把索引插入延後並批次化，交給層層串接的排序合併處理，將磁碟臂成本壓低近兩個數量級的磁碟索引結構。
高插入率的 History 表與交易日誌需要即時索引，但在論文改寫的 TPC-A 例子裡，一個建在 Account-ID 串接 Timestamp 上的 B-tree，會在 Account 表原本就需要的每秒 2000 次隨機 I/O 之上再加 2000 次，磁碟臂數量因而翻倍，整體系統成本最多上升五成。LSM-tree 把「立即定位」換成「延後、批次定位」：每一筆索引項先寫進記憶體常駐的 C0 tree，完全不產生 I/O，再由一個持續繞行的 rolling merge 游標，把 C0 中已排序的區段掃進磁碟上的 C1 tree，讀寫一律以約 256 KBytes 的 multi-page block 為單位，並且永遠寫到磁碟上全新的位置。由此得到兩個相乘的節省：multi-page block 內的單頁 I/O 成本約只有隨機單頁 I/O 的十分之一，而每個 C1 leaf page 只花一次讀與一次寫，就能吸收 M 筆新項目。把結構推廣到 K+1 個元件、相鄰元件間維持等比的大小比例，就能在維持低合併 I/O 速率的同時，大幅縮小昂貴的記憶體元件。在論文的實算例子裡，B-tree 要價 56,400 美元，雙元件 LSM-tree 只要 11,400 美元；插入率提高十倍後，B-tree 要 506,400 美元，三元件 LSM-tree 仍只要 11,300 美元。
1996 年，B-tree 是所有商用系統預設的磁碟索引；而在隨機鍵值上做一次 B-tree 插入，需要沿目錄層往下搜尋、再寫回被弄髒的 leaf，大約是 De + 1 次隨機頁 I/O，這種規模的索引其有效深度 De 通常是 2。Gray 與 Putzolu 的 Five Minute Rule 則定下了另一條路的經濟學：以 1995 年的價格，只有當一頁被引用的頻率高於大約每 60 秒一次時，買記憶體把它留住才划算——這個門檻已從 1987 年的五分鐘降下來，一部分因為記憶體變便宜，一部分因為大量生產的廉價磁碟出現。累積 20 天、共 576,000,000 筆的 Acct-ID 串接 Timestamp 索引佔 9.2 GBytes，攤在約 230 萬個 leaf page 上，任一頁平均每 2300 秒才因插入被碰一次，遠低於值得緩衝的門檻，也就是說每次插入真的都要跑兩趟磁碟。同一時期，Sagas、ConTracts 與 Escrow 這類長時間執行的 activity flow 系統，在很長的期間內產生龐大的日誌記錄，傳統上用來追蹤活躍日誌的記憶體常駐結構已經放不下。先前也有延後定位的設計——Time-Split B-tree、MD/OD R-tree、Differential File——但它們一律把那個小而新的元件當成磁碟常駐，這正是它們都沒能降低插入成本的原因。
LSM-tree 從不把新項目直接放到它最終該去的位置。一次插入只寫進記憶體常駐的 C0 tree，完全不花 I/O，這筆項目日後再與大批鄰居一起往外遷移。之所以行得通，是因為索引插入的成本幾乎全由磁碟臂租金決定，而一支替上百筆項目只移動一次的磁碟臂，攤到每筆的成本就便宜上百倍。論文特別強調：光延後還不夠，最初承接插入的元件必須「保證」常駐記憶體；若只是「有機會被緩衝」，效能就會退回每筆插入兩次 I/O——Time-Split B-tree 與 MD/OD R-tree 拿不到這個好處，原因正在此。
它不是週期性的重整，而是一個概念上的游標，持續在 C0 與 C1 相同鍵值範圍上繞行，以量化的 merge step 把項目從記憶體帶進磁碟元件。每一步從緩衝中的 emptying block 讀出一個 C1 leaf 節點，與對應範圍的 C0 項目合併，結果寫進 filling block；filling block 一填滿就寫到磁碟上全新的位置。游標走到最大鍵值後就繞回最小鍵值重新開始。因為整個掃描是有序且單向的，所有合併流量都是大塊循序 I/O 而非隨機頁 I/O；而且游標的尾端會一次釋放整個 block。
