合并过程的算法是怎样的？
LSM-Tree（日志结构合并树）的核心是 “写时追加、后台合并”：数据先写入内存（MemTable），刷盘后形成 SST 文件，后台通过 Compaction 将小文件合并成大文件，同时清理删除 / 过期数据。
lsm-tree是有序的kv，合并很简单，把没用的key删了，把有用的key排序
TiDB LSM 合并核心是后台 Compaction：合并 SST 文件，清理无效数据，保持 KV 有序。
Compaction 策略：常见 Leveled Compaction（按层级合并）和 Size-Tiered Compaction（按大小分组合并），平衡读写性能与合并开销。
我感觉就是level0的immutable mem镜像,接下来就是分段排序合并,逐步进入freeze的最后阶段sst
TiDB是用的哪种合并策略？
TiDB的核心合并策略是基于Percolator优化的两阶段提交
-
配置参数参数
TiKV 内可使用compaction-style参数修改每个CF的compaction 算法：
可选值：“level”，“universal”，“fifo”
默认值：“level” -
算法介绍：
level:RocksDB的leveled compaction中 level 0包含有多个sorted-run，有多个sst文件，之间存在数据重叠，在compaction时将所有L0文件合并到L1层。对于L1-Lmax 层，每一层都是一个有序的Rorted-Run，包含有多个sst file。在进行读取时首先使用二分查找可能包含数据的文件，然后在文件内使用二分查找需要的数据。
Universal（tiered）：Tiered 方式同样每层可以包含多个Sorted-Run ，Ln 层所有的数据向下合并到Ln+1层新的Sorted-Run，不需要读取Ln+1层原有的数据。Tiered方式能够最大的减少写放大，提升写入性能。
fifo:只有1层，写放大最小，每次compaction删除最老的文件，适合于带时间序列的数据。 -
详见：
1 个赞
lsm-tree是有序的kv，合并很简单，把没用的key删了，把有用的key排序
TiDB 的存储引擎 TiKV基于 LSM-Tree设计，其它的LSM 合并过程核心采用 分层级的归并排序 ，并结合 TiKV 自身的架构特点做了针对性优化
OcenaBase也是LSM结构，它是完全自己实现还是也用的RocksDB?
看了这篇博客，里面写RocksDB的leveled compaction中 level 0包含有多个sorted-run，有多个sst文件，之间存在数据重叠，在compaction时将所有L0文件合并到L1层。
有个疑问：这里的sorted-run是指把L0层的转储文件又重新生成了个排序文件的意思？
-
Leveled-N
和上面Classic Leveled 类似，不过每层可以有N个Rorted-Run，每层的数据不是完全有序的
这里的Rorted-Run是笔误还是就有这么个东西，看的太吃力了，不是很明白
网上搜了搜，应该是自己实现的。
1. Size-Tiered Compaction Strategy（STCS）（ 上文中的Universal）
STCS（大小分层合并策略，亦称 Tiered Compaction）以优化写入性能为主要目标 。
工作原理：
- 初始阶段 ：MemTable 刷盘后，生成一系列大小相近的小 SSTable 文件（如 64MB）。
- 触发合并 ：当同层文件数量达到阈值（例如 4 个）时，触发合并。
- 合并过程 ：该层所有文件被读入内存，进行多路归并排序，合并成一个新的、更大的 SSTable 文件。
- 层级晋升 ：新文件晋升至下一层。当该层文件再次达到阈值时，继续向上合并，文件体积逐层倍增。
核心缺点：读放大高。
由于同层 SSTable 键范围重叠，点查询最坏需检查层内所有文件；范围查询则需合并多个文件的数据，开销更大。
2. Leveled Compaction Strategy（LCS）
LCS（分级合并策略）专注于优化读取性能和空间利用率 ，是 LevelDB/RocksDB 的默认策略。
数据组织：
- L0 层 ：接收 MemTable 刷盘文件，允许键范围重叠。
- L1 及以上层 ：每层内部 SSTable 的键范围严格不重叠 ，任一键最多只存在于该层的一个文件中。
优点：读取性能优秀。
点查询只需检查 L0 所有文件，并在 L1+ 的每层中快速定位唯一 可能的目标文件，读放大低。
缺点：写放大高。
数据从 L0 迁移至最高层的过程中，会在各级合并中被反复重写。
3. RocksDB 的混合策略：L0 层 Tiered，L1+ 层 Leveled
RocksDB 默认策略融合了 STCS 与 LCS 的优点 ，是一种经典且成功的混合方案。
- L0 层采用 Tiered 思想 ：允许键范围重叠，作为写入缓冲。当文件数达到阈值时，才触发向 L1 的合并，能有效平滑写入峰值，避免写阻塞。
- L1 及以上层采用 Leveled 思想 ：严格保持层内 SSTable 键范围不重叠，确保绝大多数数据的查询具有低读放大和高效率。
混合设计优势：
- 高写入吞吐量 ：L0 层缓冲写入压力。
- 优秀读取性能 ：L1+ 层结构保障查询效率。
- 可控空间放大 ：继承了 LCS 在空间管理上的优势。
当 MemTable（内存表）被刷盘（Flush）时，或者在 Compaction 过程中，系统会先将数据分割成多个小的、局部有序的块（Block）。这些块被称为 Sorted Runs。
为了快速定位数据，SSTable 会在这些 Sorted Runs 的基础上构建索引结构。
最终，所有的 Sorted Runs 和索引信息被打包进一个不可变的文件中，这就是 SSTable。
lsm-tree算法，现在很多数据库使用此算法，比如：OCEANBASE，特点是写快，但存在多个版本后读性能变差，合并后改善
多谢，我再琢磨琢磨这里的细节！
是的，clickhouse也是用这个算法，对写入友好，需要做异步合并。