云数据仓库的未来趋势：计算存储分离

Posted 2021-06-01 阿里云云栖号

简介： 随着云时代的到来，数据库也开始拥抱云数据库时代，各类数据库系统在各内外云平台百花齐放，有开源的mysql、PostgreSQL、MongoDB，传统数据库厂商的SQLServer、Oracle，云厂商自研的Aurora、Redshift、PolarDB、AnalyticDB、AzureSQL等。

作者 | 尚春
来源 | 阿里技术公众号

一 背景

随着云时代的到来，数据库也开始拥抱云数据库时代，各类数据库系统（OLTP、OLAP、NoSQL等）在各内外云平台（AWS、Azure、阿里云）百花齐放，有开源的MySQL、PostgreSQL、MongoDB，传统数据库厂商的SQLServer、Oracle，云厂商自研的Aurora、Redshift、PolarDB、AnalyticDB、AzureSQL等。有些数据库还处于Cloud Hosting阶段，仅仅是将原有架构迁移到云主机上，利用了云的资源。有些数据库则已经进入了Cloud Native阶段，基于云平台IAAS层的基础设施，构建弹性、serverless、数据共享等能力。

本文主要介绍阿里云云原生数据仓库AnalyticDB MySQL版（以下简称AnalyticDB）过去几年在弹性方向上的探索和成果。

二 为什么要计算存储分离

MPP（Massive Parallel Processing）架构为OLAP类数据库最普遍采用的技术架构。在MPP架构下，计算存储共享一个节点，每个节点有自己独立的CPU、内存、磁盘资源，互相不共享。数据经过一定的分区规则（hash、random、range），打散到不同的节点上。处理查询时，每个节点并行处理各自的数据，互相之间没有资源争抢，具备比较好的并行执行能力。

这种将存储资源、计算资源紧密耦合的架构，不太容易满足云时代不同场景下的不同workload需求。例如数据导入类的任务，往往需要消耗比较大的IO、网络带宽，而CPU资源消耗不大。而复杂查询类任务往往对CPU的资源消耗非常大。因此面对这两种不同的workload，在选择资源规格时，需要结合不同的workload分别做不同的类型选择，也很难用一种资源规格同时满足这两种类型。因为业务不停在发展，workload也不停在变化，比较难提前做好规划。

当业务发展，对CPU资源提出了更高的需求，我们扩容集群扩充CPU资源时，也会引发数据的reshuffle，这会消耗比较大的网络带宽、以及CPU资源。即便是基于云平台构建的数据仓库，在查询低峰期时，也无法通过释放部分计算资源降低使用成本，因为这同样会引发数据的reshuffle。这种耦合的架构，限制了数据仓库的弹性能力。

而通过分离存储资源、计算资源，可以独立规划存储、计算的资源规格和容量。这样计算资源的扩容、缩容、释放，均可以比较快完成，并且不会带来额外的数据搬迁的代价。存储、计算也可以更好的结合各自的特征，选择更适合自己的资源规格和设计。

三 业界趋势

1 Redshift

作为AWS上最热门的数据仓库产品，Redshift采用的是MPP架构，它也一直往弹性方向演进。Redshift于2018年11月推出的Elastic resize功能，相比于classic resize，其扩缩容时间大幅下降。在2019年11月进一步推出了elastic resize scheduling让用户配置扩缩容计划来达到自动弹性。此外，Redshift在2019年12月正式推出了RA3形态，它采用了计算存储分离的架构，数据存储在S3上，计算节点使用高性能SSD作为本地缓存，加速对数据的访问。在这个架构下，计算存储可以独立弹性，具备较好的弹性能力。

2 Snowflake

Snowflake从诞生的第一天起就采用计算存储分离架构，作为跨云平台的云数据仓库，它的存储层由对象存储构成（可以是AWS S3、Azure Blob等），计算层由virtual warehouse（简称VW）构成，每个用户可以创建一个或多个对应的VW，每个VW是由若干个EC2（AWS上的虚拟主机）组成的集群。这样可以灵活地根据不同workload，为不同用户创建不同规格的VW，且用户之间具备非常好的隔离性。基于VW的灵活性，Snowflake支持了VW auto suspend、resume以及auto scale能力，通过计算存储分离带来的弹性能力，给用户带来“pay-as-you-go”的使用体验。

四 AnalyticDB弹性模式

与Redshift类似，AnalyticDB最初也是基于传统的MPP架构来构建的。2020年5月，AnalyticDB推出了计算存储分离架构的弹性模式。AnalyticDB弹性模式分为接入层、计算层、存储层，其中接入层兼容了MySQL协议，包含了权限控制、优化器、元数据、查询调度等模块，负责数据实时写入、查询。

1 存储层

在弹性架构下，存储层负责数据的实时写入、索引构建、数据扫描、下推的谓词计算（过滤、列裁剪、分区裁剪等），不再负责查询的计算任务。数据在存储层依然采用MPP的方式组织，数据以hash、random的方式在分区（shard）间均匀打散，以分区(shard)方式可以非常方便地实现数据的实时写入强一致，而在数据扫描的时候可以实现shard级的并发读以保证并发。同时存储层提供一体化的冷热分层存储能力，数据可以热表的方式存在本地SSD、冷表的方式存储在底层DFS，亦或是以冷热混合表的形式存放，实现冷热数据的自动迁移，《数据仓库分层存储技术揭秘》一文中有详细介绍。