C1 有類似 B-tree 的目錄，但節點是 100% 填滿的，而且 root 以下依鍵值順序排列的單頁節點會連續放在約 256 KBytes 的 multi-page block 裡——這個手法取自 SB-tree。合併與長範圍檢索以整個 block 為單位讀寫；精確比對的查找則沿單頁節點下降，讓緩衝需求維持很小。把一次尋道與一次旋轉延遲攤到約 64 個頁面上，正是 block 內單頁成本只有隨機單頁十分之一的原因。全滿的填塞方式在容量上也贏過成長中的 B-tree——後者通常只有約 70% 的佔用率。
論文把整個比較壓縮成一個比值：LSM-tree 插入成本除以 B-tree 插入成本，等於 K1 乘上 COSTpi/COSTP 再乘上 1/M，其中 K1 = 2/(De+1)，約為 0.67。第一個因子是區塊 I/O 折扣，約 1/10，由磁碟力學決定，任何演算法都動不了。第二個因子是 batch-merge 參數 M，也就是平均有多少筆 C0 項目被併進一個 C1 leaf page，等於 (Sp/Se) 乘上 S0/(S0+S1)，會隨記憶體元件變大而變大。兩者相乘通常帶來接近兩個數量級的改善；而這個模型也誠實地寫出自己的失效條件：一旦 M 低於 K1 乘 COSTpi/COSTP，就該改用普通的 B-tree。
在雙元件結構中要把 M 撐大，就得買昂貴的 C0；解法是在中間插入若干磁碟元件 C0、C1、……、CK，大小遞增，每一對相鄰元件之間都有各自非同步進行的 rolling merge。Theorem 3.1 證明：在最大元件大小 SK、記憶體大小 S0 與插入率 R 都固定時，總合併頁 I/O 速率 H 恰好在所有比值 ri = Si/Si-1 都等於同一個 r（也就是 SK/S0 的 K 次方根）時最小，此時 H = (2R/Sp) 乘上 (K(1+r) - 1/2)。批次效益因此跨層等比累乘，記憶體元件得以大幅縮小——論文的例子中，從兩個元件改成三個元件，S0 由 135 MBytes 降到 17 MBytes，總成本反而更低。這正是現代 leveled compaction 所實作的結果。
刪除同樣享有延後的好處：若鍵值不在 C0 中，就在該位置放一筆 delete node entry，記下要刪除的 RID；日後合併時兩者相遇，它會就地把真正的項目消滅掉。查找必須經過 delete node entry 過濾，而這很便宜，因為墓碑一定位在比目標更早的元件裡。對索引欄位的更新則視為一次刪除加一次插入。論文還定義了 predicate deletion：只要宣告一個述詞（例如「超過 20 天」），合併游標經過時就順手把符合的項目丟掉；以及 long-latency find：把一筆 find note entry 放進 C0，讓它隨游標往外走並沿途累積 RID，直到抵達最大的相關元件為止。
論文把一批資料的「溫度」定義為 H/S，即每 MByte 每秒的存取次數；冰點 Tf = COSTd/COSTP 之下是容量決定成本，沸點 Tb = COSTm/COSTP 之上則值得常駐記憶體——這是 Five Minute Rule 的直接推廣。用這套語言來說，LSM-tree 做的事就是降低實際磁碟存取率，也就是降低被索引資料的有效溫度。以邏輯插入率來看很「燙」的工作負載，換算成實體磁碟存取率只是「溫」的，於是 B-tree 會逼進記憶體的資料，在 LSM-tree 下可以留在磁碟上。把存取方法的選擇改寫成硬體採購的論證，才是這篇論文真正的修辭武器。
新的 History row 會先照常在循序日誌檔寫下一筆一般的交易插入記錄——本來就會寫，不需要為索引另外造日誌。索引項接著放進記憶體常駐的 C0，零 I/O 成本。C0 不必長得像 B-tree，因為它從不落到磁碟上，節點可以是任意大小，(2-3) tree 或 AVL tree 都很合適——沒有理由為了壓低樹高而犧牲 CPU 效率。當 C0 成長到門檻大小時，最左端一段連續的項目會被以批次方式一次刪除並交給 rolling merge，而樹只在整批處理完後重新平衡一次，不是每刪一筆就平衡一次。
