来给博客除草了:Learned Indexes for a Google
1. 引言
这是一篇业界发表在 2020的Wip论文《规模的基于磁盘的数据库的学习索引》。自从学习索引祖师爷Tim @MIT在 2018发表了第一篇 index的工作之后,有关学习索引的paper呈现 trend。目前,较多的工作focus在in-的层面,直到最近才出现一些工作,研究将学习索引从内存拓展到更远的存储(NVM、SSD、RDMA等)。在内存外学习索引的研究工作中,LSM-tree存储结构是一个令人的方向。得益于LSM-tree的设计哲学,LSM-tree中的组件是read-only的,这种读写特性与学习索引相当契合(学习索引最初也是为了优化读性能而生,原始学习索引并不支持写插入、写更新)。LSM-tree是三驾马车之一——的原型,是研发的分布式海量数据存储系统。将学习索引和进行结合,提升了的读性能。
2. 问题
作者介绍了目前中使用索引的现状:
问题:
作者认为, index天生的存储优势( index space)有助于缓解cache压力,减少index从外存fetch的次数(尤其有利于减少tail ),从而减少存储资源的占用,提升的吞吐量。
祖师爷最早提出的内存学习索引并不适用于。为此,作者们训练了一种将key映射到中对应的data block的学习索引结构。
3. 背景
LSM-tree LSM-tree是一种非常经典、流行的键值存储结构,具有极其高效的写入效率,和较高的读取效率。其介绍参见:
是PB级别的分布式存储系统,支持低延迟、高吞吐。的结构原型为LSM-tree,谷歌大牛Jeff Dean在十年前将LSM-tree/的实现开源为。
是LSM-tree持久化存储的组件。存储众多键值对,按key进行排序。为了支持对数据集进行有效的操作,将数据分割成data block,并保留索引,说明哪些键位于哪些数据块中。读取时可以使用索引,来找到一个key所在的数据块。
索引被存储在index block中。索引条目包含了每一数据块的位置和大小。利用这些信息,数据块可以被有效地加载到内存中。索引块被keep in ,这意味着读取,特别是连续读取,可以通过查询索引块来完成,并且只对请求的数据进行磁盘读取。
索引是在构建的同时创建的。在构建过程中,一旦一个数据块被填满,该数据块的代表性item(通常会是该数据块的首个item或者最后一个item)就被添加到索引中。之后,该数据块连同其索引被持久化到文件。
随着大小的增加,索引块的大小也会增加。为了提高索引效率,使用两级索引,包括一个0级索引和一个1级索引。0级索引跨越多个索引块,并且总是驻留在内存中,指向1级索引块。第1级索引是一个1级索引块的序列,它指向数据块。当1级索引块所指向的数据块被访问时,一级索引块被加载到内存中。
4. Index for Disk-based
设计 原本的索引,能够确定所给key存储在哪个data block中。而学习索引根据key预测到其存储的。作者认为,预测到具体的对没用,因为即便预测到了,还是要把这个所在的data block加载到内存。因此,作者设计的学习索引。将key映射到data block这个粒度。
但即便是预测到data block,作者认为预测错误的代价大,因为要重新读取周围的data block,这将带来更大的开销(存疑:不可以增加元信息来辅助判断么?)
于是,本文学习索引任务表示为:
训练学习索引f(*),接受key作为输入,以key所在的data block 作为输出。作者在此用了一个trick:在构建的过程中动态确定学习索引预测的误差值e,以确保能够落在f(k)预测的data block内。因此,这就确保了后续访问时,学习索引总是能给出确切的key所在的data block。
训练 上文提到,学习索引最后预测到的是data block ,但是现在的情况是压根不知道哪个key对应哪个data block 。
因此,换一种方式,先将key映射到字节偏移量。引入下面的记号:
因此,f(k)预测出byte 之后,就可以得到其存储的data block 为:
(存疑:除以平均block size就能得到准确的block 了么?这里应该有更多的说明或论证)
在预测到block 之后,通过取B[block ],可得到数据在磁盘上存储的位置,进一步将data block读取进内存中。这里B是作者预先处理好的磁盘位置数组。
模型 LR模型(线性回归)。
5. 实验
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img--41)()]
6. 相关工作