Hamsterdb vs. LevelDB：且看非主流数据库的自白和逆袭
【编者按】虽已问世9年之久，但是相较MongoDB，Hamsterdb的知名度仍然有所欠缺，更一度被评为非主流数据库。Hamsterdb是个开源的键值类型数据库。但是区别于其他NoSQL，Hamsterdb是单线程和非分布式的，其特性设计也更像是一个列存储数据库，同时还支持read-committed隔离级别的ACID事务。那么对比LevelDB，Hamsterdb又会有什么优势，这里我们走进项目参与者之一Christoph Rupp的分享。
以下为译文：
在这篇文章中，我想向大家介绍Hamsterdb――一个基于Apache 2-licensed协议的嵌入式分析型键值数据库，类似于谷歌的LevelDB和甲骨文的BerkeleyDB。
Hamsterdb并不是一个新的竞争者。事实上，Hamsterdb已经问世了9年。这一次，它成长得很快，并且专注于键值存储的数据库分析技术，类似于列存储数据库。
Hamsterdb是单线程和非分布式的，它可以直接连接到用户应用程序中。Hamsterdb提供一种独特的事务实现，以及有类似于列存储数据库所具备的特性，非常适合于分析型工作负载。它可以被C/C++原生调用，也面向Erlang、Python、Java、NET、甚至是Ada等编程语言。同时，它还在嵌入式设备和前置应用程序中得到了上千万的部署，以及服务于云端――例如高速缓存和索引，已经有数以百万计的部署。
Hamsterdb在键值存储中有一个独特的功能：它能识别架构信息。尽管大多数数据库无法分析出或关注被插入键类型，但是hamsterdb支持两种类型的键值：binary key（固定长度VS.可变长度）和numerical key键（比如uint32、uint64、real32、real64）。
Hamsterdb的数据库也是被存储在文件或存储器的Btree索引。使用Btree让hamsterdb的分析能力变得强大。Btree索引应用了C++模块，该模块参数取决于键类型和日志的大小（固定长度vs.可变长度），与键是否重复无关，因而每一个Btree节点对于工作负载来说是高可用的。因为键的定长，所以每一个键是零负载的，而且键被排列得像简单数组。在聚焦索引的最底层，uint64键数据库支持 uint64_t类型的C数组。
这种实现减少了I/O并更加有效地利用了CPU缓存。当今的CPU需要对内存性能进行优化处理，这也是Hamsterdb的一大优势。例如，通过搜索叶节点时，二进制搜索在可用内存达到一定阀值时会被跳过，取而代之的是线性搜索。而且，hamsterdb具有等价于SQL commands COUNT、COUNT DISTINCT、SUM 和AVERAGE的API，鉴于直接在Btree上运行，使得它能够快速地工作在固定长度的键上。
Hamsterdb也支持可变长度的键。因此，每个Btree节点有一个非常小的索引提前指向节点的有效负载。这可能导致现有键长度调整或删除后的重组，因此必须对节点做“抽空（vacuumized）”操作，从而避免浪费空间。这个操作会成为一个性能杀手，在速度提升上面临着巨大挑战，因此能少用则少用。
Hamsterdb允许副本键，这意味着某个键可能指向多条记录，键的所有记录都会被组织在一起。他们可用于处理可变长度键的索引结构。（如果一个键有许多备份记录，他们将被从Btree中删除并存储于独立的溢出区）
Hamsterdb支持read-committed隔离级别的ACID事务。事务更新可作为delta-operations存储于存储器中。每个数据库都会有独立的事务索引，这些事务中的更新比BTree中有着更高的优先级。中止事务只意味着放弃事务索引中该事务的更新，并把事务更新交给Btree。
独特的设计选择带来强大的优势。事务升级留在RAM中而不是请求I/O。不再需要事务终止逻辑，因为事务一旦被终止就不会继续执行。恢复逻辑使用了一份简单的逻辑日志，但也存在着一个重要挑战：运行时，两个树必须被合并。想象使用数据库cursor 去完成一个全面扫描，这样的结果是非常复杂的。一些键存在于Btree中，一些在事务树里。在事务树中，Btree里的键可以被重写或者删除，甚至会存在被其他键修改的情况。因此，在涉及到多个键时，这点非常困扰。
