聊聊FASTER和进程内混合缓存

最近有一个朋友问我这样一个问题：

我的业务依赖一些数据，因为数据库访问慢，我把它放在Redis里面，不过还是太慢了，有什么其它的方案吗？

其实这个问题比较简单的是吧？Redis其实属于网络存储，我对照下面的这个表格，可以很容易的得出结论，既然网络存储的速度慢，那我们就可以使用内存RAM存储，把放Redis里面的数据给放内存里面就好了。

操作	速度
执行指令	1/1,000,000,000 秒 = 1 纳秒
从一级缓存读取数据	0.5 纳秒
分支预测失败	5 纳秒
从二级缓存读取数据	7 纳秒
使用Mutex加锁和解锁	25 纳秒
从主存(RAM内存)中读取数据	100 纳秒
在1Gbps速率的网络上发送2Kbyte的数据	20,000 纳秒
从内存中读取1MB的数据	250,000 纳秒
磁头移动到新的位置(代指机械硬盘)	8,000,000 纳秒
从磁盘中读取1MB的数据	20,000,000 纳秒
发送一个数据包从美国到欧洲然后回来	150 毫秒 = 150,000,000 纳秒

提出这个方案以后，接下来就遇到了另外一个问题：

但是数据比我应用的内存大，这怎么办呢？

笔者突然回想起来，似乎从来没有考虑过数据比应用大是该怎么处理，面对这种性能问题，最方便的方案就是直接扩容，在基础设施完备的公司，一般只需要提交一个工单"8G->64G"就能解决这个问题，这种成本似乎不是该考虑的事情。

不过对于有一些朋友的公司，因为多个方面的原因（主要还是预算），没有办法扩容机器。或者体量非常大，每个实例扩容1GB内存，数万个容器就是非常大的开销。

于是我们可以采用一些内存+磁盘的缓存方式，因为现在大多数都是SSD磁盘，服务器NVME顺序读写速度早已突破7GB/s，随机读写早已突破100K IOPS，而且还可以通过RAID0进一步增加性能。

最简单的就是我们在本地跑一个Sqlite，然后将数据缓存到本地磁盘中，但是Sqlite并不是专业的KV Store，读写性能并不是特别好。KV-Store的话还有基于LSM-Tree的RocksDB、LevelDB等等。

不过那些KV都是C++的实现，在C#中集成需要Bind和P/Invoke，需要自己编译比较麻烦；这让我想起了多年前微软开源FASTER项目。

FASTER

项目如其名，FASTER是目前蓝星最快的KV-Store（开源的项目中），根据论文中的性能表现，它可以实现1.6亿次操作/秒，当然这一切也是有代价的，就是它目前只支持简单的几种操作，Read、Upser、RMW和Delete，不过这已经够了，毕竟在缓存场景这些操作就足够了。

在它2018年开源和论文发表时，我就有关注，不过当时它的API易用性不够，另外C#版本存在一些问题，所以一直都没有体验它，现在它经过几年的迭代，易用性得到了很大的提高，一些之前存在的问题也已经修复。

笔者简单的体验了一下它，可以说这是我使用过比较复杂的的KV-Store了，从它的API使用风格来说，它的设计的目的只有一个，那就是性能。

简单体验FASTER

具体的使用详情大家可以直接看官方文档，Github开源地址和文档在文末给出，需要详细了解的可以查看文档。首先就是安装NuGet包：

<PackageReference Include="Microsoft.FASTER.Core" Version="2.0.22" />

然后下面简单的几行代码就可以把Demo运行起来了，它支持In-Memroy(内存模式)和混合模式。和对数据库操作需要创建链接一样，它的维度是session，注意这个session就代表一个线程对它进行读写，如果多线程场景，那么每个线程对应的session应该要不一致，要单独创建，当然我们也可以把它池化。

// 内存模式

using var fasterKvSetting = new FasterKVSettings<string, string>(null);

// 混合模式

using var fasterKvSetting = new FasterKVSettings<long, byte[]>("./faster-query");

