键值存储系统,由于其简单的数据模型,被广泛应用于社交网络、电商、云计算基础设施等场景下,是现代存储系统的重要组成部分。其中比较重要一类系统是基于日志结构合并树(Log-structured Merge Tree,LSMT)的键值存储系统。这类系统因为有着优异的写入能力,已被广泛用在密集写入的场景下。但是基于LSMT的键值存储系统,如LevelDB/RocksDB,还是存在着写放大严重的问题,即实际写入存储设备的数据量要远大于用户请求写入的数据量,浪费I O能力以及加速存储设备损耗。学界也有不少关于降低写放大的研究工作,如WiscKey、PebblesDB、LSM-Trie,但是这类工作大多都需要牺牲读操作的性能。因此本文的首要研究目标是降低该类系统的写放大。为此,本文提出SilkSt ore,一个写优化的键值存储系统,来尝试解决这个问题。SilkStore的核心创新点在于设计了一个单层的LSMT结构以及高效的合并策略,降低了由于传统LS MT的多层设计以及合并算法导致的对键值的重复写入。同时本文从理论角度分析了SilkStore相比于其他LSMT设计的优劣势。除此之外,现有的LSMT设计的无法很好处理子键空间读写模式不同的复杂工作负载。为了解决这个问题,SilkStore引入了自适应优化机制,通过对键范围的进行读写热度统计,自适应地面向工作负载进行组织结构优化,使SilkSt ore以合适的物理存储结构来处理读写请求,进一步降低IO开销。我们通过实验验证:相比于业界流行的键值存储方案,SilkStore的写放大降幅高达410%,同时保持了优秀的随机点读(Point Read)与范围读(Range S can)性能。除此之外,SilkStore能有效发现实验中的复杂工作负载的特点,并作出优化,使读延迟再次降低了27-37%。