本文是对面向 IoT 领域的开源时序数据库 BTrDB 内部实现细节的研究和介绍。
1. 场景介绍
BTrDB 论文中介绍了一个实际的项目，能很好解释清楚 BTrDB 的设计初衷和适用场景：
在一个电网中大量部署了某类传感器，每个传感器会产生 12 条时间线，每条时间线频率为 120Hz（即每秒 120 个点），时间精度为 100ns；由于各种原因，传感器数据传输经常性出现延迟、（时间）乱序等。BTrDB 在该场景下单机能支撑 1000 个类似的传感器，写入速率约 1.44M points/s。
该项目有这样几个特点：
1. 时间线在很长时间内有一定的不变性，其生命周期跟(IoT)设备周期一致
2. 数据频率很高（120 Hz）且固定
3. 数据的时间分辨率很高（100ns级别），一般如Druid，TimescaleDB 时间精度最多做到 ms 级别
4. 数据传输经常性出现乱序
5. 时间线数量有限
BTrDB 为了适应上述场景，设计并提出了 "time-partitioning version-annotated copy-on-write tree" 的数据结构，为每一条时间线构建了一棵树（可以参考B+Tree），数据在该树中按照时间戳排序，叶子节点有序得存放某个时间段内的时序数据。
可以想见，这棵树的生命周期跟设备的生命周期直接挂钩，因此随着时间的发展，这棵树即使只包含一条时间线，也会占用很可观的存储空间（约 10M points/day）；另外由于是基于树结构，并且引入了版本（version-annotated) 的概念，BTrDB 可以很好的支持乱序数据和任意精度的时序数据。
由于数据结构不同于以往时序数据库基于LSM-Tree的变种，因此 BTrDB 还提供了一套新的时序数据查询接口，方便在 BTrDB 上层构建各种算法和应用。
2. 数据结构
2.1 version-annotated & CoW 特性
在数据写入时，BTrDB 会先修改在内存中的数据块（新建或者使用 CoW 机制修改已有块），当数据达到一定阈值时再写回底层块存储；由于 CoW 机制，并且底层块存储（默认使用Ceph）无法覆盖更新，因此只能创建一个新版本的数据块。
2.2. 叶子节点
对于 IoT 设备发来的数据，由于频率固定，这些叶子节点占用空间大小基本一致。
叶子节点还未持久化到底层存储时，在内存中通过数组的方式分别存放时间戳和（双精度浮点）值；在序列化到底层存储时，会通过delta-delta的方式压缩时间戳和值；在序列化双精度浮点数值之前，会将浮点数据数拆分为尾数和指数两部分，并分别进行delta-delta压缩。
2.3. 中间节点:
中间节点被划分为多个 bucket，每个 bucket 中存放着指向子节点的链接（带版本号）以及子节点的统计数据：
- 子节点的时间范围
- 聚合数据，如 sum, max, min，count 等
- 子节点连接地址和版本号
在处理查询时，如果中间节点的时间精度满足查询需求，查询操作就不再读取下层子节点了，这样就很自然的实现了将精度功能；这种实现方式，能够很好的处理乱序、重复数据以及删除操作，并且与其他现有的实现相比，能够很好的保证数据的一致性。
2.4. 插入时树的分裂
一棵新的树（对应一条新的时间线）只有一个根节点，在 BTrDB 的实现中，根节点时间跨度约为146.23年，这样每个 bucket 的时间跨度为 146.23/64 ~= 2.28 （年），根据默认配置，1970年在根节点的第16个 bucket。
可见，根节点在创建时就已经限制了数据的时间范围，后续数据的插入是自顶向下逐层分裂的，当数据因为丢失等原因造成时间线不完整时，部分节点的深度可能会不一样，因此并不是一颗严格的平衡树。数据插入过程如下：
- 数据插入操作从根节点开始；
- 如果当前节点是中间节点，则遍历每个数据，为每个数据找到对应的 bucket；
- 如果对应的 bucket 不存在，则创建新的 bucket 和与该 bucket 关联的子节点：
- 如果当前 bucket 待插入的点个数超过叶子节点最大点数（默认1024），则直接创建中间子节点；
- 否则，创建叶子节点；
- 将数据插入到与所属 bucket 关联的子节点中；
- 如果当前节点是叶子节点，节点中数据个数和待插入数据个数总合超过 1024 个点，则分裂当前节点创建出新的中间节点，将数据插入新的中间节点；否则将待插入数据和当前节点已有数据合并，并按照时间戳排序；
- 当前节点插入成功后，自底向上更新父节点的统计信息；
从上面过程可以看到，节点在插入时在两个地方可能出现分裂。一个是从根节点开始，自顶向下分裂；另一个是从叶子节点开始，向上分裂。
虽然这棵树并不是一颗平衡树，但是对于 IoT 类项目，设备的时间线生命周期、数据采集频率很稳定，在绝大多数场景下，节点中数据都是均衡分布的。
2.5 节点占用的内存空间
在默认实现中，叶子节点中最多存储1024个数据点；中间节点中最多存储64个子节点指针，因此：
- 对于还未持久化的叶子节点，占用的内存空间为：
1024*2*8 = 16K（见 2.2.1） - 对于还未持久化的中间节点，占用的内存为：
