快出数量级的性能是怎样炼成的
Posted 叶秋学长
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了快出数量级的性能是怎样炼成的相关的知识，希望对你有一定的参考价值。
前言：今天学长跟大家讲讲《快出数量级的性能是怎样炼成的》，废话不多说，直接上干货~
我们之前做过一些性能优化的案例，不算很多，还没有失手过。少则提速数倍，多则数十倍，极端情况还有提速上千倍的。提速一个数量级基本上是常态。下面是一些案例材料：
这是怎么做到的呢？这些被提速的场景都有一个共同点：原先都是用各种数据库（也有HADOOP/Spark）上的SQL实现的，包括查询用的几百行SQL也有跑批用的几千行存储过程，然后我们改用集算器的SPL重新实现之后就有了这样的效果。集算器SPL有什么神奇之处？是不是能让各种运算跑得更快？有点遗憾，并没有这样的好事。集算器也是一个软件，而且是用Java写的，完成同样运算通常比C/C++写的数据库还要慢一点。那是怎么回事？
根本原因在于我们用SPL实现了不同的算法。软件不能提高硬件的速度，但我们可以设计出更低复杂度的算法，有效地减少计算量，然后速度自然就上去了。一个运算任务本来要做1亿次加法，如果能减到100万次，那自然就能快100倍，即使每次运算都变得稍慢一点，总体性能仍然会提高，这一点也不神奇。只要能实现高性能算法和存储，用什么技术来做并不重要了。用C/C++、Java当然都能做出来。事实上，集算器是用Java写的，用Java直接实现这些算法原则上还会更快一点，用C/C++ 一般还能更快（Java的内存分配消耗时间还是有点多）。不过，虽然用Java和C++能写出比SPL更快的代码，但要长得多（估计会长出50-100倍），这会导致开发工作量过大，这在实际应用时也是要权衡的一个指标。有时候，跑得快和写着简单其实是一回事，就是能高效率地实现高性能算法。集算器的SPL中强化了结构化数据的数据类型，并提供了很多基础的高性能算法。写代码就是组合运用这些算法，当然会方便得多。要说神奇之处，也就是这一点了。
那么，继续SQL就不能做到同样的事吗？是的。SQL设计得过于粗线条，关系代数这个理论基础中缺乏很多数据类型和基础运算，很多高性能算法都无法描述，结果只能使用慢算法。虽然现在很多数据库和大数据平台都在工程上有所优化，但也只能针对简单的场景，情况复杂之后数据库的优化器都会“晕”掉，所以解决不了根本问题。这是个理论上的问题，无法在工程层面解决。SPL基于的理论基础不再是关系代数，而是我们发明的离散数据集。在这个体系下有更多的数据类型和运算，就能写出更多高性能算法了。SPL是离散数据集的一种实现，封装了许多现成的算法。用Java和C++当然也能从头来实现这个代数体系，因而都能写出来高性能代码。而SQL却不可以。
举个简单的例子，我们想在1亿条数据中取出前10名，用SQL写出来是这样的：
select top 10 x,y from T orderby x desc
这个语句中有个order by，严格按它执行就会涉及大排序，而排序非常慢。其实我们可以想出一个不用大排序的算法，但用SQL却无法描述，只能指望数据库优化器了。对于这句SQL描述的简单情况，很多商用数据库确实都能优化，使用不必大排序的算法，性能通常很好。但情况复杂一些，比如在每个分组中取前10名，要用窗口函数和子查询把SQL写成这样：
select*from
(select y,*,row_number() over (partitionby y orderby x desc) rn from T)
where rn<=10
这时候，数据库优化器就会犯晕了，猜不出这句SQL的目的，只能老老实实地执行排序的逻辑（这个语句中还是有order by的字样），结果性能陡降。而SPL不一样，离散数据集中有普遍集合的概念，TopN这种运算被认为是和SUM和COUNT一样的聚合运算，只不过返回值是个集合而已。这时候写出来的取前10名的语句中并没有排序动作：
T.groups(;top(-5;x))
分组后的写法也很简单，都不需要执行大排序：
T.groups(y;top(-5;x))
这里 性能优化技巧：TopN 还有关于这个问题的更详细测试对比。
所以，我们做性能优化时要重写代码，不能继续使用SQL保持兼容。要读懂原来的逻辑重新实现，这个工作量还是很大的，不过能换来数倍数十倍的性能提升，常常还是值得的。另外，存储也非常重要，好算法要有合适的存储机制配合才能生效，所以不能继续把数据继续存在数据库里获得高性能，需要搬出来换种办法组织存放。改变存储后，有可能把原来需要缓存的计算过程变成不需要了，原来要遍历多遍的运算变成只遍历一次甚至不用遍历了，减少硬盘访问量对性能的提升非常有效。
