引言
本文整理自 ArchSummit 微信大讲堂线上群分享内容；解释一下这次我为什么不是分享安全方面，反而分享数据方面的，ArchSummit 北京 2015 分享的实际也是数据计算方面的技巧，只不过用在了风控场景上，这次我尝试把那些操作更加往底层架构上延伸一下，更加有逻辑去考虑这个话题。
正文
第一部分存储模型之前，先抛两个问题：
1）这些存储的数据结构，主要是来优化什么操作的？
2）SSD 对于这些存储结构有什么样的影响？
一. 存储模型–读和写的取舍
一个好的存储结构，我们希望的是更新数据快，查找特定的数据也快，最好占用空间还小，一般来说，这算得上是对存储的终极要求了。
终极要求，这东西一般都是 YY，但是，加上一定的限制条件，在特定的时期，数据大爆炸之前，单机时代，B 树这个结构，可以算得上是银弹。基本上所有的关系型数据库系统都采用这种结构。SqlServer 和 Oracle 都采用 B 树，Mysql，Db2 还有 informix 采用的 B+ 树，
磁盘读数据和写数据的过程，1）移动磁头到对用的扇区，2）然后磁头接触磁道，写或者读数据，3）通过总线传输到内存或者寄存器。
磁头移动时间，十分之一秒的级别，读写的时间，按照普通磁盘，7200 转的，差不多在百分之一秒级不到，还有一个耗时就是总线传输时间，这个基本可以忽略，在 10 的 8 次方分之秒。
另一个背景知识是，文件系统， 读写是有最小操作单位的块，每次 I/O 操作，都是整块操作。块大小，跟文件系统的格式有关，fat32，ext3/4 等等，常见的块大小 4096 个字节，块大小可以调整，块，对应到物理的扇区。
通过上面的分析，有效的优化是降低磁头定位的次数；B 树就是综合读写两方面的需求，提出的对磁头定位操作优化的结构。隐含的数据特征是：重查询，轻新增，并发写要求不高。总的数据量优先，单挑记录会被反复更新，这刚好就是单机时代的数据特征。在做关系型数据库表设计的时候，知道这点会比较有用。
B+ 树和 B* 树是 B 树的两种变形，B+ 树降低了中间节点的数据大小，同样的块大小，可以存储更多的数据，检索上更有效率，但是，实际数据读取上有妥协。B* 树，相对于 B 数在节点的分裂，旋转，平衡方面有增强。
进入互联网时代，数据的特征有了变化，写多读少，数据具备热点时间。有效期之后的数据，就相当于传统数据库的归档。另外一个有利的变化，是内存变得很便宜，可以用足够低的成本 hold 住热点数据。这种前提下，顺序写做持久化，热点数据保持在内存中，并且在内存中进行排序，保证顺序写入的数据是有序的。
基于这样的思路，就有了 LSM-Tree 和 COLA-Tree 两种改进。区别在于 LSM 的 MemTable 保持固定大小，持久化数据的索引都有 compaction 阶段完成。COLA 的思路，是 Memtable 就按照固定的逻辑完成索引更新。COLA 里面是没有 Memtable 这个名称的。
基本上现存所有的 NoSQL 都是采用 LSM-Tree 的思路，除了 TokuDB。
Cassandrda 和 LevelDB，需要特别提一下，他们两个在 Compaction 阶段的实现，是参考了 COLA 的做法的，sstable 做了分层合并。COLA 在层之间，还引入了分形树（Fractal Tree）的实现，改进索引性能，Cassandra 和 LevelDB 是没有，单层上数据检索，还是采用的 BloomFilter 和二分法。
二. 实时计算 - 精度和速度的权衡
纯粹从性能对比，COLA 跟 B 树算是公平对决，数据如下：块大小 4098 字节
查询 Cola 比 B 树慢 12 倍，插入速度是 B 树的 340 倍。
LSM 不具备可比性，更多靠 cache 命中的效率。
之前提到的问题，SSD 的影响，这么看起来，SSD 对 B 树和 Toku 的影响要比 LSM 大（只是相对的），这些算法，对于 ssd 来说，算法对性能的影响并不重要，比较重要的反而是，通过算法降低，flash 的读写次数，达到延长 ssd 使用寿命和减少损坏率。
除了需要保存检索数据，还需要对数据进行计算，流计算，实时计算的框架，已经是大数据里面到处可见，Storm，Spark Stream 等等，这些流行框架更多是调度系统，真正的计算还需要自己来实现。
