在双十一这种交易峰值场景下，数据库的性能面临着极大的挑战。为了应对这一挑战，PolarDB进行了大量的优化工作。
首先，针对热点Page的更新及访问，PolarDB优化了其SMO（Split Merge Operation）操作。在之前，由于B+Tree实现的加锁限制，同一时刻整个B+Tree只能有一个SMO操作，这导致了写入性能的受限。PolarDB通过优化加锁，支持同一时刻多个SMO同时进行操作，提高了写入性能。同时，PolarDB引入了Blink Tree来替换B+Tree，通过缩小SMO的加锁粒度，优化了读取性能。这些优化可以将交易场景下PolarDB的读写性能提升20%。
其次，PolarDB对simulated AIO进行了重新设计。在原版中，simulated AIO基于本地存储设计，与分布式存储的特性并不适配。为了进行IO合并，原版的simulated IO设计将所有异步IO请求按照目标地址进行组织，存放在同一个IO数组中。然而，这种设计在分布式存储下并不适用，因为它会导致同一时刻只有一个或少量存储节点处在服务状态，浪费了其他存储节点的资源。此外，这种设计在高负载下会导致网络中的Inflight IO增多，IO组中的IO请求数量也会增多，使得IO数组中的槽位状态无序，增加了添加和移除IO请求的开销，从而影响了性能。PolarDB通过合理的选择IO合并和拆解，建立状态有序的IO服务队列，有效提升了性能。
最后，PolarDB采用了Partitioned Lock System的方式，将log_sys改造成由多个LockSysShard组成，每个Shard中都有自己局部的mutex，从而将mutex成为瓶颈的问题得到了解决。尤其是在这种大压力的写入场景下，这一改进明显提升了写入性能。
总的来说，通过上述一系列的优化，PolarDB在双十一这种交易峰值场景下，有效提升了其性能，为用户提供了更加稳定和高效的服务。