从上面这个原理上看，如果我们不能针对计算目标设计出更好的算法，那就做不到提速了。比如一个很简单的大表求和，用SQL要做1亿次，用SPL也要做1亿次，那就不可能做得更快，一般还会更慢一点（Java赶不上C/C++）。但是，当运算任务足够复杂时，碰到几百上千行的嵌套N层SQL（慢的SQL通常也不会太简单），几乎总能找到足够多可优化的环节，所以我们经历过的案子还没有失手过。结果，在实践上用Java写出来集算器大幅度超越了C/C++写的数据库，这都是算法造就的。我们甚至曾经发过一个广告 慢得受不了的查询跑批寻找用SQL写的慢过程，我们负责提速一个数量级。
换个角度再看这个提速原理：高性能靠的不是代码，而是代数，代码只是个实现手段而已。其中最关键的是掌握和运用这些算法，而不是SPL语法。SPL语法很简单，比Java容易多了，两小时就能基本上手，两三周就能比较熟练了。但算法却没那么简单，需要认真学习反复练习才能掌握。这些案例直接由没有经验的用户自己做常常效果并不好，主要原因也是对算法没有吃透。反过来，而只要掌握了算法，用什么语法就是个相对次要的问题了（当然用SQL这种太粗线条的语言还是不行）。这就像给病人看病，找出病理原因后，能分析出什么成分的药能管用。无论直接购买成药（使用封装过的SPL），还是上山采药（使用Java/C++硬写），都可以治好病，无非就是麻烦程度和支付成本不同。
可能有读者对SPL提供了哪些与SQL不同的高性能算法感兴趣，推荐一下乾学院上的性能优化图书 【性能优化】 前言及目录 和视频课程 《性能优化》课程我们已经把这些算法都整理成有体系的知识了。有些算法是业界首创的，其它教科书和论文中都找不到。跟着这些图书课程学习，掌握这些算法后，就可以自己写到快出数量级的高性能代码。即使自己不写代码，也能理解原理，不会再被很多大数据产品喊什么“万亿秒查”的说法忽悠了。
SPL资料
快出数量级的性能是怎样炼成的？
前言
之前做过一些性能优化的案例，不算很多，还没有失手过。少则提速数倍，多则数十倍，极端情况还有提速上千倍的。提速一个数量级基本上是常态。下面是一些案例材料：
开源 SPL 提速保险公司团保明细单查询 2000+ 倍
开源 SPL 提升银行自助分析从 5 并发到 100 并发
开源 SPL 提速银行用户画像客群交集计算 200+ 倍
开源 SPL 优化银行预计算固定查询成实时灵活查询
开源 SPL 将银行手机账户查询的预先关联变成实时关联
开源 SPL 提速银行资金头寸报表 20+ 倍
开源 SPL 提速银行贷款协议跑批 10+ 倍
开源 SPL 优化保险公司跑批优从 2 小时到 17 分钟
开源 SPL 提速银行 POS 机交易报表 30+ 倍
开源 SPL 提速银行贷款跑批任务 150+ 倍
开源 SPL 提速资产负债表 60 倍
揭开谜底
这是怎么做到的呢？
这些被提速的场景都有一个共同点：原先都是用各种数据库（也有HADOOP/Spark）上的SQL实现的，包括查询用的几百行SQL也有跑批用的几千行存储过程，然后我们改用集算器的SPL重新实现之后就有了这样的效果。
集算器SPL有什么神奇之处？是不是能让各种运算跑得更快？
有点遗憾，并没有这样的好事。集算器也是一个软件，而且是用Java写的，完成同样运算通常比C/C++写的数据库还要慢一点。
那是怎么回事？
根本原因在于我们用SPL实现了不同的算法。软件不能提高硬件的速度，但我们可以设计出更低复杂度的算法，有效地减少计算量，然后速度自然就上去了。一个运算任务本来要做1亿次加法，如果能减到100万次，那自然就能快100倍，即使每次运算都变得稍慢一点，总体性能仍然会提高，这一点也不神奇。
只要能实现高性能算法和存储，用什么技术来做并不重要了。用C/C++、Java当然都能做出来。事实上，集算器是用Java写的，用Java直接实现这些算法原则上还会更快一点，用C/C++ 一般还能更快（Java的内存分配消耗时间还是有点多）。
不过，虽然用Java和C++能写出比SPL更快的代码，但要长得多（估计会长出50-100倍），这会导致开发工作量过大，这在实际应用时也是要权衡的一个指标。有时候，跑得快和写着简单其实是一回事，就是能高效率地实现高性能算法。
集算器的SPL中强化了结构化数据的数据类型，并提供了很多基础的高性能算法。写代码就是组合运用这些算法，当然会方便得多。要说神奇之处，也就是这一点了。
SPL与SQL对比
那么，SQL就不能做到同样的事吗？
