CMU15445 Project 2

Project 2

• Project 2
  • Checkpoint 1
    • Flexible layout
    • Page Layout
    • Binary Search
  • Insert
    • Split Leaf
    • Split Internal
  • Checkpoint 2
    • Delete
      • Determine nearby node
      • Coalesce
      • Redistribution
    • Iterator
    • Concurrency
      • Crabbing lock
      • Data race
      • Deadlock

Checkpoint 1

Flexible layout

假设 B+ Tree 的 leaf node 与 internal node 的最大大小分别为：leaf_max_size 和 internal_max_size，那么：

• leaf node 的元素个数最少为：⌈(n−1)/2⌉lceil (n-1)/2 rceil⌈(n−1)/2⌉，最多为：n−1n-1n−1
• internal node 的元素个数最少为：⌈n/2⌉lceil n/2 rceil⌈n/2⌉，最多为：nnn

这里有一个问题是，internal node 的第一个 key 为空，那么其对应的元素个数是否应该也发生改变。实际上，这个问题关系到 internal node 的理解，后面有答案

在我们的 page 的定义中，无论是 internal page 还是 leaf page，都是以一个 pair 为类型的 flexible array 作为结尾，因此二者本质上对于每个元素所采取的存储方式都是一样的

换句话说，对于 leaf page，flexible array 中的每一个下标都对应存储一个 pair，而 internal page 当中的 flexible array 中的每一个下标也对应存储一个 pair，唯一不同的是 internal page 的第一个 pair 的 first 不存储元素

因此，无论是 internal page size 还是 leaf page size，记录的都是当前该 page 已经存储的 pair 的数量，不会出现在实际存储的 ValueType 一样的情况下，internal size 比 leaf size 要少一个的情况，二者的下标均是从 000 到 internal/leafsize−1internal/leaf size - 1internal/leafsize−1

对于二分查找而言，我们查找的对象是 KeyType，而 KeyType 是存储在 pair 的 first 部分里面，因此对于 internal page，我们需要查找的范围为：[1,n)[1,n)[1,n)；而对于 leaf page，我们需要查找的范围为：[0,n)[0,n)[0,n)

对于二者的 flexible array 的详细结构，可以参考下图：

Page Layout

BPlusTreePage 为 BPlusInternalPage 和 BPlusLeafPage 的基类，它只提供最基本的三个元素，一共占 12 bytes

• BPlusInternalPage：metadata 占 12 bytes；在这基础上增加了一个 flexible array，后续的所有内容均由其填充
• BPlusLeafPage 在这基础上增加了一个指向下一个 leaf page id 的元素，占 4 bytes，因此 metadata 占 16 bytes；剩余的所有内容由 flexible array 进行填充

需要说明的是，B+Tree 的一个节点占一个 page，这里的意思是：在 4KB 的内容中，B+Tree 的页面 metadata 分别占 12/16 bytes，其余的才是每一个 pair 存储的内容。而每个 page 自身的 metadata 并不会存放在这 4KB 当中，这部分的数据是单独存放的

值得一提的是，对于 internal page，实际上每个 pair 的定义是：pair，而 对于 leaf page，每个 pair 的定义是：pair。我们可以使用在 b_plus_tree.h 开头的 InternalPage 和 LeafPage 来对变量进行定义

在实际的调试过程中，RID 一般是占 888 字节而 page_id_t 则是 444 字节，如果发现 internal page 的 flexible array 出现了 444 字节的偏移，那么大概率就是页面的定义出现了错误

因此到此为止，我们也就理解了，internal page 当中存放的是 nnn 个元素（也就是 nnn 个 pair），nnn 个叶节点的 page_id 和 n−1n-1n−1 个 KeyType

Binary Search

由于我们需要频繁使用 std::lower_bound 和 std::upper_bound，因此在这里我们需要对二者的行为详细说明一下：

我们假定待查找区间内的元素为 element，我们传入的元素为 value

std::lower_bound 接受一个范围 [start,end)[start, end)[start,end) 作为参数，它会将这个范围划分为两部分，前半部分满足 element=value。该函数会返回第一个使得 element < value 为 false 的值，也就是后半区间的起点

std::upper_bound 接受一个范围 [start,end)[start, end)[start,end) 作为参数，它同样会将这个范围划分为两部分，前半部分满足 elementvalue。它会返回第一个使得 value < element 为 true 的值，也就是后半区间的起点

举个例子，假设待查找区间为：[1,2,3,4,5,6,7,8,9,10][1,2,3,4,5,6,7,8,9,10][1,2,3,4,5,6,7,8,9,10]，假设 value = 5，那么：