游標在 Ci-1 有一個內元件位置，在 Ci 有一個外元件位置，兩者在 leaf 層以及沿途每一個目錄層都有對應位置。一個裝著 Ci leaf 的 multi-page block 被讀進 emptying block 緩衝區；項目與進來的區段合併後，由左至右寫進 filling block 緩衝區，該 block 填滿後寫到磁碟上一塊全新的空白區域，而不是覆蓋舊 block。Ci 的父層目錄節點在緩衝區中被更新以指向新 leaf，舊 leaf 則失效並從目錄中移除。留有殘餘是常態：一次 merge step 幾乎不可能剛好在新節點填滿的同時把舊節點清空，因此未滿的節點與 block 會留在緩衝區裡，整個結構本來就設計成能容忍這件事。在最一般的情形下，若刻意要把部分項目保留在 Ci-1，內外兩側都會各有一個 emptying block 與 filling block，同時牽動四個節點。
每個磁碟元件都由頁面大小的節點組成類 B-tree 的目錄，差別在於 root 以下依鍵值順序排列的一串節點會共處於同一個 multi-page block，而目錄會記錄哪一串節點落在哪個 block，使整塊資料能以一次 I/O 讀寫。目錄節點在下列時機被迫寫到新的磁碟位置：其 multi-page block 緩衝區填滿、root 分裂使樹加深、或執行 checkpoint。精確比對的查找只走單頁節點，避開整塊讀取以壓低緩衝需求；長範圍檢索則使用整塊讀取。一次查找要依序搜尋 C0、C1，一路到 CK，一般情況下每個元件都得碰——相較 B-tree，每多一個磁碟元件大約多一次頁 I/O；論文的算法是省下約 6,400 美元的目錄緩衝，換來多一次讀取。
論文給了三種避免搜遍所有元件的辦法。其一，若鍵值的產生方式本身保證唯一（例如時戳必然相異），只要在較早的 Ci 找到相符值就可以收工。其二，若查找條件用的是很新的時戳，目標項目根本還來不及遷移到最大的元件。其三，合併時可以刻意把最近 tau_i 秒內插入的項目留在 Ci 而不往外推，於是只要記下每筆交易的開始時間，系統就能保證最近 tau_0 秒內開始的交易其全部日誌仍在 C0，完全不必碰磁碟——這讓 C0 真正扮演了近期資料的緩衝角色，也正是 UNDO 日誌索引之所以便宜的關鍵。
在穩定插入率 R（bytes/秒）與頁大小 Sp 之下，每個磁碟元件 Ci 貢獻 ri.R/Sp 次頁讀取（為了併入它）、(ri+1).R/Sp 次頁寫入（同一次合併的輸出），以及 R/Sp 次頁讀取（為了從它往外併），加總得到 H = (2R/Sp) 乘上（所有 ri 之和，再加 K - 1/2）。在所有 ri 之乘積等於 SK/S0 的限制下最小化這個式子，會強迫所有 ri 相等，也就是元件大小構成等比數列。總成本為 COSTm.S0 + max(COSTd.S1, COSTpi.H)：縮小 S0 是拿昂貴的記憶體換便宜的磁碟，直到磁碟臂飽和為止；再縮下去就得把資料攤到更多主軸上，成本反而回升。雙元件的最佳解在 t 不大於 1 時沿 s = t，之後沿 s 等於 t 的平方根，最小成本為 2 倍的 (COSTm.S1)(2.COSTpi.R/Sp) 之平方根——它隨 R 的平方根成長，而 B-tree 是隨 R 線性成長。
鎖定的單位是節點。必須協調三種實體衝突：查找碰到 rolling merge 正在改寫的節點；對 C0 的查找或插入碰到正要併往 C1 的那段範圍；以及較快的內側游標必須越過較慢的外側游標——因為從 Ci-1 往外遷移的速率永遠不低於從 Ci 往外遷移的速率。合併中的節點以寫入模式上鎖，查找則對存取路徑上的節點加讀取鎖，並在掃完 leaf 層項目後立刻釋放。最一般的情形下，游標同時對四個節點持有寫入鎖：內外兩側的 emptying 節點與 filling 節點；每當外元件的一個 emptying 節點被完全掏空時就釋放一次，這個量化的釋放時機正是讓一個游標超車另一個游標的窗口——被超越的游標其內元件位置會失效，必須重新定位。C0 內的鎖定方式取決於所選資料結構，例如對涵蓋合併範圍的某個 (2-3) 目錄節點以下整棵子樹加寫入鎖。論文刻意只處理多層鎖定中最底層的實體層，把 key range 鎖定與 phantom 問題留給別人。