在我现在的实际工作中，常见的有点难度的计有 exist 是否存在，distinct count 去重计数，top n 等等在 window 内部。
所有这些计算，对于内存都是很巨大的挑战。可行的做法，就是引入精度，接受概率。
这些做法，在数据挖掘的领域，已经是司空见惯的做法，比如关联规则挖掘的 Apriori 跟 Fp-growth 等都引入的概率的做法。
很多程序员其实也用过，一说就知道，Bloom Filter 做去重，接受一定概率的误差，换来空间的减少，提升性能。
接下来介绍几个，我在实际工作中，用得比较多的方法，实际上是几个概念。
1）Bloom Filter
2）Sketching
3）基数估计
BF 略过，大家都知道。Sketching，用于做频率估计，估算数据流中每个数据的出现次数。基本思路也跟 BF 差不多，通过互相独立的 hash 函数依次处理输入，接受一定程度的正负错判，估计值在一定概率内正确，这个概率可调整。这类方法的另一个优势是可以很容易实现分布式，能够合并。
Sketch 有几个变种，basic sketch， counter sketch 和 counter min sketch，依次各有改进。
Bf 和 counter min sketch 算是当前最优的 top n 的方法。Cms 对于重复度高的效果较好，重复度不高了，有基于 cms 基础上的改进，counter-mean-min sketch。
上面在存储模型中间没有提到，cms 还能够用在 nosql 的 range query 索引上，不追求精确度，在性能方面完爆 B 树。
基数估计也是类似的思路，用很少的空间，计算集合的势，常见的算法有 Linear counter，LogLog counter 两类，分别使用在重复情况比较明显和重复情况相对于总量来说较低
Redis 在支持 bitmap 之后，在 2.8.9 之后，直接提供了 hyperloglog 的支持，每个 HyperLogLog 键只需要花费 12 KB 内存，就可以计算接近 2^64 个不同元素的基 数。线性的 counter 也可以直接利用 bitmap 实现。Hash 函数的 murmur 是比较可以无脑使用的实现。
具体的算法描述，大家可以问百度，不细说了，知道有哪些可用场景就好。我们主要用在风险检测的参数计算方面。
三. 分布式持久化 -CAP 的妥协
对于分布式持久化的内容，也扯两句，我个人很喜欢 Dynamo 模型的对称结构，BigTable 的管理节点实在是不美观。也就是 zk 和 gossip+vector clock 的战争，这种选择也就决定了各自在 CAP 和 ACID 中间能够达到的水平。
四．日志为中心的基础架构设计
ArchSummit 全球架构师峰会 上我也推荐过 kafka 的作者写的文章，在推荐一次，个人觉得每一个做分布式系统设计的架构师，都应该读几遍才好。
给大家看这样一个图
(点击放大图像)
苏宁现在整体数据系统建设思路，差不多就是这样，通过日志，串行所有操作，避免冲突。基本上满足异地多活的需求。
中间过程，分实时计算，批量计算并且在服务层合并数据。
五．Q&A
您好，您在处理复杂的任务调度方面，有什么心得体会？
你们代码是自动 Review 的吗？
Q3.storm**** 和 spark 的应用场景有什么区别？
Q.4**** 日志输出是否有自研组件？所有业务线统一一个吗？主要输出哪些内容？
Q.5**** 对 SSD 而言，现有的文件系统已经不太能发挥存储设备的最大速度，未来的 SSD 文件系统会是什么样？
对于 Google 任务调度系统 Borg，您怎么看？
Q.7**** 能否详细讲解一下 sketch 算法的计算过程，这个算法在苏宁有哪些应用？
Q.9**** 随着新硬件的快速发展，大数据系统当存储和网络不再成为瓶颈时，会不会呈现出一种新的形态？
讲师介绍
季虎 ，苏宁 IT 总部安全研发技术总监，ArchSummit 北京专题讲师，目前已构建了苏宁电商和金融的风控技术体系，此前，任阿里集团安全部高级技术专家，参与了 AE，金融和集团的风控系统建设，并致力推进风控自动化和大数据风控实践。
本文根据 ArchSummit 微信大讲堂上邀请讲师，苏宁 IT 技术总监 季虎为大家线上分享内容整理而成， 长按下方二维码，回复“架构师”，获取参与方式，加入围观大牛线上分享，同步大会筹备近况……
点击这里