对于 lower_bound 而言，区间被划分为：[1,2,3,4][1,2,3,4][1,2,3,4] 和 [5,6,7,8,9,10][5,6,7,8,9,10][5,6,7,8,9,10]，后半区间的起点为 555

对于 upper_bound 而言，区间被划分为：[1,2,3,4,5][1,2,3,4,5][1,2,3,4,5] 和 [6,7,8,9,10][6,7,8,9,10][6,7,8,9,10]，后半区间的起点为 666

std::lower_bound 和 std::upper_bound 都可以传入一个 predicate 来自定义比较方式，该 predicate 的要求为（两个函数都一样）：只要第一个参数小于第二个参数，那么返回 true

例如，我们可以这样写（该函数返回 -1 表示第一个参数小于第二个参数）：

int idx = std::lower_bound(cur_page->array_, cur_page->array_ + cur_page->size_, std::make_pair(key, ValueType()),
                            [&](const MappingType &e1, const MappingType &e2) {
                              return this->comparator_(e1.first, e2.first) == -1;
                            }) -
          cur_page->array_;

Insert

insert 函数的大致思路在书中有伪代码给出，在此我们只关注几个重要的点：

Split Leaf

由于 leaf page 最多只能存放 n−1n-1n−1 个元素，因此当其大小已经等于 n−1n-1n−1 时，再次插入一个元素就需要进行分裂。而 internal page 最多能存放 nnn 个指针，因此当其大小已经等于 nnn 时，再插入一个元素，就需要进行分裂

书中的伪代码给出的做法是，先将原先旧节点的所有内容复制到一块新开的内存空间当中，然后将待插入的 pair 插入进去，最后在分别复制回原先的节点和新的节点

实际上，这一步我们可以简化。我们先确定待插入的 pair 应该在旧节点的哪个下标 idx 之后进行插入（可以用 std::upper_bound 找到），然后再确定总的元素个数 size 的大小（这等于旧节点的元素个数 OldSize 再加一）

然后，我们可以将旧节点中，区间 [size/2,idx][size/2,idx][size/2,idx] 复制到新节点，单独对新的 pair 进行复制，然后再将旧节点中区间 [idx+1,OldSize)[idx + 1, OldSize)[idx+1,OldSize) 的值复制到新节点

需要说明的是，这里的 size 有可能为奇数，那么我们在分裂后，旧节点和新节点谁多一个元素都是允许的，只要保证前后统一即可。在我们实现当中，我是允许旧节点相比于新节点多一个元素，因为我认为这在一定程度上可以减少未来再次分裂的可能性。如果是这样做的话，那么旧节点的复制区间改为 [size/2+1,idx][size/2+1,idx][size/2+1,idx] 和 [idx+1,OldSize][idx+1,OldSize][idx+1,OldSize] 即可

具体可参考下图：

Split Internal

internal page 的分裂与 leaf page 的分裂在本质上都是一样的，只不过 internal page 的分裂多了一个不断向父节点插入新的 pair 的过程

由于 internal page 的第一个 key 为空，因此我们按照 leaf page 的分裂方式得到两个节点后，新节点的第一个 key 需要置空

由于 internal page 有一个向上传递的过程，传递的值为：新节点的第一个 key 以及新节点的 page_id，也就是说我们需要将第一个 key 复制一遍后，将其置空，然后将 pair 向上传递，这样便完成了 internal page 的分裂操作

需要说明的是，在课本当中的伪代码里面，函数的定义为：insert_in_parent(node N, value K', node N')。这里的意思是，向节点 N 的父节点中插入一个 pair，其内容为 (K', N')

关于如何快速求出当前节点的父节点，由于对父节点插入的前提一定是对叶节点插入，因此我们可以在找叶节点的时候先将这条路径上的每个节点的 page_id 记录在 vector 里面，然后每次从 back() 取值，并 pop 一遍，这样子可以保证每次的 back() 都是当前节点的父节点

具体参考下图：

对于B+树的内部节点，如果是找 second 的话，那么不能用二分查找

Checkpoint 2

Delete

B+Tree 的 delete 操作在当前节点不满足 ⌈n/2⌉lceil n/2rceil⌈n/2⌉ 时（也就是 (n+1)/2(n+1)/2(n+1)/2），会发生 coalesce 和 redistribution，这也是 B+Tree 中较为复杂的部分，我们详细讨论这一部分

Determine nearby node

无论是 coalesce 还是 redistribution，我们都需要确定当前节点 NNN 的相邻节点 N′N'N′，我们只需要在当前节点 NNN 的父节点中找到其相邻节点即可。换句话说，NNN 和 N′N'N′ 具有相同的父节点