// 创建fasterKv Store

using var fasterKv = new FasterKV<long, byte[]>(fasterKvSetting);

var session = fasterKv.For(new SimpleFunctions<long, byte[]>()).NewSession<SimpleFunctions<long, byte[]>>();

// 准备一个utf-8字符

var str = "yyds"u8.ToArray();

// 写入

session.Upsert(1024, str);

// 读取

var result = session.Read(1024);

Console.WriteLine($"{Encoding.UTF8.GetString(result.output)}");

输出结果就是yyds。

另外也有丰富的参数可以调整内存占用，以下列出了几个相关的内存占用参数,当然，更低的内存使用，意味着更多的使用磁盘空间，性能也就会下降的越多：

IndexSize: 主Hash索引的大小，以字节为单位(四舍五入为2的幂)。最小大小为64字节。
MemorySize: 表示混合日志的内存部分的大小(四舍五入为2的幂)。注意，如果日志指向类键或值对象，则此大小仅包括对该对象的8字节引用。日志的旧部分溢出到存储中。
LogSettings: 这些是几个与日志相关的设置，例如页面大小的 PageSize。
ReadCacheEnable: 是否为存储提供并启用了单独的读缓存。
ReadCacheMemorySize: 读缓存内存占用大小，
ReadCachePageSize: 读缓存页面大小

跑个分试试

那么FASTER到底有多强呢？笔者构建了一个测试，和我们常用的ConcurrentDictionary做比较，那是我能找到在.NET平台上差不多的东西，按道理来说我们应该和RocksDB、LevelDB来比较。

ConcurrentDictionary应该是.NET平台上性能最好的纯内存KV Store了，严格来说它和FASTER并不是不能相提并论，而且受制于笔记本的性能，无法做大数量的测试，要知道FASTER的场景是大型数据集。

为了方便的统计内存占用，我构建了一个结构体类型，如下所示，它应该占用32字节：

Add测试

我分别构建了不同的场景来测试Add性能，测试的构建如下所示：

ConcurrentDictionary 单线程模式
FasterKV 内存+磁盘混合 10~100%内存占用模式
FasterKV 纯内存模式
以上模式的6个线程并发访问模式

代码如下所示：

[GcForce]

[Orderer(SummaryOrderPolicy.FastestToSlowest)]

[MemoryDiagnoser]

[HtmlExporter]

public class AddBench

{

    private const int ThreadCount = 6;

    private const int NumCount = 200_0000;

    private ConcurrentDictionary<long, Data> _concurrent;

    [MethodImpl(MethodImplOptions.AggressiveInlining)]

    private static async Task FasterInternal(double percent, bool inMemory = false, bool multi = false)

    {

        FasterKVSettings<long, Data> kvSetting;

        if (inMemory)

        {

            kvSetting = new FasterKVSettings<long, Data>(null);

        }

        else

        {

            // 总计内存大小 总数 * (key + 每个Data需要占用的内存)

            var dataByte = NumCount * (Unsafe.SizeOf<Data>() + 8 + 8);

            // 计算memorySize 计划只使用{percent * 100}%的内存 需要是2的次幂

            var memorySizeBits = (int) Math.Ceiling(Math.Log2(dataByte * percent));

            // 根据数量计算IndexSize 需要是2的次幂

            var numBucketBits = (int) Math.Ceiling(Math.Log2(NumCount));

            kvSetting = new FasterKVSettings<long, Data>("./faster-add", deleteDirOnDispose: true)

            {

                IndexSize = 1L << numBucketBits,

                MemorySize = 1L << memorySizeBits

            };

            // 不分页

            kvSetting.PageSize = kvSetting.MemorySize;

        }

        using var fkv = new FasterKV<long, Data>(kvSetting);

        if (multi)

        {

            await FasterMultiThread(fkv);

        }

        else

        {

            FasterSingleThread(fkv);

        }

        kvSetting.Dispose();

    }

    [MethodImpl(MethodImplOptions.AggressiveInlining)]

    private static void FasterSingleThread(FasterKV<long, Data> fkv)

    {

        using var session = fkv.For(new SimpleFunctions<long, Data>()).NewSession<SimpleFunctions<long, Data>>();

        for (int i = 0; i < NumCount; i++)

