Pebble存储引擎中的压缩并发与空间放大问题优化

背景介绍

Pebble作为CockroachDB的底层存储引擎，其性能直接影响到数据库的整体表现。在LSM树结构的存储引擎中，压缩(compaction)是一个核心操作，它负责合并数据文件、清理过期数据并维持良好的读取性能。然而，当前的压缩并发控制机制存在一个潜在问题——未能充分考虑由无效数据导致的空间放大(space amplification)问题。

当前机制分析

Pebble当前使用estimatedCompactionDebt(估计的压缩债务)和L0子级别来决定压缩并发度。这个估计值基于各级别的未补偿大小(uncompensated sizes)，并考虑了写入放大(write amplification)效应，但忽略了由无效数据导致的空间放大问题。

具体来说，系统通过以下方式处理大型标记数据：

1. 压缩评分机制使用补偿大小(compensated sizes)，确保高层级的大型标记能够被压缩到下层
2. 对于旧版本的数据，仅清理(elision-only)的压缩可以确保L6层的SSTable被选中进行压缩

然而，由于estimatedCompactionDebt不包含这些因素，可能导致上述压缩操作无法及时执行，特别是第二种非基于评分的压缩类型。

问题影响

当系统无法及时处理无效数据时，会导致以下问题：

1. 存储空间利用率下降，实际存储的有效数据比例降低
2. 长期存在的标记数据可能影响查询性能
3. 在极端情况下可能导致存储空间被无效数据大量占用

解决方案

建议在压缩并发控制中增加对无效数据的考量，具体方案是：

额外压缩槽位 = Σ(点删除字节估计 + 范围删除字节估计) × 4 / LSM总大小

这个公式意味着当无效数据达到LSM总大小的25%时，系统将增加一个额外的压缩槽位。虽然这些压缩可能不会立即执行，但额外的并发度将确保：

1. 压缩评分逐渐下降
2. 最终系统会执行必要的压缩操作
3. 无效数据能够得到及时清理

实现细节

在技术实现上，需要考虑以下关键点：

1. 准确估计点删除和范围删除的字节数
2. 合理计算LSM树的总大小
3. 动态调整压缩并发度，避免过度消耗系统资源
4. 确保新增的压缩槽位能够有效针对包含大量无效数据的SSTable

性能考量

引入无效数据感知的压缩并发控制后，系统将：

1. 更及时地回收存储空间
2. 维持更稳定的读写性能
3. 在存在大量删除操作的场景下表现更优
4. 通过动态调整避免对正常压缩操作造成显著影响

总结

Pebble存储引擎通过改进压缩并发控制机制，使其能够感知由无效数据导致的空间放大问题，从而提升存储效率和应用性能。这一优化特别适合存在大量删除和更新操作的工作负载，确保系统能够及时回收存储空间，同时维持稳定的服务质量。