲2GB，超過時即使是同一個Shard，也會繼續新開一個TSMFile保存數據。本文的介紹出於簡單化考慮，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的源碼中被稱爲`directIndex`。在TSMFile中，索引塊是按照 Serieskey + Fieldkey **排序** 後組織在一起的。 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範圍在 **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範圍跨索引塊等一系列複雜場景* <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
採用的壓縮算法如下所示：Timestamp： Delta-of-delta encoding
Field Value：由於單個數據塊的Field Value必然數據類型相同，因此可以集中按數據類型採用不同的壓縮算法
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，將數據塊載入內存並對Timestamp以及Field Value進行解壓縮後以便繼續後續的查詢操作。
3.3 TSIFile解析
有了TSMFile，第3章開頭所說的三個主要場景中的場景1和場景2都可以得到很好的解決。但是如果查詢時用戶並沒有按預期按照Serieskey來指定查詢條件，而是指定了更加複雜的條件，該如何確保它的查詢性能？通常情況下，這個問題的解決方案是依賴倒排索引(Inverted Index)。
InfluxDB的倒排索引依賴於下述兩個數據結構
map<SeriesID, SeriesKey>map<tagkey, map<tagvalue, List<SeriesID>>>
它們在內存中展現如下：
圖 7
圖 8
但是在實際生產環境中，由於用戶的時間線規模會變得很大，因此會造成倒排索引使用的內存過多，所以後來InfluxDB又引入了 TSIFile
TSIFile的整體存儲機制與TSMFile相似，也是以 Shard 爲單位生成一個TSIFile。具體的存儲格式就在此不贅述了。
4. 總結
以上就是對InfluxDB的存儲機制的粗淺解析，由於目前所見的只有單機版的InfluxDB，所以尚不知道集羣版的InfluxDB在存儲方面有哪些不同。但是，即便是這單機版的存儲機制，也對我們設計時序數據庫有着重要的參考意義。
#阿里雲開年Hi購季#幸運抽好禮！
點此抽獎：【阿里雲】開年Hi購季，幸運抽好禮
本文爲雲棲社區原創內容，未經允許不得轉載。