IO概念

在數據庫優(yōu)化和存儲規(guī)劃過程中，總會提到IO的一些重要概念，在這里就詳細記錄一下，對這個概念的熟悉程度也決定了對數據庫與存儲優(yōu)化的理解程度，以下這些概念并非權威文檔，權威程度肯定就不能說了。

讀/寫IO，最為常見說法，讀IO，就是發(fā)指令，從磁盤讀取某段扇區(qū)的內容。指令一般是通知磁盤開始扇區(qū)位置，然后給出需要從這個初始扇區(qū)往后讀取的連續(xù)扇區(qū)個數，同時給出動作是讀，還是寫。磁盤收到這條指令，就會按照指令的要求，讀或者寫數據?？刂破靼l(fā)出的這種指令＋數據，就是一次IO，讀或者寫。

大/小塊IO，指控制器的指令中給出的連續(xù)讀取扇區(qū)數目的多少，如果數目很大，比如128，64等等，就應該算是大塊IO，如果很小，比如1， 4，8等等，就應該算是小塊IO，大塊和小塊之間，沒有明確的界限。

連續(xù)/隨機IO，連續(xù)和隨機，是指本次IO給出的初始扇區(qū)地址，和上一次IO的結束扇區(qū)地址，是不是完全連續(xù)的，或者相隔不多的，如果是，則本次IO應該算是一個連續(xù)IO，如果相差太大，則算一次隨機IO。連續(xù)IO，因為本次初始扇區(qū)和上次結束扇區(qū)相隔很近，則磁頭幾乎不用換道或換道時間極短；如果相差太大，則磁頭需要很長的換道時間，如果隨機IO很多，導致磁頭不停換道，效率大大降底。

順序/并發(fā)IO，這個的意思是，磁盤控制器每一次對磁盤組發(fā)出的指令套（指完成一個事物所需要的指令或者數據），是一條還是多條。如果是一條，則控制器緩存中的IO隊列，只能一個一個的來，此時是順序IO；如果控制器可以同時對磁盤組中的多塊磁盤，同時發(fā)出指令套，則每次就可以執(zhí)行多個IO，此時就是并發(fā)IO模式。并發(fā)IO模式提高了效率和速度。

IO并發(fā)幾率。單盤，IO并發(fā)幾率為0，因為一塊磁盤同時只可以進行一次IO。對于raid0，2塊盤情況下，條帶深度比較大的時候（條帶太小不能并發(fā)IO，下面會講到），并發(fā)2個IO的幾率為1/2。其他情況請自行運算。

IOPS。一個IO所用的時間＝尋道時間＋數據傳輸時間。 IOPS＝IO并發(fā)系數/（尋道時間＋數據傳輸時間），由于尋道時間相對傳輸時間，大幾個數量級，所以影響IOPS的關鍵因素，就是降底尋道時間，而在連續(xù)IO的情況下，尋道時間很短，僅在換磁道時候需要尋道。在這個前提下，傳輸時間越少，IOPS就越高。

每秒IO吞吐量。顯然，每秒IO吞吐量＝IOPS乘以平均IO SIZE。 Io size越大，IOPS越高，每秒IO吞吐量就越高。設磁頭每秒讀寫數據速度為V，V為定值。則IOPS＝IO并發(fā)系數/（尋道時間＋IO SIZE/V），代入，得每秒IO吞吐量＝IO并發(fā)系數乘IO SIZE乘V/（V乘尋道時間＋IO SIZE）。我們可以看出影響每秒IO吞吐量的最大因素，就是IO SIZE和尋道時間，IO SIZE越大，尋道時間越小，吞吐量越高。相比能顯著影響IOPS的因素，只有一個，就是尋道時間。

MongoDB磁盤IO問題的3種解決方法

1.使用組合式的大文檔

我們知道MongoDB是一個文檔數據庫，其每一條記錄都是一個JSON格式的文檔。比如像下面的例子，每一天會生成一條這樣的統(tǒng)計數據：

　　{ metric: content_count, client: 5, value: 51, date: ISODate(2012-04-01 13:00) }

　　{ metric: content_count, client: 5, value: 49, date: ISODate(2012-04-02 13:00) }

而如果采用組合式大文檔的話，就可以這樣將一個月的數據全部存到一條記錄里：

　　{ metric: content_count, client: 5, month: 2012-04, 1: 51, 2: 49, ... }

通過上面兩種方式存儲，預先一共存儲大約7GB的數據(機器只有1.7GB的內存)，測試讀取一年信息，這二者的讀性能差別很明顯：

　　第一種: 1.6秒

　　第二種: 0.3秒

　　那么問題在哪里呢?

實際上原因是組合式的存儲在讀取數據的時候，可以讀取更少的文檔數量。而讀取文檔如果不能完全在內存中的話，其代價主要是被花在磁盤seek上，第一種存儲方式在獲取一年數據時，需要讀取的文檔數更多，所以磁盤seek的數量也越多。所以更慢。

實際上MongoDB的知名使用者foursquare就大量采用這種方式來提升讀性能。

2.采用特殊的索引結構

我們知道，MongoDB和傳統(tǒng)數據庫一樣，都是采用B樹作為索引的數據結構。對于樹形的索引來說，保存熱數據使用到的索引在存儲上越集中，索引浪費掉的內存也越小。所以我們對比下面兩種索引結構：

　　db.metrics.ensureIndex({ metric: 1, client: 1, date: 1}) 與 db.metrics.ensureIndex({ date: 1, metric: 1, client: 1 })

采用這兩種不同的結構，在插入性能上的差別也很明顯。

當采用第一種結構時，數據量在2千萬以下時，能夠基本保持10k/s 的插入速度，而當數據量再增大，其插入速度就會慢慢降低到2.5k/s，當數據量再增大時，其性能可能會更低。

而采用第二種結構時，插入速度能夠基本穩(wěn)定在10k/s。

其原因是第二種結構將date字段放在了索引的第一位，這樣在構建索引時，新數據更新索引時，不是在中間去更新的，只是在索引的尾巴處進行修改。那些插入時間過早的索引在后續(xù)的插入操作中幾乎不需要進行修改。而第一種情況下，由于date字段不在最前面，所以其索引更新經常是發(fā)生在樹結構的中間，導致索引結構會經常進行大規(guī)模的變化。

3.預留空間

與第1點相同，這一點同樣是考慮到傳統(tǒng)機械硬盤的主要操作時間是花在磁盤seek操作上。

比如還是拿第1點中的例子來說，我們在插入數據的時候，預先將這一年的數據需要的空間都一次性插入。這能保證我們這一年12個月的數據是在一條記錄中，是順序存儲在磁盤上的，那么在讀取的時候，我們可能只需要一次對磁盤的順序讀操作就能夠讀到一年的數據，相比前面的12次讀取來說，磁盤seek也只有一次。

　　db.metrics.insert([

　　{ metric: content_count, client: 3, date: 2012-01, 0: 0, 1: 0, 2: 0, ... }

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　])

結果：

　　如果不采用預留空間的方式，讀取一年的記錄需要62ms

　　如果采用預留空間的方式，讀取一年的記錄只需要6.6ms

總結

以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，如果有疑問大家可以留言交流，謝謝大家對腳本之家的支持。