一文详解连续型数据高效存储之道
趣链科技【前言】
在《打破K/V存储的性能瓶颈》中，我们提到区块链中的数据可以分为「连续型数据」和「K/V型数据」，并对K/V型数据的特点及读写进行了阐述。我们以leveldb为例，了解到K/V数据在存储时采用LSM-Tree的组织形式，存储方式相对而言比较复杂，数据读写的复杂度也较高，且在数据量大的情况下会遇到性能下降的问题。针对这些问题，我们已经提出了一些优化思路，但这种数据格式读写的性能存在天然的缺陷。而优化思路里也提到，leveldb的归并操作是为了让SSL Table的key变得有序，说明有序的数据在读写方面有天然优势。
区块链中也有很多数据是有序的。因此，本文将重点讨论连续型数据的特点和连续型数据的读写方式，并根据实际场景中会遇到的问题提出我们的优化思路。
【连续型数据的特点】
连续型数据，顾名思义，最大的特点就是连续。我们可以把连续型数据当做一种特殊的K/V数据，只不过其key值是单调递增的。
“那么在区块链中，什么样的数据是连续的呢？”
区块链中有一个重要的概念：区块号，就是单调递增的。区块链是一个账本，记下来的账是只增不减的，区块也是不断向后追加的。因此，以区块号为单位存储的数据就可以认为是连续型数据。在上一篇推文中，我们提到除了区块数据以外，回执数据、修改集数据也是连续型数据，这是因为每一条回执，每一条世界状态修改记录，都对应于一笔交易，而交易是区块的组成部分，因此这些数据也可以以区块为单位来存储。
任何数据存储的目的都是为了查询，因此我们在存储连续型数据的同时，需要考虑对这些数据的查询需求。一般来说，对于区块和交易数据，会有以下查询需求：
1）给定一个区块号，查询对应的整个区块数据；
2）给定一个区块哈希，查询对应的整个区块数据；
3）给定一个交易哈希，查询这笔交易的详细信息；
面对这样的查询需求，我们在设计数据库时需要考虑如何支持这些查询。
▲?以太坊
连续型数据作为一种特殊的K/V型数据，自然也可以用K/V数据库来存储，例如以太坊就是这样存的。在以太坊中[1]，所有数据均存储在leveldb中，区块和交易相关的数据存储方式如下：
(H) + Block Hash -> Block Number
(h) + Block Number + (n) -> Block Hash
(h) + Block Number + Block Hash -> Block Header
(b) + Block Number + Block Hash -> Block Body
(l) + Tx Hash -> Block Number
区块数据直接存储在leveldb当中，以区块号和区块哈希为key来进行查询。这样的存储方式很方便，可以根据区块哈希或区块号快速查询到区块内容。但这种方式存储下，leveldb的数据量会很大，数据的读写速度也会受到影响。
▲?Hyperledger Fabric
超级账本也是使用键值对数据库存储检索信息，但是额外使用了文件存储系统管理区块数据。通过内存映射文件的方式提高了数据查询的性能，但在多个索引或撤消历史记录的功能上存在局限。对于Fabric[2]的数据存储来说，一般都包含两种方式，如下图所示：
? 文件形式存储，用于记录交易日志信息，所有的交易都是有序地连接在一起；
? NoSQL形式存储，使用LevelDB数据库实现保存索引信息的历史记录。
Hyperledger Fabric中，账本目录中由blockfile_000000、blockfile_000001 命名格式的文件名组成。为了快速检索区块数据，每个文件的大小是64M。每个区块的数据（区块头和区块里的所有交易）都会序列化成字节码的形式追加写入 blockfile 文件中。在Fabric中，其索引组织格式如下：
(h) + Block Hash -> Block Loc
(n) + Block Number -> Block Loc
