“锡拉”的整平压实工作原理与“Cassandra”和“洛克SDB”的工作原理非常相似（有一些小的区别）。如果你想简单了解一下“锡拉”是如何工作的，以及为什么，我建议你阅读我的博客文章https://www.scylladb.com/2018/01/31/compaction-series-leveled-compaction/.
关于为什么两个级别（最近刷新的sstables的l0，不相交范围sstables的ln）不够的具体问题是一个非常好的问题：
主要问题是，一个flushed memtable（l0中的sstable）包含一个随机的写操作集合，常常会与ln中的所有sstable相交。这意味着每次刷新一个新的memtable时，都要重写整个数据库，结果会导致超大量的写放大，这是完全不可接受的。
一种显著减少这种写放大（但可能还不够）的方法是引入一个级联的中间级l0，l1，…，ln。最终的结果是，我们得到了l（n-1），它是ln大小的1/10，我们将l（n-1）-而不是单个sstable-合并到ln中。这是分级压缩策略（lcs）在您提到的所有系统中使用的方法。
另一种完全不同的方法不是将单个sstable合并到ln中，而是尝试先收集大量数据，然后再将其合并到ln中。我们不能只在l0中收集1000个表，因为这样会使读取速度非常慢。相反，要收集如此大量的数据，可以在l0中使用大小分层压缩（stcs）。换句话说，这种方法是具有两个“级别”的stc和lc的“混合”：l0在新的sstables上使用stc，ln包含一系列sstables（范围不相交的sstables）。当l0达到ln的十分之一时，l0被压缩成ln。这种混合方法可能比lcs具有更低的写放大，但由于大多数数据都在run-in ln中，因此它将具有与lcs相同的低空间和读放大。据我所知，上述数据库（scylla、cassandra或rocksdb）都不支持这种“混合”压缩。

lcs的出现解决了stcs的空间放大问题。它还减少了读取放大（每个读取请求所需的平均磁盘读取次数）。
分级压缩将小表（“碎片”）分为几个级别：
级别0（l0）是最近从memtables刷新的新sstables。随着sstables数量的增长（读取速度减慢），我们的目标是将sstables从这个级别移到下一个级别。其他级别（l1、l2、l3等）中的每一个都是一次按指数递增的运行：l1是10个SSTABLE的运行，l2是100个SSTABLE的运行，l3是1000个SSTABLE的运行，依此类推(因子10是scylla和apache cassandra中的默认设置）。
在解决空间放大问题或至少显著改善空间放大问题时，lcs使另一个问题写放大变得更糟。
“write amplification”是指对于新刷新的sstable数据的每一字节，我们必须写入磁盘的字节数。写放大率总是高于1.0，因为我们将每一段数据写入提交日志，然后再将其写入一个sstable，然后每次压缩都涉及这段数据并将其复制到一个新的sstable，这是另一次写操作。
请在此处阅读更多信息：
https://www.scylladb.com/2018/01/31/compaction-series-leveled-compaction/
https://docs.scylladb.com/kb/compaction/
https://docs.scylladb.com/architecture/compaction/compaction-strategies/