復原直接沿用一般的交易插入日誌，把它們當成邏輯日誌來重建索引項，代價只是這些日誌要晚一點才能回收空間。在時刻 T0 執行 checkpoint 時，系統先做完所有進行中的 merge step 以釋放節點鎖，暫停新的插入，把 C0 寫到一個已知的磁碟位置，再把磁碟元件所有被弄髒的緩衝節點刷到磁碟，最後寫下一筆 checkpoint 日誌，內含最後一筆已建索引資料列的 LSN0、所有元件 root 的磁碟位址、每個 merge 游標的位置，以及目前 multi-page block 動態配置的狀態。重啟時載回 C0 與相關緩衝 block，把 LSN0 之後的日誌重放進 C0，再讓 rolling merge 重新啟動。這之所以安全，是因為合併結果永遠寫到磁碟新位置，復原所需的舊資訊從不被覆蓋，只在更新的寫入成功後才被標記失效。此外，emptying block 與新建節點都會立刻取得新的磁碟位址，父層目錄指標也在緩衝區中同步修正，讓 checkpoint 不必等待修正目錄的 I/O。
LSM-tree 成為寫入密集系統預設的儲存結構，它的術語如今就是整個產業的術語。Google 的 Bigtable 是最典型的具體化：memtable 扮演 C0，不可變的 SSTable 扮演磁碟元件，commit log 負責復原，minor、merging 與 major compaction 則扮演 rolling merge。LevelDB 與其後的 RocksDB 把它變成可重複使用的嵌入式引擎，也讓 Theorem 3.1 真正落地——leveled compaction 在相鄰層之間維持固定大小比例（預設為 10），正是論文證明為最佳的等比數列——同時加上每個 table 的 Bloom filter，緩解論文自己承認的查找代價。Apache HBase 與 Apache Cassandra 經由 Bigtable 與 Dynamo 繼承了這套設計，並繼續擴散到 ScyllaDB、InfluxDB 的 TSM 引擎、MongoDB 的 WiredTiger LSM 選項，以及透過 RocksDB 與 Pebble 的 CockroachDB 與 TiDB；Lucene 的 segment 合併則是近親。論文的成本框架比它的硬體活得更久：把磁碟臂換成 SSD 的寫入壽命，同一套論證就推出了驅動現代 compaction 研究的寫入放大分析，以及 RUM conjecture 的讀取／更新／記憶體三角取捨。連名字本身也一般化了——今日的 LSM-tree 指的是一整個設計家族，而非論文當年真正分析的雙元件與三元件結構。
“The LSM-tree uses an algorithm that defers and batches index changes, cascading the changes from a memory-based component through one or more disk components in an efficient manner reminiscent of merge sort.（中譯：LSM-tree 使用一種延後並批次化索引異動的演算法，讓這些異動以近似合併排序的高效方式，從記憶體元件層層串接到一個或多個磁碟元件。）”
“The idea of always writing multi-page blocks to new locations was inspired by the Log-Structured File System devised by Rosenblum and Ousterhout [23], from which the Log-Structured Merge-tree takes its name.（中譯：永遠把 multi-page block 寫到新位置的想法，靈感來自 Rosenblum 與 Ousterhout 設計的 Log-Structured File System，Log-Structured Merge-tree 的名字也由此而來。）”
“In these cases, the data is hot in terms of logical access rate (inserts/sec) but only warm in terms of physical disk access rate because of the batching effect of the LSM tree.（中譯：在這些情況下，就邏輯存取率（每秒插入數）而言資料是燙的，但因為 LSM-tree 的批次效果，就實體磁碟存取率而言它只是溫的。）”