需要注意的是，这里我们只能逐个遍历父节点当中的内容，而不能简单地使用二分查找。这是因为我们是在父节点中查找当前节点 NNN 的 page id，而在父节点中，key 是有序的，而 page id 是无序的，因此我们只能逐个遍历

另外，为了保证与官方提供的 bpt-printer 相一致，我们优先选择后一个节点。换句话说，只有当前节点是最后一个节点的时候，我们才会选择前一个节点，否则都是选择后一个节点。书中的伪代码是优先选择前一个节点，这样做没有问题，但会与官方提供的 bpt-printer 所产生的结果不一致

在后面的描述中，我会描述我的实现方法。我是按照官方的 bpt-printer 的行为进行设计的，虽然与书中的描述不同，但有可视化的结果进行参考

除了确定相邻节点 N′N'N′ 以外，我们还需要确定 NNN 与 N′N'N′ 之间的那个 key，具体如下图：

Coalesce

如果当前节点 NNN 和相邻节点 N′N'N′ 当中的元素个数小于等于单个节点的最大大小，那么我们便执行 coalesce

• 对于 leaf page，要求小于等于 leaf_max_size_ - 1
• 对于 internal page，要求小于等于 internal_max_size_

对于 leaf page 而言，我们只需要将 NNN 中的所有元素加到 N′N'N′ 中即可（或者反过来），然后对应设置以下 next_page_id_ 即可

对于 internal page 而言，我们需要将 key 以及 N′N'N′ 中的所有元素全部加到 NNN 中（或者将 NNN 中的所有元素加到 N′N'N′ 中）。对于内部节点，由于第一个 key 为空，因此我们需要将父节点的 key 加入到新合并得到的节点当中，随后再在父节点中删除 key 和 NNN（或者 N′N'N′）

在父节点中，我们是以 key 为单位进行删除的，而 key 又与其对于的 page id 组成了一个整体。为了方便，无论当前节点与相邻节点的位置关系如何，我们始终删除后一个节点，具体如下图：

对于 leaf page 而言，只是少了将父节点的 key 加入到新合并得到的节点中这一操作，移动的方向以及删除的节点二者是一样的

Redistribution

如果 NNN 与 N′N'N′ 的元素个数大于单个节点的最大大小，那么我们需要执行 redistribution。该操作的本质是向相邻节点借一个元素过来

对于 leaf page 而言，我们需要考虑二者的位置关系：

• 如果 NNN 在 N′N'N′ 的前面，那么我们将 N′N'N′ 的第一个元素加到 NNN 的后面，将 N′N'N′ 中的所有元素向前移动一位，并将原先父节点当中的 key 设置为 N′N'N′ 的第一个 key
• 如果 NNN 在 N′N'N′ 的后面，那么我们将 NNN 中的所有元素向后移动一位，将 N′N'N′ 的最后一个元素加到 NNN 中，并将原先父节点当中的 key 设置为 NNN 的第一个 key

对于 internal page 而言，我们同样需要考虑二者的位置关系：

• 如果 NNN 在 N′N'N′ 的前面，我们需要将父节点当中的 key 以及 N′N'N′ 第一个元素当中的 second 加到 NNN 的后面，然后将父节点当中的 key 替换为 N′N'N′ 第一个元素当中的 first，最后将 N′N'N′ 的所有元素向前移动一位
• 如果 NNN 在 N′N'N′ 的后面，我们需要将 NNN 先向后移动一位，然后将父节点的 key 以及 N′N'N′ 的最后一个元素的 second 加到 NNN 的前面，然后用 N′N'N′ 的最后一个元素的 first 替换掉父节点的 key

Iterator

对于 iterator 的设计，由于该迭代器是只读的，并且我们需要保证在并发的时候不会发生 data race，因此我们需要一个 ReadPageGuard；另外，我们还需要获取当前 page 的下一个 page，因此我们需要一个 bpm 指针来获取；最后，由于我们需要确定当前 leaf page 中的元素的位置，因此需要一个 const Mapping* 的指针

实际上有这三个就以及足够了，我的设计当中加入了一个指向当前 leaf page 尾部的指针，用于快速确定当前迭代器是否已经遍历到头了

我的定义如下：

ReadPageGuard read_guard_;
const MappingType *ptr_;
const MappingType *end_;
page_id_t cur_page_id_;
BufferPoolManager *bpm_;

