揭秘Apache Doris存储引擎：从设计到实践的高性能之路

你是否在处理海量数据时遇到查询缓慢、存储成本高企的问题？作为一款分布式SQL查询引擎，Apache Doris（GitHub_Trending/doris/doris）凭借其独特的存储引擎设计，在OLAP领域脱颖而出。本文将深入剖析Doris存储引擎的核心架构，带你掌握从数据写入到查询优化的全流程实现原理，读完你将能够：

• 理解Doris如何通过分层存储实现万亿级数据高效管理
• 掌握Compaction机制如何解决写入放大问题
• 学会通过存储配置优化提升30%+查询性能

存储引擎整体架构：分层设计的智慧

Doris存储引擎采用多级存储架构，通过协调内存、本地磁盘和云存储，实现了高性能与低成本的平衡。核心模块包括：

graph TD
    A[StorageEngine] --> B[TabletManager]
    A --> C[RowsetManager]
    A --> D[CompactionExecutor]
    B --> E[Tablet]
    E --> F[Rowset]
    F --> G[Segment]
    G --> H[Page]

核心组件解析

• StorageEngine：存储引擎的中枢神经系统，定义在be/src/olap/storage_engine.h中，负责管理所有Tablet和Rowset的生命周期。它通过_store_map维护数据目录映射，协调Compaction任务调度，是整个存储系统的大脑。

• Tablet：数据分片的基本单位，对应be/src/olap/tablet.cpp实现。每个Tablet包含多个Rowset，通过版本控制实现MVCC，支持原子性的读写操作。关键代码片段展示了Tablet如何维护版本映射：

// Tablet::add_rowset - 原子性添加新的版本数据
Status Tablet::add_rowset(RowsetSharedPtr rowset) {
    std::lock_guard<std::shared_mutex> wrlock(_meta_lock);
    if (_contains_rowset(rowset->rowset_id())) {
        return Status::OK(); // 已存在则直接返回
    }
    RETURN_IF_ERROR(_contains_version(rowset->version())); // 检查版本冲突
    _rs_version_map[rowset->version()] = rowset; // 版本映射表
    _timestamped_version_tracker.add_version(rowset->version()); // 版本追踪
}

• Rowset：版本化的数据集合，定义在be/src/olap/rowset/rowset.h。每个Rowset包含多个Segment文件，采用状态机管理生命周期：

enum RowsetState {
    ROWSET_UNLOADED,  // 初始状态
    ROWSET_LOADED,    // 已加载
    ROWSET_UNLOADING  // 卸载中
};

Rowset通过load()和close()方法管理资源，支持引用计数确保并发安全访问。

写入流程：LSM树的创新实践

Doris借鉴LSM树思想，但做了针对性优化，实现了高吞吐写入与低延迟查询的平衡。写入流程遵循以下步骤：

1. MemTable写入：数据首先写入内存表，支持批量提交
2. Flush触发：当达到阈值（默认128MB），通过MemTableFlushExecutor异步刷盘
3. Rowset创建：生成不可变的Rowset，包含多个Segment文件

关键优化点在于Delta-Writer机制，通过delta_writer.cpp实现批量写入和按列存储组织，大幅提升写入吞吐量。

Compaction机制：消除存储碎片化

Compaction是Doris存储引擎的性能调优核心，解决了LSM树架构中的写入放大问题。Doris实现了三种Compaction策略：

分层Compaction策略

graph LR
    A[Delta Rowset] -->|Cumulative Compaction| B[Base Rowset]
    B -->|Base Compaction| C[Major Rowset]

• Cumulative Compaction：合并多个小版本Delta Rowset，对应be/src/olap/cumulative_compaction.cpp
• Base Compaction：合并Delta与Base Rowset，生成更大的Rowset
• Single Replica Compaction：单副本Compaction优化，降低网络开销

Compaction任务调度通过CompactionPermitLimiter实现资源控制，防止系统过载：

// 控制Compaction并发度的令牌桶实现
void CompactionPermitLimiter::request(int64_t permits) {
    std::unique_lock<std::mutex> lock(_permits_mutex);
    _permits_cv.wait(lock, [this, permits] {
        return _used_permits.load() + permits <= config::max_compaction_permits;
    });
    _used_permits += permits;
}

数据结构创新：Segment V2的威力

Doris采用列式存储，每个Segment文件包含多个列族，通过Page组织数据。Segment V2实现（be/src/olap/rowset/segment_v2/segment.h）引入了多项创新：

分层索引设计

1. Short Key Index：稀疏索引，加速范围查询
2. Primary Key Index：唯一键索引，支持快速点查
3. Bloom Filter：针对高基数列的过滤优化

智能压缩策略

根据数据类型自动选择压缩算法：

• 数值类型：采用LZ4压缩（压缩比2-3x）
• 字符串类型：使用ZSTD（压缩比5-8x）
• 重复值多的列：RLE编码（压缩比可达10x+）

最佳实践：性能调优指南

基于存储引擎特性，推荐以下优化策略：

Compaction调优

# be.conf中的关键配置
max_compaction_permits = 10000  # 控制Compaction资源占用
cumulative_compaction_num_threads = 4  # 根据CPU核心数调整
base_compaction_num_threads = 2

存储介质选择

// 存储介质选择逻辑 - tablet.cpp
std::vector<DataDir*> StorageEngine::get_stores_for_create_tablet(
    int64_t partition_id, TStorageMedium::type storage_medium) {
    // 根据数据热度选择存储介质
    if (storage_medium == TStorageMedium::HDD) {
        return _select_hdd_stores(partition_id);
    } else {
        return _select_ssd_stores(partition_id);
    }
}

查询优化建议

1. 分区策略：时间序列数据按天分区，配合分区裁剪
2. 索引设计：为过滤频繁的列创建Bloom Filter
3. 数据倾斜处理：通过分桶键设计避免热点Rowset

未来展望：云原生存储之路

Doris正朝着存储计算分离架构演进，通过CloudStorageEngine实现云对象存储支持。主要方向包括：

• 冷热数据自动分层存储
• 跨区域数据复制
• 按需加载与缓存优化

这些改进将进一步降低TCO，使Doris在云环境中更具竞争力。

总结：存储引擎设计的启示

Apache Doris存储引擎通过分层架构、智能Compaction和高效索引三大支柱，构建了高性能的OLAP存储系统。其设计理念对同类系统具有重要参考价值：

1. 平衡设计：在内存、磁盘和网络之间找到最佳平衡点
2. 增量优化：通过Compaction实现写入性能与查询性能的动态平衡
3. 适应性架构：从单机到云原生的平滑演进路径

掌握这些设计思想，不仅能更好地使用Doris，更能在构建自己的存储系统时获得宝贵灵感。查看官方文档获取更多技术细节，或通过社区论坛参与讨论。