        {

            session.Upsert(i, new Data());

        }

        session.CompletePending(true);

    }

    [MethodImpl(MethodImplOptions.AggressiveInlining)]

    private static async Task FasterMultiThread(FasterKV<long, Data> fkv)

    {

        const int perCount = NumCount / ThreadCount;

        var tasks = new Task[ThreadCount];

        for (var i = 0; i < ThreadCount; i++)

        {

            var i1 = i;

            var session = fkv.For(new SimpleFunctions<long, Data>())

                .NewSession<SimpleFunctions<long, Data>>();

            tasks[i] = Task.Run(() =>

            {

                var j = i1 * perCount;

                var length = j + perCount;

                for (; j < length; j++)

                {

                    session.Upsert(j, new Data());

                }

                session.CompletePending(true);

            });

        }

        await Task.WhenAll(tasks);

    }

    [Benchmark]

    public async Task Faster_Hybrid_10per_Memory_Add()

    {

        await FasterInternal(0.10);

    }

    [Benchmark]

    public async Task Faster_Hybrid_25per_Memory_Add()

    {

        await FasterInternal(0.25);

    }

    [Benchmark]

    public async Task Faster_Hybrid_50per_Memory_Add()

    {

       await FasterInternal(0.50);

    }

    [Benchmark]

    public async Task Faster_Hybrid_90per_Memory_Add()

    {

       await  FasterInternal(0.90);

    }

    [Benchmark]

    public async Task Faster_Hybrid_100per_Memory_Add()

    {

       await FasterInternal(1.0);

    }

    [Benchmark]

    public async Task Faster_Default_InMemory_Add()

    {

        await FasterInternal(0, true);

    }

    [Benchmark]

    public async Task Faster_Hybrid_10per_Memory_Multi_Add()

    {

        await FasterInternal(0.10, multi: true);

    }

    [Benchmark]

    public async Task Faster_Hybrid_25per_Memory_Multi_Add()

    {

        await FasterInternal(0.25, multi: true);

    }

    [Benchmark]

    public async Task Faster_Hybrid_90per_Memory_Multi_Add()

    {

        await  FasterInternal(0.90, multi: true);

    }

    [Benchmark]

    public async Task Faster_Hybrid_100per_Memory_Multi_Add()

    {

        await FasterInternal(1.0, multi: true);

    }

    [Benchmark]

    public async Task Faster_Hybrid_50per_Memory_Multi_Add()

    {

        await FasterInternal(0.50, multi: true);

    }

    [Benchmark]

    public async Task Faster_Default_InMemory_Multi_Add()

    {

        await FasterInternal(0, true, true);

    }

    [Benchmark]

    public void Concurrent_Add()

    {

        _concurrent = new ConcurrentDictionary<long, Data>(1, NumCount);

        for (long i = 0; i < NumCount; i++)

        {

            _concurrent.TryAdd(i, new Data());

        }

    }

    [Benchmark]

    public async Task Concurrent_Multi_Add()

    {

        const int perCount = NumCount / ThreadCount;

        var tasks = new Task[ThreadCount];

        _concurrent = new ConcurrentDictionary<long, Data>(1, NumCount);

        for (var i = 0; i < ThreadCount; i++)

        {

            var i1 = i;

            tasks[i] = Task.Run(() =>

            {

                var j = i1 * perCount;

                var length = j + perCount;

                for (; j < length; j++)

                {

                    _concurrent.TryAdd(j, new Data());

                }

            });

        }

        await Task.WhenAll(tasks);

    }

}

结果如下所示：

FASTER的多线程写入性能非常不错，而且似乎使用内存的多少对写入性能影响不是很大
单线程的话FASTER整体是不如ConcurrentDictionary的
FASTER确实是能节省内存，设置混合模式时，相较ConcurrentDictionary节省60%的内存

Query测试

Query测试我一共创建了100W条记录，然后测试了如下场景:

单线程读取
多线程读取

[GcForce]

[Orderer(SummaryOrderPolicy.FastestToSlowest)]