Concurrency

Crabbing lock

并发控制是这个实验最难的一个部分了，我们需要去实现 crabbing lock，这里需要用到 Context 这个工具

crabbing lock 的本质是：对于当前节点而言，如果我们能够确定它的子节点是 safe 的，那么我们便可以释放当前节点的所有祖宗 ancestors（不包括当前节点）。而一个节点是 safe 的当且仅当它不会执行 split, coalesce, redistribution 这些操作。换句话说，对于 insert 操作而言，子节点的元素个数加一小于 n−1n-1n−1，对于 delete 操作而言，子节点的元素个数减一大于等于 ⌈n/2⌉lceil n/2rceil⌈n/2⌉

因此，我们在向下递归到叶节点时便可以对当前节点的子节点进行判断，进而确定是否需要释放之前的节点

实际上，如果我们确定了当且节点的子节点是安全的，那么相当于无论子节点发生什么操作，都不会影响到当前节点的之上的节点。我们不释放当前节点的原因在于，子节点的操作会传递到当前节点，也就是我们需要对当前节点进行修改，因此我们不能释放当前节点

由于我们是对 page 进行上锁，因此如果前面的 thread 持有该节点的 lock，那么后续的 thread 会卡在该节点。实际上，我们需要细化这个过程，不然会出现很多问题。后续的 thread 会先从 bpm 中获取到该 page，然后在试图对该 page 上锁时被卡住。也就是说后续节点是获得了当前的页面，只是无法对当前页面进行写入而已

我们考虑这样一种情况，有两个线程都执行插入操作，AAA 线程在插入时，BBB 会被卡在根节点（此时它已经获得了根节点的 page 内容，只不过无法写入），如果 AAA 的插入导致 B+Tree 的根节点发生了变化，那么此时根节点的位置便发生了改变，而 BBB 目前所被卡住的位置并不是新的根节点，因此这会产生问题。

顺带一提，这种情况只会在插入的时候产生错误，在删除时不会。因为哪怕根节点被删除，BBB 线程已经持有了原先的根节点，因此它不会被 bpm 从内存当中清空出去。并且 BBB 也可以顺利地从原先根节点的内容找到正确的路径

关于这个问题，我的解决办法是，先将原先根节点的 page id 保存下来，然后 fetch 一次，随后将原先的 page id 与根节点当前的的 page id 进行比较，如果不同则再次 fetch 一次，即：

page_id_t old_root_id = this->header_page_id_;
auto root_guard = this->bpm_->FetchPageWrite(old_root_id);
if (old_root_id != this->header_page_id_) {
  root_guard = this->bpm_->FetchPageWrite(this->header_page_id_);
}

但这个代码会产生问题。我们注意看 root_guard = this->bpm_->FetchPageWrite(this->header_page_id_) 这行代码，会执行这行代码说明根节点发生了改变。当前的 root_guard 已经持有了旧的根节点的 lock，然后它试图获取新的根节点。在执行完 if 判断时，如果该线程在将要执行这条语句时被中断，如果其他的线程所执行的操作导致新的根节点被删去，也就是现在整棵树的根节点与最开始的根节点变成同一个（这种情况是可能的，因为新的根节点此时还没有被 lock），那么当当前线程执行时，它会对同一个 page id 执行两次 lock，这会导致错误（在执行 WriteGuard 的移动赋值语句时，会先执行 FetchPageWrite）

因此我将上述代码修改为：

page_id_t old_root_id = this->header_page_id_;
auto root_guard = this->bpm_->FetchPageWrite(old_root_id);
if (old_root_id != this->header_page_id_) {
  root_guard.Drop();
  root_guard = this->bpm_->FetchPageWrite(this->header_page_id_);
}

对于多线程当中的 data race 和 deadlock，在此写下一点我的经验

Data race

需要说明的是，Race 和 Contention 是两个不同的概念：

• Contention 是指线程 AAA 以及访问了线程 BBB 而 BBB 需要等待 AAA 将该资源释放
• Race 是指 AAA 和 BBB 都想要访问该资源，最快的那个将抢先访问，而慢的那个则只能等待。因此这会导致 Contention

相关链接：Thread - contention vs race

对于这种情况，我们可以在全部线程完成插入、删除、查询等操作后，逐一检查 B+Tree 当中的数据是否是正确的。换句话说，我们直接对所有的 leaf page 进行一次遍历，便可以确定当前存在的元素是否符合预期

Deadlock

如果判断产生 deadlock，我们直接进入 cgdb ，跳转到 join 的前一条语句当中。这时所有的线程一定都创建完毕并且开始执行。由于多线程的执行具有随机性，因此我们实际上是无法单步执行某个线程的。因此，我们可以故意让 deadlock 发生，然后跳转到对应的线程，通过 backtrace 来查看栈帧，并通过 frame 指令来跳转到对应的栈帧中，然后再对数据进行检查，进而明确 deadlock 发生的原因