64*6*8 + 64*2*8 = 4K（见 2.2.2）
3. 数据存储相关
3.1 写 WAL
- 在数据插入时，会先将数据写入到 WAL(Write Ahead Log) 中；
- 每次写 WAL 都会返回一个check point，代表数据在WAL中的写入位置；
- WAL 写入成功后，原始数据和 check point 会被写入时间线的缓冲区；
- 时间线的缓冲与时间线一一对应，最大容纳32768个数据点；
- 当缓冲区满时，数据会被插入到树结构中，并将该缓冲区对应的 check points 在 WAL 中标记为删除状态；
- 在 WAL 的 replay 过程中会根据已被删除的 check points 过滤原始数据。
下面的示意图展示了WAL中 check points 与时间序列缓冲区的关联关系，在缓冲区清空后，BTrDB 会将已经删除的 check points 写入到当前 WAL 对应的块文件的元信息（block attributes）中：
当一个 WAL 块文件中所有的 check points 都标记为已删除时，该文件就可以从 Ceph 中删除了。当前 WAL 文件大小超过16M时就会创建新的块文件，在理想情况下，块文件都能被及时删除；但是如果某些时间线出现异常，向前文提到的，其缓冲区在 8 小时后才能被回收，那么负责记录这些时间线的 WAL 文件也就只能在8小时后被回收。
这些滞留的 WAL 文件大小只有16M，数量与出现异常的 IoT 设备数量成线性关系，因此需要更多 IoT 设备运行统计数据才能统计其影响。
3.2 写 Block
BTrDB 的树结构在持久化后会产生两类数据，一个称为 superblock，记录了当前树的最新版本、更新时间、根节点位置等基本信息；另外一个称为 segment，统一包含了树的叶子节点和中间节点的数据。
superblock 是带版本的，每个版本的 superblock 只占用16Byte，格式为：
{root: 根节点位置，8Byte, timestamp: 修改时间，8Byte}
superblock 在 Ceph 中的寻址方式为：
块存储 id = uuid.toString() + (version >> 20)
块存储中的 offset = (version & 0xFFFFF)*16
在 BTrDB 中持久化树结构时叶子节点和中间节点会一并序列化到 segment 中，每个节点的寻址编码方式为：
块存储的 id = uuid.toString() + (address >> 24)
节点在块存储中的偏移量 = (address & 0xFFFFFF)
可以看到， WAL 文件， superblock 块文件以及 segment 块文件大小都是 16M。另外，BTrDB 中没有 compaction，也没有对过期版本数据的清理，只有上文中介绍的对 WAL 的处理，写入放大会很明显。
新的查询语义
这里只是罗列、简单介绍下 BTrDB 提供的新的查询语义，这些查询语义的提出与 BTrDB 的数据结构有很大关系，或者是为了利用树结构某些特性，或者是为了规避树结构一些不足：
- GetRange(UUID, StartTime, EndTime, Version) → (Version, [(Time, Value)]) 查询时间线在某个时间范围内的详细（原始）数据；
- GetLatestVersion(UUID) → Version 查询时间线最新版本；
- GetStatisticalRange(UUID, StartTime, EndTime, Version, Resolution) → (Version, [(Time, Min, Mean, Max, Count)]) 获取给定时间范围内，满足一定时间精度的，大于等于给定版本的时间线的聚合数据；
- GetNearestValue(UUID, Time, Version, Direction) → (Version, (Time, Value)) 向前、向后获取下一个点；
- ComputeDiff(UUID, FromVersion, ToVersion, Resolution) → [(StartTime, EndTime)] 在满足给定时间精度条件下，获取两个版本号范围内，所有更新节点的起止时间；适合做增量计算。
上面接口中的时间分辨率参数（Resolution），对于接口的性能有很大影响。前文提到根节点的时间分辨率是2.2年，从树的根节点到底层节点，节点中数据的时间分辨率越来越高；在查询时，低分辨率数据聚合程度高，扫面的数据块少；高分辨率的数据聚合程度低，但是需要扫面的数据块很多。
总结
BTrDB 中数据结构是针对单条时间线构建的，并且针对 IoT 设备数据稳定的特点，构建了一棵树来存储时序数据；树结构解决了传统 TSDB 在乱序插入、删除、预降精度等方面面临的问题。
阿里云时序时空数据库TSDB 1元购！立即体验：https://promotion.aliyun.com/ntms/act/tsdbtry.html?spm=5176.149792.775960.1.dd9e34e2zgsuEM&wh_ttid=pc