[MemoryDiagnoser]

[HtmlExporter]

public class QueryBench

{

    public const int Threads = 6;

    public const int NumCount = 100_0000;

    private static readonly Random Random = new(NumCount);

    private static readonly long[] RandomIndex =

        Enumerable.Range(0, 1000).Select(i => Random.NextInt64(0, (int)(NumCount * 0.10))).ToArray();

    private static readonly ConcurrentDictionary<long, Data> Concurrent;

    private static readonly FasterKV<long, Data> FasterKvHybrid;

    private static readonly FasterKV<long, Data> FasterKvInMemory;

    private static readonly ClientSession<long, Data, Data, Data, Empty, SimpleFunctions<long, Data>> HybridSession;

    private static readonly ClientSession<long, Data, Data, Data, Empty, SimpleFunctions<long, Data>> InMemorySession;

    static QueryBench()

    {

        // 初始化字典

        GC.Collect();

        var heapSize = GC.GetGCMemoryInfo().HeapSizeBytes;

        Concurrent = new ConcurrentDictionary<long, Data>(Threads, NumCount);

        for (long i = 0; i < NumCount; i++)

        {

            Concurrent.TryAdd(i, new Data());

        }

        Helper.PrintHeapSize("Concurrent", heapSize);

        // 初始化混合FasterKv

        heapSize = GC.GetGCMemoryInfo().HeapSizeBytes;

        // 总计内存大小 总数 * (key + 每个Data需要占用的内存)

        var dataByte = NumCount * (Unsafe.SizeOf<Data>() + 8 + 8);

        // 计算memorySize 计划只使用50%的内存 需要是2的次幂

        var memorySizeBits = (int) Math.Ceiling(Math.Log2(dataByte * 0.5));

        // 根据数量计算IndexSize 需要是2的次幂

        var numBucketBits = (int) Math.Ceiling(Math.Log2(NumCount));

        var kvHybridSetting = new FasterKVSettings<long, Data>("./faster-query", deleteDirOnDispose: true)

        {

            IndexSize = 1L << numBucketBits,

            MemorySize = 1L << memorySizeBits

        };

        // 32分页

        kvHybridSetting.PageSize = kvHybridSetting.MemorySize / 32;

        Console.WriteLine($"memorySizeBits:{memorySizeBits},numBucketBits:{numBucketBits},{kvHybridSetting}");

        FasterKvHybrid = new FasterKV<long, Data>(kvHybridSetting);

        HybridSession = FasterKvHybrid.For(new SimpleFunctions<long, Data>()).NewSession<SimpleFunctions<long, Data>>();

        for (long i = 0; i < NumCount; i++)

        {

            HybridSession.Upsert(i, new Data());

        }

        HybridSession.CompletePending(true);

        Helper.PrintHeapSize("Faster Hybrid", heapSize);

        // 初始化In Memory

        GC.Collect();

        heapSize = GC.GetGCMemoryInfo().HeapSizeBytes;

        var inMemorySetting = new FasterKVSettings<long, Data>(null);

        FasterKvInMemory = new FasterKV<long, Data>(inMemorySetting);

        InMemorySession = FasterKvInMemory.For(new SimpleFunctions<long, Data>()).NewSession<SimpleFunctions<long, Data>>();

        for (long i = 0; i < NumCount; i++)

        {

            InMemorySession.Upsert(i, new Data());

        }

        InMemorySession.CompletePending(true);

        Helper.PrintHeapSize("Faster In Memory", heapSize);

    }

    [Benchmark]

    public async Task Faster_Hybrid_Multi_Query()

    {

        var tasks = new Task[Threads];

        for (int i = 0; i < Threads; i++)

        {

            var session = FasterKvHybrid.For(new SimpleFunctions<long, Data>())

                .NewSession<SimpleFunctions<long, Data>>();

            tasks[i] = Task.Run(() =>

            {

                Data data = default;

                for (int j = 0; j < RandomIndex.Length; j++)

                {

                    session.Read(ref RandomIndex[j], ref data);

                }

            });

        }

        await Task.WhenAll(tasks);