2 计算层

在弹性模式下，计算层由若干个计算节点组成，计算节点负责接收接入层下发的物理执行计划，并根据物理执行计划转换成对应的算子。计算层采用了vectorized的执行模型，算子之间数据以pipeline的方式进行交互，若干行（一般为几千行）数据组成一个batch，batch内部数据以列存的形式组织。此外，计算层的JIT模块会根据查询计划，动态生成代码，加速计算，包括expression计算、排序、类型比较等。JIT模块还以计划的pattern为key，缓存动态生成的代码，以此减少交互式查询下动态生成代码的代价。

3 执行计划

计算存储分离架构下，计算层新增了Resharding算子，负责从存储层加载数据。数据以batch、列存的方式在存储层与计算层之间传递，单次请求，会传输多个batch的数据，一般不大于32MB。由于存储层依旧保留了MPP数据预分区的方式，优化器在生成执行计划的时候会根据这个分布特征，在join、agg运算时，减少不必要的数据repartition。此外，优化器也会判断查询中的filter是否可利用存储层索引，尽量把可被存储层识别的filter下推至存储层利用索引加速过滤，减少与计算层之间的数据传输。而不可被下推的filter依然保留在计算层进行过滤。

4 分区动态重分布

Resharding算子与Scan算子之间，分区（shard）遵循以下原则进行重分布：

• 来自同一个存储节点的多个分区，尽量打散到不同的计算节点上。
• 同一个查询内，不同表的相同分区，会被映射到相同的计算节点上。
• 同一个分区，在不同查询之间，随机分配到不同的计算节点。

与Snowflake、Redshift不同，计算节点与分区之间没有固定的映射关系，因为计算节点没有本地的cache，数据访问的加速完全依赖于存储层的SDD、内存cache。这种动态重分布的方式，可以大大缓解分区不均匀、分区内数据倾斜等问题，不会造成固定计算节点的热点。

5 数据加载优化

相比较于原有架构，计算存储分离多了一次远程的数据访问，这对查询的延迟、吞吐会有比较大的影响。我们做了如下几个方面的优化：

• 合并网络连接。如图三所示，通过合并连接，减少小数据量查询的网络交互次数，降低查询延迟。
• 数据压缩。batch内基于列存格式进行压缩，减少网络带宽的消耗，有效提升Resharding算子加载吞吐。
• 异步读取。网络模块异步加载，将数据放入buffer中，Resharding算子从buffer中获取数据，让CPU、网络IO充分并行。

6 性能测试

本节将探究计算存储分离架构对AnalyticDB大数据量分析场景的查询吞吐影响。

测试环境

• 实例1：不分离模式，4组存储节点，存储节点负责数据扫描、查询计算。
• 实例2：弹性模式，4组存储节点 + 6个计算节点。存储节点负责数据扫描，计算节点负责查询计算。两个实例分别导入tpch 1TB数据作为测试数据集。

测试场景

我们选取TPCH Q1作为测试SQL，Q1为单表聚合查询，具备非常高的收敛度，存储层与计算层之间传输的数据量约为260GB。我们以单并发顺序执行的方式，执行TPCH Q1，取查询的平均执行时间。

select
        l_returnflag,
        l_linestatus,
        sum(l_quantity) as sum_qty,
        sum(l_extendedprice) as sum_base_price,
        sum(l_extendedprice * (1 - l_discount)) as sum_disc_price,
        sum(l_extendedprice * (1 - l_discount) * (1 + l_tax)) as sum_charge,
        avg(l_quantity) as avg_qty,
        avg(l_extendedprice) as avg_price,
        avg(l_discount) as avg_disc,
        count(*) as count_order
from
        lineitem
where
        l_shipdate <= date '1998-12-01' - interval '120' day
group by
        l_returnflag,
        l_linestatus
order by
        l_returnflag,
        l_linestatus;

测试数据

测试结论

从上面的测试数据可以看到，TPCH Q1在弹性模式的执行时间略好。粗看这个结果比较惊讶，计算存储分离后，性能更好了。我们可以仔细分析下，弹性模式与不分离模式具有相同的存储节点数，确保分离模式存储节点不会成为瓶颈。从执行时的资源消耗来看，分离模式的总资源消耗（19.5% + 97%）是不分离模式（98%）的1.19倍，这多消耗的CPU来自于网络传输、序列化、反序列化等。对于计算层来说，只要存储层能够提供足够的数据吞吐，确保计算层的CPU能够打满，那么计算存储分离不会降低查询的处理吞吐，当然相比于不分离模式，会多消耗资源。

五 总结

在AnalyticDB弹性模式的基础之上，未来我们会进一步去深耕我们的弹性能力，包括计算资源池化、按需弹性能力、存储层基于共享存储的快速扩缩容能力。通过这些弹性能力，更好满足客户对于云数据仓库的诉求，也进一步降低客户的使用成本。

关于我们

参考文献
[1] https://levelup.gitconnected.com/snowflake-vs-redshift-ra3-the-need-for-more-than-just-speed-52e954242715
[2] https://www.snowflake.com/
[3] https://databricks.com/session/taking-advantage-of-a-disaggregated-storage-and-compute-architecture
[4] Dageville B , Cruanes T , Zukowski M , et al. The Snowflake Elastic Data Warehouse.[C]// ACM. ACM, 2016.
[5] Gupta A , Agarwal D , Tan D , et al. Amazon Redshift and the Case for Simpler Data Warehouses[C]// Acm Sigmod International Conference. ACM, 2015.
[6] Vuppalapati M, Miron J, Agarwal R, et al. Building an elastic query engine on disaggregated storage[C]//17th {USENIX} Symposium on Networked Systems Design and Implementation ({NSDI} 20). 2020: 449-462.

原文链接

本文为阿里云原创内容，未经允许不得转载。