pic small

wanghenshui · Jul 21, 2024 · 14f3edf · 14f3edf
1 parent febc95e
commit 14f3edf
Show file tree

Hide file tree

Showing 2 changed files with 9 additions and 9 deletions.
diff --git a/_posts/2024-07-19-2023-qcon-gz.md b/_posts/2024-07-19-2023-qcon-gz.md
@@ -50,7 +50,7 @@ kv分离现状
 - 利用 Block Cache 实现数据同步
 
 
-<img src="https://wanghenshui.github.io/assets/antkv1.png" alt="" width="60%">
+<img src="https://wanghenshui.github.io/assets/antkv1.png" alt="" width="80%">
 
 新的问题
 - 中等大小（如256B）Value 情况下，Scan 仍然比 RocksDB 差很多
@@ -67,14 +67,14 @@ kv分离现状
   - Level N-2 及以下的层级不做重写
   - Level N-1 及以上的层级在 Compaction 时重写Value Log Files
 
-<img src="https://wanghenshui.github.io/assets/antkv2.png" alt="" width="60%">  
+<img src="https://wanghenshui.github.io/assets/antkv2.png" alt="" width="80%">  
 
 - 针对 Scan 优化的重写：
   - Compaction 过程中，对本轮参与的 Value Log Files 进行重叠记数
   -  当发现某文件重叠记数超过阈值，则标记相关文件后续进行重写
 
 
-<img src="https://wanghenshui.github.io/assets/antkv3.png" alt="" width="60%">
+<img src="https://wanghenshui.github.io/assets/antkv3.png" alt="" width="80%">
 
 收益 写入降低30% 但scan提升巨大
 
@@ -85,10 +85,10 @@ kv分离现状
 Learned Index主要是要设计构建算法，这里需要展开一下
 
 
-<img src="https://wanghenshui.github.io/assets/antkv-li1.png" alt="" width="60%">
+<img src="https://wanghenshui.github.io/assets/antkv-li1.png" alt="" width="80%">
 
 
-<img src="https://wanghenshui.github.io/assets/antkv-li2.png" alt="" width="60%">
+<img src="https://wanghenshui.github.io/assets/antkv-li2.png" alt="" width="80%">
 
 因为实际 SST 保存的 key 为 string 类型，非 integer，因此需要进行转换
 - 要求
@@ -98,7 +98,7 @@ Learned Index主要是要设计构建算法，这里需要展开一下
   - 字符串长度是随机的，并且可能很长
 
 
-<img src="https://wanghenshui.github.io/assets/antkv-li3.png" alt="" width="60%">
+<img src="https://wanghenshui.github.io/assets/antkv-li3.png" alt="" width="80%">
 
 
 Learned Index非常小，读效率非常高

diff --git a/_posts/2024-07-19-arch-summit2023-sh.md b/_posts/2024-07-19-arch-summit2023-sh.md
@@ -34,7 +34,7 @@ Workload分析和对应的挑战
   - 防止个别超大metric影响整体可用性
 
 
-<img src="https://wanghenshui.github.io/assets/bytedance-tsdb1.png" alt="" width="60%">
+<img src="https://wanghenshui.github.io/assets/bytedance-tsdb1.png" alt="" width="80%">
 
 如何线性扩展
 - 二级一致性Hash分区
@@ -44,7 +44,7 @@ Workload分析和对应的挑战
   - 不同维度的Metric可以拥有不同的二级Hash分片数
 
 
-<img src="https://wanghenshui.github.io/assets/bytedance-tsdc.png" alt="" width="60%">
+<img src="https://wanghenshui.github.io/assets/bytedance-tsdc.png" alt="" width="80%">
 
 编码优化
 
@@ -87,7 +87,7 @@ Khronos存储引擎
 -  兼容Tsdc，最低成本接入现有集群
 
 
-<img src="https://wanghenshui.github.io/assets/bytedance-khronos1.png" alt="" width="60%">
+<img src="https://wanghenshui.github.io/assets/bytedance-khronos1.png" alt="" width="80%">
 
 - 每个Shard内部都是一棵独立的LSMT
   - 一共分为三层