基于日志结构合并树（Log-Structured Merge-tree,LSM-tree）的键值（Key-Value,KV）存储凭借优异的写性能优势广泛应用在写密集型应用场景中。随着NAND闪存技术向更高存储密度的方向发展,NAND闪存的操作单元越来越大,基于NAND闪存的固态盘（Solid State Drive,SSD）容量也越来越大。一方面,更大容量的SSD需要更大的LSM-tree来管理:LSM-tree的深度增加、每层数据增多,读/写放大问题就更严重。另一方面,SSD操作单元的增大会使得现有的软硬件协同优化设计效果不佳,将LSM-tree键值存储的合并（compaction）单元——SSTable（Sorted String Table）存储在一个闪存块中无法充分利用SSD的内部并行性,但将SSTable文件的大小和一个超级块（包含多个闪存块）的大小匹配将导致在compaction中更多的数据迁移。针对上述问题,设计基于高密度SSD的LSM-tree键值存储系统m LSM。m LSM主要包含三个关键设计:（1）Multi-LSM-tree,通过源地址哈希算法将KV数据分布到多棵LSM-tree进行存储,以限制每棵LSM-tree的深度、减少compaction涉及的数据量,从而减少读/写放大。（2）并行数据布局,采用基于超级子块的数据布局方法,一个超级块被划分为若干超级子块,将SSTable文件的大小和超级子块的大小相匹配,避免单次compaction开销过大,同时超级子块横跨所有闪存芯片,以利用SSD的多级并行性。（3）惰性垃圾回收策略（Lazy Garbage Collection,Lazy GC）,尽可能推迟垃圾回收操作,使得待回收闪存块中有更多的失效数据,从而减少有效数据的迁移。测试结果表明,在YCSB测试中,与传统的LSM-tree KV存储（LSM）方案相比,m LSM方案的读/写放大分别至多减少了75.95%和88.74%,吞吐量提升了1.84～2.47倍;与Flash KV方案相比,m LSM方案的读/写放大分别至多减少了95.41%和81.64%,吞吐量提升了1.56～3.01倍。在db＿bench测试中,相比LSM方案和Flash KV方案,m LSM在读/写/擦除闪存次数上分别至多减少了85.21%/87.44%/91.38%,84.73%/86.76%/91.11%。