(t) + len(TxID) + TxID + Block Number + Tx Number -> TxIDIndexValue
这里的Block Loc表示数据在哪个blockfile中以及其偏移量。在Fabric中要根据区块号或区块哈希查询一个区块，将先在leveldb中查询索引，获取Block Loc之后在文件系统中查询区块。
相比于以太坊而言，Fabric将区块数据存在文件中，大大降低了NoSQL数据库的存储压力，且索引中直接标识数据位置，可以很快在文件中读取到区块数据。
【连续型数据存储设计】
事实上，无论是以太坊还是Fabric，都没有完全利用连续型数据的特点：根据key值来计算偏移量。例如我们知道key为100的数据的位置，就能够推断出，key为200的数据与该位置相差100条数据，这个特点有利于我们快速查找数据。因此，根据偏移量的特点，我们可以进一步减少读写数据的开销。
连续型数据库的整体结构图
数据库由多个log segment组成，每一个log segment由一个后缀为.log和一个后缀为.idx的文件组成，分别用于存储数据和对应的索引数据。
log segment的结构图
数据以文件的方式记录到磁盘中，log 为后缀的文件记录原数据的信息，idx为后缀的文件记录以 log 文件为单位的文件索引信息，用于快速定位需要查找的数据位置，每一个log文件都配套有一个相同前缀的idx文件。文件名前缀均为文件中存储的第一条数据的偏移量数值。每一个log文件都有大小限制，当文件超过该限制时，新打开一个文件用于后续数据写入。
我们采用log segment里的第一条数据的key值作为文件名，也是利用到了数据有序这个特点，使用时间复杂度更低的二分查找来快速确认某一条数据位于哪个log segment中。在这样的数据结构下，数据的读写效率将变得非常高。
对于一次写入操作，就根据数据构造一条Log Entity和一条Index Entity，直接追加写入到最后一个文件末尾即可。对于一次读取操作，首先根据要读取的数据的key值，使用二分查找找到该数据所在的log文件中，然后根据该key值相对于文件名的偏移量，计算索引所在位置 。计算方式如下：
索引位置 = 偏移量 * IndexEntitySize
其中IndexEntitySize的值是一个常量，在我们的设计里大小为17byte，偏移量表示key值相对于文件名的差值。通过计算，可以快速定位到当前key对应数据在文件中位置。通过位置信息，可以读取 IndexEntity，得到其中的 position 字段，找到log文件中的真实读取位置，然后根据 log 字段中的 size 得到应该读取的字节范围。
在这样的设计之下，一次数据写入操作只需要两次磁盘IO，一次读取操作只需要三次磁盘IO（一次读Index Entity，一次读Log Entity的header，一次读Log Entity的data）。相比于LeveDB复杂的数据组织格式，读写效率大大提高。此外，数据量的增大只会增加文件个数，即稍微增加二分查找的时间，但这点计算时间几乎可以忽略不计，也就是说，该数据库随着数据的增大性能不会衰减。
下图为我们设计的连续型数据库相比于LevelDB，可以看出连续型数据库的读写性能远高于LevelDB。
【功能完善与优化】
设计这样一个数据库时，初衷是为了能更高效地存储区块数据，让我们的平台拥有更高的性能。随着平台逐渐成熟，我们也不断完善数据库，使其不仅读写效率高，还具有很好的鲁棒性和健壮性，因此我们还从多个角度对我们的数据库进行功能完善和优化，期望能够适应更复杂的存储环境以及更安全地存储数据。
▲?句柄池