    }

    [Benchmark]

    public void Faster_Hybrid_1Thread_Query()

    {

        Data data = default;

        for (long j = 0; j < RandomIndex.Length; j++)

        {

            HybridSession.Read(ref RandomIndex[j], ref data);

        }

    }

    [Benchmark]

    public async Task Faster_InMemory_Multi_Query()

    {

        var tasks = new Task[Threads];

        for (int i = 0; i < Threads; i++)

        {

            var session = FasterKvInMemory.For(new SimpleFunctions<long, Data>())

                .NewSession<SimpleFunctions<long, Data>>();

            tasks[i] = Task.Run(() =>

            {

                Data data = default;

                for (int j = 0; j < RandomIndex.Length; j++)

                {

                    session.Read(ref RandomIndex[j], ref data);

                }

            });

        }

        await Task.WhenAll(tasks);

    }

    [Benchmark]

    public void Faster_InMemory_Query()

    {

        Data data = default;

        for (long j = 0; j < RandomIndex.Length; j++)

        {

            InMemorySession.Read(ref RandomIndex[j], ref data);

        }

    }

    [Benchmark]

    public void Concurrent_Query()

    {

        for (long j = 0; j < RandomIndex.Length; j++)

        {

            Concurrent.TryGetValue(RandomIndex[j], out _);

        }

    }

    [Benchmark]

    public async Task Concurrent_Multi_Query()

    {

        var tasks = new Task[Threads];

        for (int i = 0; i < Threads; i++)

        {

            tasks[i] = Task.Run(() =>

            {

                for (long j = 0; j < RandomIndex.Length; j++)

                {

                    Concurrent.TryGetValue(RandomIndex[j], out _);

                }

            });

        }

        await Task.WhenAll(tasks);

    }

}

结果如下所示，这里是100%读的场景：

似乎内存不足对于FASTER的读性能影响挺大的，这也是必然的结果，毕竟SSD再快也没有内存快
另外根据我的测试结果来说，FASTER纯内存模式在100%纯读取的场景没有Concurrent那么快

官方测试结果

由于我的测试结果不是很准确，我又继续查找有没有其它的性能评测的结果，并没有找到什么有价值的。于是从论文和Wiki中找到了一些数据，和大家解读一下我比较感兴趣的部分。

Faster论文

这是在Faster 2018年的论文中提到的一些，如下所示：

https://www.microsoft.com/en-us/research/uploads/prod/2018/03/faster-sigmod18.pdf

上图是单线程情况下，跑YCSB-A(uniform)数据集和YCSB-A(Zipf)数据集的结果。可以看到在单线程的场景，FASTER速度远超于同类Intel TBB、MassTree、RocksDB等数据库。

文中的0:100、50:50、100:0是代表全写、50%写50读、全读的场景。另外FASTER支持Read-Modify-Write，RMW就是代表进行这个操作的性能。

Yahoo! Cloud Serving Benchmark (YCSB) 是一个Java语言实现的主要用于云端或者服务器端的数据库性能测试工具，其内部涵盖了常见的NoSQL数据库产品，如Cassandra、MongoDB、HBase、Redis等等。

在多线程的情况下，FASTER的读性能达到了惊人的1.6亿/s。

上图是在单核和双核的更新性能数据，可以看到FASTER蓝色的线是远超同类产品，特别是在线程数变多以后，其它都是下降趋势，它是程上升趋势。

上图是表示，分别在使用5GB~45GB内存加载27GB数据时的吞吐量，分别是50%的读写，和100%的写。可以看到写性能几乎不受内存大小的影响，这也佐证了我的测试结果。

C# FasterKV性能测试

这是翻阅微软Github项目时，看到专门针对于C#的FasterKV和ConcurrentDictionary的测试。不过它只有纯内存模式的测试，并不包含内存+硬盘混合模式。

https://github.com/microsoft/FASTER/wiki/Performance-of-FASTER-in-C%23#introduction

这里它使用了一台36核72线程的512GB服务器进行测试。分别测试大型数据集(2.5亿个键)和小型数据集(250万个键)进行实验。