使用 numpy.memmap 时磁盘写入过多

Question

我已经使用 numpy.memmap 实现了一个文件支持的哈希表。它似乎运行正常，但是，我注意到在 Linux 上，KSysGuard 和 SMART 都报告了荒谬的 IO 写入量。大约是应该写入的数据量的 50 倍。我没有在其他操作系统上测试过。

这是创建内部内存映射的代码

self.data = np.memmap(self.filename, 
                      shape=(self.nbuckets, self.bucket_size), 
                      dtype=[('key', 'u8'), ('time', 'u2'), ('flags', 'u2'), ('id', 'i4')], mode=mode)

下面是在应用散列函数后将单个条目写入 table 的代码：

def store(self, id_, time_, key, i):
    bucket = self.data[i]
    head = bucket[0]
    if bucket[1]['flags'] & HashTable.FLAG_INUSE == 0:
        free = bucket[1]
        head['id'] = 1 #we use the first entry in the bucket to count how full it is
        self.written += 4 #4 bytes written to set that counter to 1
    elif head['id'] < self.bucket_size:
        free = bucket[head['id'] ]
    else:
        return False
    
    free['key'] = key
    free['time'] = time_
    free['flags'] |= HashTable.FLAG_INUSE
    free['id'] = id_
    head['id'] += 1
    self.dirty = True
    
    self.written += 20 #16 bytes for the entry, +4 bytes for updating bucket usage counter
    
    return True

我添加了 self.written 变量来跟踪写入了多少字节，并确定该函数是否被调用了太多次。

对于大约 300 万个条目，self.written 最后报告了大约 60 MiB，根据我的计算这是合理的，这意味着存储函数没有被过度调用。然而，KSysGuard 和 SMART (data_units_written) 报告程序总共写入了 3 GiB。我正在使用的 HashTable 设置为 100 MiB 并且没有损坏或任何东西，所以我怀疑它只是一遍又一遍地将相同的数据写入相同的位置。但我无法弄清楚代码中的哪个位置可能会发生这种情况。

我不是 100% 确定 HashTable 文件正在发生写入，但是当我将它放入 ramdisk (tmpfs) 时，KSysGuard 和 SMART 没有报告磁盘写入。

我在 Debian Bullseye 上使用 Python 3.9.2 和 numpy 1.21.0。

如果有人能帮我解决这个问题，我将不胜感激。谢谢。

Answer 1

memmap 通过在虚拟内存中映射页来工作（通常映射到物理内存页面或存储设备页面，如您的情况）。在大多数平台上，页面大小至少为 4 KiB。因此，在一个页面中的任何写入都可能导致整个页面被更新。

SSD 和更普遍的闪存也使用块，但它们通常使用更大的块。实际上，闪存使用写入次数非常有限的单元（例如 1000）。当单元格被过多覆盖时，它们会变得不稳定并且可能无法 read/written 正确。结果，闪存设备避免了对单元的任何直接写入访问，并且将写入的数据块移动到新位置以保存单元，同时相对较快。 一旦写入，块就不能改变：需要分配并写入一个新块来替换旧块。因此，在闪存设备上随机写入几个字节会导致它分配大量新块并复制大量（未更改的）数据块。这也会显着影响目标存储设备的寿命。这可以解释为什么 SMART 信息报告如此大量的 IO 写入。

请注意，HDD 没有此问题，但与 SSD 相比，随机写入非常慢（由于移动磁头的时间）。替代非易失性 RAM，如铁电 RAM 或磁阻 RAM 可以正确解决这个问题。不幸的是，目前此类 RAM 还处于试验阶段。

一种可能的修复方法是将修改后的数据块存储在 RAM 中，按位置对块进行排序，然后一次写入所有数据。如果数据集很大，写的很均匀，那么目前主流硬件上没有解决方案。

使用 numpy.memmap 时磁盘写入过多

Excessive disk writes when using numpy.memmap

python

python-3.x

linux

numpy

numpy-memmap