谈一谈索引技术

熟悉关系数据库的人应该对索引不陌生。单列索引，多列索引，B树索引，位图索引，事务索引，三星索引等等。读研时期导师就说，索引可以作为一个研究课题搞一辈子。撇开最新的理论创新，即使了解过一些的研究成功，坑需要从一些大部头的著作看起。每年VLDB，sigmod上的关于索引的文章也很多。

本文不打算过于深入，针对常见的一些索引技术做一些总结，算是入门知识吧。

最常见的两种索引数据结构是B+树和LSM-tree。如果从时间复杂度方面对比分析如下：

B+ Tree

LSM Tree

random point read

O(logN)

O(N)

random point write

O(logN)

O(1)

range read / iterator

good

poor when range data is written across long term

batch write

poor when node split

good

     

     从工程实现上：

• B+树 
  • 优点 B+树的浅层节点具有很好的cache友好性，长时间运行后底层节点一般在memory甚至cpu cache中
  • 缺点 aging问题。叶子节点经过大量的插入删除之后，key range上临近的叶子节点，在磁盘的物理位置是随机的，此时，range查询和batch sequenced write效果都会很差。
• LSM树
  • 优点 随机批量写入不会导致随机IO。
  • 缺点 主要缺点是compact带来的性能不稳定；一般的compact的实现中，例如base leveled，都会分为minor compact， major(full）compact。full compact可能会阻塞写。对读的性能也有影响。例如rocksdb的默认的level-based compact，写速度受限于L0-->L1 compact的速度，而由于L0文件的L0-L1的compact只能单线程（L0不排序，无法多线程多路归并）。一旦写入速度过快，导致L0 File挤压超过阈值，出发rocksdb write stall机制，写入速度会极大下降。这个问题我在rocksdb社区反应过，没得到很好回应。

     传统的关系数据库，单点查询最为常见，因此一般是采用B+树索引。目前的Big Data兴起以后，LSM Tree逐渐流行起来，HBase， rocksdb是这方面的代表。Big data系统中数据量大，Batch write多。例如hadoop集群上，ETL Job是daily work，批量数据的导入很常见。特别的，监控领域的常用的时间序列数据库，LSM tree的优势更为明显，以时间戳为key，本身写入就是顺序的，甚至不需要compact，只需要按照range drop掉过期的老数据即可。

     随着互联网需求的爆发，各种复杂的应用场景层出不穷。索引的发展也无法八门。在原始的B+和LSM树的基础上有出现了各种变种。例如tokudb的fractal tree，读写性能否分别处于B+树和LSM树之间，一般用来做独立的索引。LSM tree可以把key部分和value部分，算是一个变种例如dgraph-io/badger；pebblesdb也做了一些写方面的性能优化。

      主键索引一般是采用树形索引。secondary index 也可以用B+树。如果是多列，就是BKDTree。构建一个索引的消耗是很高的，尤其是数据的插入删除。目前很多大数据系统是不支持或者在线的二级索引。当然离线索引是可以的，例如kylin，不过构建cube的速度也很慢。

     除了树型索引，位图索引也很场景。BloomFilter其实以一种多维的、每个维度上压缩过的Bitmap。布隆过滤器在hbase ，rocksdb中也很常见。搜索领域的常用的是位图索引的一种变体，例如pilosa 的位图索引，支持high cardinality 数据的位图索引。比如key是一个整数，取值空间是0-2^64，但实际可能的数据量可能只有几个M（2^20）。如果直接用位图，那存储空间是2^64，不现实。pilosa的做法是对key的整数做encode。因为key的个数是有限的，例如只需要100w，那把这100w原始的interger映射到0-2^20的空间，这样只需要一个1M大小的bitmap即可。pilosa非常适合做文本搜索用的倒排索引。

     最后想提下谷歌最新发了篇用深度学习构建数块索引的文章。简单的看了篇论文思想，用DL模拟一个索引能力是可行的，但是离工程实现还很遥远。效率是关键问题，比如数据的频繁的插入和删除，B树的代码实现就很麻烦，那么对于DNN来说，插入和删除时索引是否还有部分有效（B树是可以的），如何retrain，retrain的效率等等，论文还没开始考虑。索引谷歌的最新研究只是一个toy，离工程还很遥远。与之相比，CMU的工作更接地气一些。用机器学习做mysql自动配置优化，并没有对dbms动大手术，oracle也有些类似的工作。