在数据库使用过程中，不知道大家会不会经常遇到too many open files的问题？那是因为，我们的操作系统对程序中可打开的「句柄数量」是有限制的。为了解决内存中打开的文件句柄过多的问题，更高效地利用句柄，我们引入了一种句柄池的机制来解决上述问题。句柄池的设置能够保证单位时间内句柄的占用内存小，在并发读取下也是线程安全的。
整体架构设计
图中每个句柄entry维护文件名、句柄以及一个引用计数。我们用引用计数表示在当前时间，该句柄在多少个地方正在被使用。只有没有进程在使用该句柄，即句柄引用计数为0的时候句柄才能被关闭。句柄池对外只提供句柄的申请与归还接口。
实际使用过程中，句柄的申请和归还是一个频繁的并发操作，单个句柄池难以同时维护高并发情况下各个句柄的申请与归还。例如刚好要清理句柄时，又出现了该句柄的申请请求，单个句柄池只能通过加读写锁来控制并发，但这势必会降低性能。因此句柄的打开和清理最好分离，所以我们句柄池的设计采用了两个列表轮替的形式，其中一个处于活跃状态，另一个处于清理状态。活跃状态的列表负责维护当前正在使用的句柄，而清理状态的列表则负责将无用句柄关闭。新打开的句柄全部放入活跃列表中，清理列表则负责将所以引用计数为0的句柄关闭。当外部需要获取句柄时，首先在句柄池中查看该句柄是否已经被打开：
- 如果已经打开，则将其引用计数加1；
- 如果没有打开，则打开句柄，也将引用计数加 1，并把句柄放入活跃列表中；
- 外部使用完毕后，归还句柄至句柄池，即句柄的引用计数减1。
每隔固定时间，数据库将切换两个列表，原本处于活跃状态的列表将进入后台进行清理，被清理过的列表则转为活跃列表，负责下一阶段里数据库中要使用的句柄的维护。
与此同时，处于清理状态的列表在后台遍历列表，对于引用计数为0的句柄进行关闭。这样的设计能够保证内存不会泄露的同时，更加高效地利用句柄，在频繁读取的情况下保证数据库的性能。
▲?文件完整性
一般来说，成熟的数据库都会保证存入数据的完整性，以防止数据库被篡改或丢失数据却不被发现。在区块链系统中，这一点尤为重要。因此，在上述数据库结构设计的基础上，我们还设计了文件完整性的保证方案。数据库在运行过程中会记录数据状态，当数据库重启时，我们会对数据状态进行校验，以防止数据被篡改。
单条数据的完整性我们已经通过CRC校验码保证了，但单个文件的完整性，我们需要设计其他的机制来保证。我们使用一个EDITLOG文件，用于持久记录存储文件发生的更改。当一个文件写满或者发生变更时，在该文件里追加写入一条记录。记录的格式如下：
文件名 变更类型 哈希校验码 CRC校验码
其中变更类别表示该条记录对应的文件变更操作，由于数据库支持数据归档，因而文件有可能会被新增、删除或切分。
而哈希校验码，我们并没有采用对整个文件内容进行哈希，而是采用对文件名、文件大小和文件修改时间这些信息做哈希计算。因为文件的内容较大，一次哈希的时间会很长，而事实上，防止文件损坏或被篡改，用这几个文件属性就可以基本满足。
CRC校验码则进一步对对文件名和文件变化位计算CRC值，用于保证该条记录不被修改。
【小结】
本文是存储系列推文的延续，对区块链中连续型数据存储的讲解，着重介绍K/V型数据的存储特点和优化思路，分析了连续型数据的特点，结合以太坊、Fabric存储区块和交易数据的模式，介绍我们设计的连续型数据存储引擎。
通过研究发现，如果利用好连续型数据的特点，其读写效率将远远高于K/V型数据。由此受到启发，在设计或选择数据库的时候，一定要分析我们需要存储的数据特点，根据其特点来设计数据库，才能将性能发挥到极致。
当然，我们在为区块链设计特定的数据库的同时，也希望该数据库能够更加完备与通用，因此也在以一个成熟数据库的标准来优化拓展我们的功能，希望能够应用在更多的场景中。
作者简介
金鹏、王晨璐趣链科技基础平台部 区块链存储研究小组
参考文献
[1] https://github.com/ethereum/go-ethereum
[2] https://github.com/hyperledger/fabric