是的。SQL设计得过于粗线条，关系代数这个理论基础中缺乏很多数据类型和基础运算，很多高性能算法都无法描述，结果只能使用慢算法。虽然现在很多数据库和大数据平台都在工程上有所优化，但也只能针对简单的场景，情况复杂之后数据库的优化器都会“晕”掉，所以解决不了根本问题。这是个理论上的问题，无法在工程层面解决。
SPL基于的理论基础不再是关系代数，而是我们发明的离散数据集。在这个体系下有更多的数据类型和运算，就能写出更多高性能算法了。SPL是离散数据集的一种实现，封装了许多现成的算法。用Java和C++当然也能从头来实现这个代数体系，因而都能写出来高性能代码。而SQL却不可以。
举个简单的例子，我们想在1亿条数据中取出前10名，用SQL写出来是这样的：
select top 10 x,y from T order by x desc
这个语句中有个order by，严格按它执行就会涉及大排序，而排序非常慢。其实我们可以想出一个不用大排序的算法，但用SQL却无法描述，只能指望数据库优化器了。对于这句SQL描述的简单情况，很多商用数据库确实都能优化，使用不必大排序的算法，性能通常很好。但情况复杂一些，比如在每个分组中取前10名，要用窗口函数和子查询把SQL写成这样：
select * from
(select y,*,row_number() over (partition by y order by x desc) rn from T)
where rn<=10
这时候，数据库优化器就会犯晕了，猜不出这句SQL的目的，只能老老实实地执行排序的逻辑（这个语句中还是有order by的字样），结果性能陡降。
而SPL不一样，离散数据集中有普遍集合的概念，TopN这种运算被认为是和SUM和COUNT一样的聚合运算，只不过返回值是个集合而已。这时候写出来的取前10名的语句中并没有排序动作：
T.groups(;top(-5;x))
分组后的写法也很简单，都不需要执行大排序：
T.groups(y;top(-5;x))
这里 性能优化技巧：TopN 还有关于这个问题的更详细测试对比。
所以，我们做性能优化时要重写代码，不能继续使用SQL保持兼容。要读懂原来的逻辑重新实现，这个工作量还是很大的，不过能换来数倍数十倍的性能提升，常常还是值得的。
另外，存储也非常重要，好算法要有合适的存储机制配合才能生效，所以不能继续把数据继续存在数据库里获得高性能，需要搬出来换种办法组织存放。改变存储后，有可能把原来需要缓存的计算过程变成不需要了，原来要遍历多遍的运算变成只遍历一次甚至不用遍历了，减少硬盘访问量对性能的提升非常有效。
从上面这个原理上看，如果我们不能针对计算目标设计出更好的算法，那就做不到提速了。比如一个很简单的大表求和，用SQL要做1亿次，用SPL也要做1亿次，那就不可能做得更快，一般还会更慢一点（Java赶不上C/C++）。但是，当运算任务足够复杂时，碰到几百上千行的嵌套N层SQL（慢的SQL通常也不会太简单），几乎总能找到足够多可优化的环节，所以我们经历过的案子还没有失手过。结果，在实践上用Java写出来集算器大幅度超越了C/C++写的数据库，这都是算法造就的。
我们甚至曾经发过一个广告 慢得受不了的查询跑批
寻找用SQL写的慢过程，我们负责提速一个数量级。
高性能的不是语法，而是算法
换个角度再看这个提速原理：高性能靠的不是代码，而是代数，代码只是个实现手段而已。其中最关键的是掌握和运用这些算法，而不是SPL语法。SPL语法很简单，比Java容易多了，两小时就能基本上手，两三周就能比较熟练了。但算法却没那么简单，需要认真学习反复练习才能掌握。这些案例直接由没有经验的用户自己做常常效果并不好，主要原因也是对算法没有吃透。
反过来，而只要掌握了算法，用什么语法就是个相对次要的问题了（当然用SQL这种太粗线条的语言还是不行）。这就像给病人看病，找出病理原因后，能分析出什么成分的药能管用。无论直接购买成药（使用封装过的SPL），还是上山采药（使用Java/C++硬写），都可以治好病，无非就是麻烦程度和支付成本不同。
可能有读者对SPL提供了哪些与SQL不同的高性能算法感兴趣，推荐一下乾学院上的性能优化图书 【性能优化】 前言及目录 和视频课程 《性能优化》课程
我们已经把这些算法都整理成有体系的知识了。有些算法是业界首创的，其它教科书和论文中都找不到。
跟着这些图书课程学习，掌握这些算法后，就可以自己写到快出数量级的高性能代码。即使自己不写代码，也能理解原理，不会再被很多大数据产品喊什么“万亿秒查”的说法忽悠了。
SPL资料
以上是关于快出数量级的性能是怎样炼成的的主要内容，如果未能解决你的问题，请参考以下文章