Hamsterdb最强力的特性是可测试性。数据库的基本准则是不能丢失数据，这点比性能尤为重要。关键性的Bugs都可被解决的。另外，在九年的开发过程中，为了解决技术负债问题，那些在特定情况下出现的拙劣设计基本上被祛除了，正以敏捷、快速反应的姿态响应用户的需求和新理念，我一直在重写部分代码或者尝试新的想法。高可测试覆盖给了我很大的信心，因为我的更改不会破坏任何东西。
专注于可测试性和高度自动化使我处理好很多事情。在最糟糕时，Hamsterdb debug充斥大量的assert和完整性检查，大约有1800个单元测试和35000个验收测试。那些验收测试中运行着几十个不同的结构，并在BerkeleyDB中并行执行。我们会持续检查两个数据库中数据的一致性，所以任何新进bug都会被马上显示出来。另外，每个测试都会给出一个细节明细表，包括内存消耗、堆分配数目、被分配页数目、Blobs（二进制大对象存储）、btree 的分裂和合并等。
有些测试可以使用valgrind。我们会对比valgrind使用前后的性能，从而快速找出问题发生的地方，并做性能修复。
另外，通过测试模拟数据库崩溃可测试hamsterdb的可恢复性。最后但同样值得关注的是，我可以使用 QuviQ的QuickCheck，一个基于Erlang语言的性能检测工具。QuickCheck让你得知软件的性能情况，然后运行pseudo-randomized指令，不断的核查完整性。
静态代码分析可与Coverity的开源产品和clang的scan-build工具一起使用。他们能发现一些细枝末节问题。
在发布前，所有的测试都是全自动和高性能的。一个完整的发布周期通常要花上几天，且每两个月都要用掉一个硬盘。
总结我学到的知识，测试编写将是一件非常有趣的事情。没有可靠性测试的迭代开发是无法简化的。
我也来介绍下hamsterdb的商业版本 Hamsterdb pro，该版本针对键、记录和日志提供了重度压缩 （zlib、snappy、lzf和lzo），以及AES加密和针对叶节点查找的SIMD优化。还有更多的压缩算法（ bitmap compression和prefix compression）正在进行或计划中。网页上有更多的信息。
到目前为止尚不错，但hamsterdb的性能到底如何？我用谷歌的基准测试将Hamsterdb 2.1.8与LevelDB 1.15作了性能对比。压缩被禁用（Hamsterdb 暂未提供压缩，但是Hamsterdb pro提供了）。Fsyncs同样被禁止，它是hamsterdb的一个修复功能（通过预写日志实现）。测试大小范围从较小的键/记录到具有中等大小键和较大的记录，并且插入数据，范围从100K到100M级别。另外，我运行了两个Hamsterdb 的分析函数，LevelDB也是。所有测试运行的缓存大小从4MB到1GB，机器配备一个HDD和一个SSD。
Hamsterdb的配置总是基于定长键――为8字节键hamsterdb存储的uint64 numbers。自从LevelDB需要number转换成string后，这也就成为了hamsterdb的优势之一。
我也还增加了较小记录（size 8）的测试，因为它们含有主键时，通常会被用于辅助索引。两个机器分别使用了不同硬盘：HDD（Core i7-950 8核和8MB缓存）和一个SSD（Core i5-3550 4核和8MB缓存），下面是部分基准测试结果，详情可以看这里。
持续写；键大小：16；日志大小：100（HDD，1 GB缓存）
连续读；键大小：16；日志大小：100（HDD，1GB缓存）
随机写；键大小：16；日志大小：100（HDD，1GB缓存）
随机读；键大小：16；日志大小：100（HDD，1GB缓存）
计算所有键的综合（HDD，4MB缓存）
计算末尾是“77”的键（SSD，1GB缓存）
对于随机读，Hamsterdb的性能要好于LevelDB。对于随机写，只要数据量不是太大的时候，Hamsterdb 要快于LevelDB。而从1千万键以上开始，hamsterdb就会遭受BTree数据库的传统问题：大量的非序连续I/O的高磁盘寻道延迟。
话虽这么说，这个测试也很好地证明了Hamsterdb的分析能力。尤其是sum和count运算都可以很好地扩展。连续插入和扫描也是Hamsterdb的亮点，且不管数据量多大，它都可以非常快。
未来的工作
这个基准测试让我们发现了很多问题：通过并行hamsterdb，优化随机读/写。这将成为我工作的主要部分，而且我已经草拟一个设计方法，以及在产品发布前进行重构。
原文链接： Hamsterdb: An Analytical Embedded Key-Value Store（翻译/童阳 责编/仲浩）