Cassandra的数据模型借鉴自Google的BigData模型，简单来说就是将写操作放在一个内存块中，当内存块大小达到一定大小时，将内存中的数据排序后写成一个sstable文件，而这种方式会有一些问题，而前段时间Google的Chromium团队开发的一个开源的key-value存储以其分层压缩机制给了大家一种新的思路，Cassandra也适时的将这种思路引入，也就是今天我们要介绍的Cassandra的分层压缩。

　　目前的压缩机制：Tiered Compaction

　　在讲分层压缩之前，我们先来看一下Cassandra目前的数据存储模型和数据压缩机制。

　　像我们上面说的一样，Cassandra在内存数据达到一定大小时，会将数据排序写入磁盘生成一个sstable文件块，当第一级的sstable数目达到四个时，由于这四个sstable相当于是按时间划分的一段时间的数据快照，所以这四个块中会有一些相同的数据。我们将这四个sstable会进行合并压缩，就可憎减小空间。具体过程如下图所未：

　　

　　上图绿色块就表示一个sstable，当第一级的sstable达到四个，就会合并成一个新的第二级的sstable。当然，当第二级的sstable也达到四个，就会再进行合并生成第三级的sstable，以此类推。如果下图所未，当一二三四级sstable都已经有三个，可能这个合并就会一直进行下去。

　　

　　由于sstable之间可能有重复的数据，也就是同一个数据的不同版本可能存在在多个sstable中，所以上面的方式在更新比较频繁的系统中，可能会有下面一些问题：

　　第一是性能的影响，由于一条记录可能存在在多个sstable中，最BT的情况下可能某一条记录会存在在所有sstable中，所以具体需要合并多个少sstable才能保证一条记录在所有sstable中只存了一次就变得不太确定了。

　　这种方式在存储空间上也比较浪费，因为一个被删除的记录可能的老版本可能会一直存在在一些老的sstable中，直到进行一次完整的合并才行。这对于一个经常会有删除操作的系统来说会造成空间的极大浪费。

　　在不怎么删除的系统上，也会造成一些空间的浪费，最坏的情况下，如果一条记录都没有重复，那么合并操作实际上完全是浪费时间，合并后的数据大小和合并前相比不会变，但是合并操作本身会需要和当前数据集一样大的空间成本。

　　新的压缩机制：Leveled Compaction

　　新的压缩机制借鉴自LevelDB，这种机制最大的特点在于其同一层的各个sstable之间不会有重复的数据。所以在某一层和它上一层的数据块进行合并时，可以明确的知道某个key值处在哪个数据块中，可以一个数据块一个数据块的合并，合并后生成新块就丢掉老块。不用一直到所有合并完成后才能删除老的块。

　　另外，新的分层式压缩方式将数据分成条个层，最底层的叫L0，其上分别是L1，L2….，每一层的数据大小是其上的那一层数据最大大小的10倍，其中最底层L0的大小为5M

　　如下图所未，当浅绿色的L0块生成时，它会马上和L1层的数据进行合并，并生成新的L1块(蓝色块)，当L1的块越来越多，大于这一层的最大大小时，这些块又会和L2层的数据进行合并并生新的L2层的块(紫色块)

　　

　　可以这样理解，层级越小的块，其保存的数据越少，也越新，比如L0层保存的就是最新的数据版本，但是其只会保存5M数据，其上的L1层会保存50M数据，但是并不是最新的。当一个系统运行的时间足够长，那么其数据结构可能会如下图所未：

　　

　　这种方式的优点是同一层的块之间没有重复数据，带来的好处就是在合并操作的时候，并不需要扫描一层中的所有数据块。合并的开销变小了。具体能够保证以下一些优点：

　　可以保证90%的读操作只需要对一个sstable进行随机读操作。而最坏情况下，也能保证读操作最大只会等于层数，如果10T数据的话，也只有七层，只需要七次随机读操作。

　　在空间利用上，可以保证最多只有10%的空间会浪费在无用数据上。

　　在压缩合并操作的开销上，也最多只会使用10倍于sstable大小的空间。

　　你可以通过在创建Column Family时指定compaction_strategy参数为LeveledCompactionStrategy来使用新的分层压缩策略。

　　当然，这种策略也不是万能的，对于一个更新操作和删除操作比较多的系统，使用分层压缩是比较合适的。因为这种系统会产生同一份数据的多个版本。但是由于这种压缩会在压缩中进行更多的IO操作，所以如果是一个主要是insert操作的系统，建议不要使用分层压缩方法。