B+树和LSM树是两种主要的数据结构，分别代表原地更新和追加写入的存储方式。B+树优化读取和空间，但写放大较高；LSM树优化写入，但读取和空间放大较高。RUM猜想表明，无法在读、写和空间放大上同时达到最优。B+树适合OLTP场景，而LSM树在写入密集型应用中表现更好。选择存储引擎时需考虑具体应用需求。

本文介绍了一个完整的LSM-Tree数据库引擎的实现，分为两个部分：第一部分使用C语言组装各个组件，提供六个API；第二部分用Rust重写核心模块，记录编译过程中的真实故事并进行性能对比。文章详细描述了数据库的内部结构、读写路径、崩溃恢复机制及后台线程的工作原理，强调了Rust在安全性方面的优势，并通过基准测试比较了C、Rust和LevelDB的性能，指出各自的优缺点。

本文讨论了LSM-Tree中的Compaction机制，解决了SSTable只增不删的问题。Compaction通过合并多个SSTable文件，回收无效数据，提升读性能。文章介绍了不同层级的设计、Compaction的触发条件、文件选择策略及去重逻辑，确保数据的有序性和一致性，并管理版本信息以支持并发读写操作。

本文介绍了SSTable的构建与读取过程，重点在于数据块的前缀压缩和布隆过滤器的实现，强调其在减少无效I/O中的作用。SSTable通过分块存储数据，利用索引和布隆过滤器提高查找效率，避免不必要的磁盘读取。文章还提供了相关的C代码实现。

本文介绍了WAL（Write-Ahead Log）和MemTable的实现，解决了数据持久性问题。WAL通过先写日志再写内存，确保崩溃后数据可恢复。MemTable使用跳表结构，支持高效的插入和查找。文章讨论了WAL的记录格式、分片策略及崩溃恢复的正确性，确保数据在系统崩溃时不会丢失。

LSM-Tree（日志结构合并树）是一种适合写入远多于读取的存储系统的结构。其核心思想是将数据先写入内存中的有序结构，再顺序写入磁盘，以避免随机写入的性能瓶颈。与B-Tree相比，LSM-Tree通过追加写和后台归并优化写入性能，适合时序数据库和日志存储。文章介绍了LSM-Tree的组件及其工作原理，包括WAL、MemTable、SSTable和Compaction等。

该系列文章通过五篇深入探讨如何从零构建LSM-Tree KV存储引擎，涵盖设计决策、组件功能及Rust重写，涉及WAL、MemTable、SSTable、Compaction等关键概念，最终提供完整引擎及性能对比。

本研究提出了多模态基础模型LSM，用于解决可穿戴传感器数据分析的挑战。该模型基于超过16.5万人数据，显示出在数据处理和运动识别任务中的高效能力。

Linux安全主要依赖自主访问控制（DAC），但对恶意软件的保护有限。强制访问控制（MAC）通过安全规则检查程序操作。SeLinux和AppArmor是两种MAC实现，前者复杂且依赖支持的文件系统，后者使用白名单进行权限管理，允许基于应用的限制。Ubuntu和SUSE默认使用AppArmor，而RHEL则使用SeLinux。

LSM-YOLO是一种新模型，解决了医学区域检测中的实时性和准确性问题。通过特征提取和匹配，该模型显著提高了医学图像中感兴趣区域的检测率，特别在胰腺肿瘤、血细胞和脑肿瘤的检测中表现出色。验证了其在医学自动检测中的有效性。

本文介绍了LearnedKV，一种新颖的分层键值存储系统，将LSM树与Learned Index集成，实现与SSD上独立索引结构相比的读写性能。实验结果显示，LearnedKV在性能上超过了现有解决方案的1.32倍和1.31倍。

通过实验证明，减少精度量化保存被清除的KV对中的一小部分信息，能恢复引起的退化。提出了一种可靠的缓存压缩方法，即混合精度KV缓存（MiKV），保留被清除的KV对以保留上下文细节，并保留重要的KV对以确保生成质量。与其他基准相比，该方法在多种基准和LLM骨干上提供了最先进的压缩比和性能的权衡。

本文介绍了几种数据结构的发展和特点。完全二叉树和平衡二叉树是基础，二叉搜索树（BST）查询高效但可能退化为链表。AVL树是平衡二叉搜索树，通过旋转保持平衡，但旋转成本高。红黑树牺牲部分平衡性以减少旋转。B树适合大数据量，减少磁盘IO，B+树优化了磁盘IO次数和范围查询。LSM树适合写多读少的场景，牺牲读性能以提升写性能。

该项目发布了将lsm db适配到badger-go 0.80的第一个版本，已经在GitHub上发布。

随着数据量的增大，传统关系型数据库越来越不能满足对于海量数据存储的需求。对于分布式关系型数据库，我们了解其底层存储结构是非常重要的。本文将介绍下分布式关系型数据库 TiDB 所采用的底层存储结构 LSM 树的原理。