抽时间调研了一下NoveLSM，总结如下：
NoveLSM核心就是利用Nonvolatile Memory设备解决LSM面临的核心问题：写放大以及写放大的带来的操作的 latency 上升。
NoveLSM解决思路包括如下几个方面（其中一部分是解决老问题引入新问题以及解决办法）。
1. 减少memtable到SST的序列化反序列化开销。
NoveLSM团队直接开发了基于NVM的可持久化的skip list，因此从memtable到NVM避免了序列化和反序列化。
2. 减少 Compaction 的开销
compaction开销是导致写延迟的罪魁祸首，NoveLSM的做法是发现compaction来不及的时候，memtable的数据直接写入NVM中，因为NVM相比内存要大很多，这要本质上是增加了一层持久化缓存，这样也引入新问题，本来LSM的架构是memtable+SST，现在变成了memtable+NVM table+SST。因此read的流程就要响应的调整。
3. 减少 Logging 的开销
LSM的memtable一般都需要WAL用于recover，对于NVM本身就是非易失设备，可以免去WAL。相应的recover的时候，对于NVM table，直接把这个当作WAL看待就可以了。
补充一点，就是增大memtable主要是为了提升写的性能，降低compaction的影响，但是也带来了recover的耗时比较长的问题，同时内存资源也比较宝贵，因此综合起来logging开销不可忽视。
4. 支持并发读取
NoveLSM引入NVM减少compaction，带来了LSM层级的增加，导致原来的read流程的延时会进一步增加，因此NoveLSM采用并发读取的方式降低read的延时，这样 read latency 从通常的T-MemDRAM + T-MemNVM + T-Imm + T-SST变成了max(T-MemDRAM + T-MemNVM, T-Imm, T-SST)。
T-MemDRAMT-MemNVM是 DRAM 和 NVM memtable 的时间开销。
T-Imm则是 immutable memtable 的开销。
T-SST 就是 SST 的开销。
在read的正确性方面，NoveLSM通过增加一些约束来保证。
a. 在上一层的结果未返回之前，下一层的结果不能作为最终结果。
b. 如果某一层返回了结果，那么之后层级的结果忽略，即不会等待后面层级的结果。
优化之后的效果还是比较明显。论文中贴出了对比测试数据
网友评论