GaussDB(DWS)云原生数仓技术解析

Posted 2023-04-06 华为云开发者社区

摘要：本文主要介绍GaussDB(DWS)云原生数仓架构、产品能力，帮助开发者快速了解GaussDB(DWS)云原生数仓相关信息与能力。

本文分享自华为云社区《直播回顾 | GaussDB(DWS)云原生数仓技术解析》，作者：胡辣汤。

在本期《GaussDB(DWS)云原生数仓技术解析》的主题直播中，我们邀请到华为云EI DTSE技术布道师/华为云数仓GaussDB(DWS)云原生首席SE 王传廷，针对GaussDB(DWS)云原生数仓架构、产品能力，与开发者和伙伴朋友们展开交流互动，帮助开发者快速了解GaussDB(DWS)云原生数仓相关信息与能力。

数仓需求变化及技术架构演进

云计算时代，数据仓库的需求和技术架构也在不断地发生变化。数仓需求主要分为两类场景：

• 公有云场景，主要是指用户直接购买的公有云厂商的云服务。公有云用户的需求更多关注在产品成本、扩容灵活弹性、数据共享。
• 线下部署场景，这类场景可能是用户购买的硬件部署了一个软件，也可能是用户在机房搭建了内部私有云环境。线下部署场景主要需求是：系统稳定、负载之间有较好的隔离能力、数据共享、弹性。

数仓技术架构演进由最初Shared Storage共享存储到Shared Nothing分布式计算架构再到现在的存算分离架构。

• 存算分离架构特点：存储类似shared storage，计算类似shared nothing，每个节点只处理自己分片的数据。
• 存算分离架构优点：计算存储分层扩展，计算节点扩容无需数据重分布，速度快，灵活；存储节点按需扩容，无限容量；计算节点之间无需协调机制，只需保证计算节点只处理自己分片的数据。

GaussDB(DWS)云原生数仓架构解析

华为云GaussDB(DWS)历经12年技术演进，2011年开始技术预研，2014年首次上市，通过不停地迭代和演进，从2017年开始大规模商用，当前全球已累积1700+大客户。针对数仓发展趋势，GaussDB(DWS)也在不断地演进，2022年推出实时数仓、IoT数仓，应对实时数据的接入，满足实时计算场景需求。2023年即将发布的云原生数仓，支持存算管三层分离、湖仓一体、数智融合，具备优异性能和极致弹性能力。

GaussDB(DWS)云原生数仓产品能力

一、极致弹性

GaussDB(DWS)云原生数仓极致弹性，具备管理层、计算层、存储层三层分离独立灵活伸缩，一数多用、按需配置优势。

存算管三层分离：存储层，支持私有格式和开放格式，开放格式主要支持ORC/Parquet/Hudi等大数据生态的主流格式。私有格式是GaussDB(DWS)的存储格式，数据存储在OBS上，在私有格式上具备更好的性能。计算层，我们抽象了Virtual Warehouse概念（简称VW），也叫逻辑集群。VW是一组计算单元，可以灵活地添加或者释放，数据不属于任何一个VW，仅仅只是绑定关系。管理层是指将集群管理查询优化与GaussDB(DWS)数据节点和GTM层体现出来。

一数多用：数据存储在OBS上，任意逻辑集群均可承载读写负载，多逻辑集群间共享数据，无需拷贝，提供跨逻辑集群建的实时和近实时两种数据共享方式。

按需配置：通过逻辑集群隔离不同业务，性能稳定，业务承载量或并发量线性扩展，可以进行读写分离或多读多写。

二、湖仓一体

之前使用大数据写数据，需要创建外表，指定外表字段，并与大数据字段对应，需要访问多少张表，就创建多少张表，当外表数量只有一两张时维护也比较容易，外表越来越多时，维护成本也随之增加，如果数据湖中字段发生了变化，外表也需要更改。GaussDB(DWS)云原生数仓在湖仓一体方面做了能力增强，降低维护成本。在这里我们引入新的概念External Schema。我们通过创建一个 External Schema的形式，自动对接Hive Metastore元数据管理，直接访问数据湖的数据表定义，不再需要创建外表，提升体验，降低维护代价。

同时我们支持外表和内表进行融合查询，混合查询数据湖和数仓内任意数据，查询一步到位输出到数仓内/数据湖，无需额外数据中转拷贝，数据湖享受数仓的极致查询性能。

三、数智融合

打通数据仓库与AI生产线，通过OBS共享开放格式数据，为AI生产线提供强劲的数据处理能力和灵活的供数方式。提供SQL语法，在数据分析过程中提供驱动AI训练、应用AI推理的能力。直接调用部署的推理服务端点，灵活性好；将模型二进制部署为UDF，性能好。

四、优异性能

存算分离后，我们通过三个方面保证数仓性能，分别是：缓存、近数据计算(计算下推)、IO调度。

• 缓存：将热数据优先缓存到本地，本地磁盘缓存空间够用的情况下，可以体验到和本地表一样的性能。GaussDB(DWS)在每个计算节点自带磁盘缓存，可以将OBS的数据缓存到本地，提升性能。
• 近数据计算：将冷数据优先计算下推到存储层，降低读取数据量。
• IO调度：充分利用云存储带宽优势，弥补其相较传统MPP的高延迟劣势；单查询充分利用资源，为并发查询提供稳定、可预测的性能保证；多级资源池灵活配置。

欢迎感兴趣的开发者观看直播回放，了解详细信息。更多关于GaussDB(DWS)产品技术解析、云原生数仓产品新特性的介绍，请关注GaussDB(DWS)论坛，直播安排将第一时间发布在GaussDB(DWS)论坛热门活动版块。

论坛链接：https://bbs.huaweicloud.com/forum/forum-598-1.html

 

点击关注，第一时间了解华为云新鲜技术~

解析数仓lazyagg查询重写优化

摘要：本文对Lazy Agg查询重写优化和GaussDB(DWS)提供的Lazy Agg重写规则进行介绍。

本文分享自华为云社区《GaussDB(DWS) lazyagg查询重写优化解析【这次高斯不是数学家】》，作者： OreoreO 。

聚集操作将查询结果按某一列或多列的值分组，值相等的为一组。聚集操作是一种常见的操作并在金融客户中有广泛的使用。例如如下语句：

SELECT a, count(a) FROM t1 GROUP BY a; -- 按a分组并计算分组内重复值的个数

一、Lazy Agg重写规则

数据量大的场景下，聚集运算由于数据量大导致下盘，聚集操作执行时间成为性能瓶颈，从而导致整个查询执行效率非常差。例如：

SELECT t2.b, sum(cc) FROM (SELECT b, sum(c) AS cc FROM t1 GROUP BY b) AS s, t2 WHERE s.b=t2.b GROUP BY t2.b;

子查询对t1.b列进行聚集，对t1.c列求和，在外部查询中，同样也存在聚集运算，对子查询的聚集求和列cc列求和。对于这类语句，当子查询的聚集运算较耗时的情况下，可以利用查询重写规则消除子查询的聚集运算，由外部查询的聚集函数统一完成聚集运算。消除子查询后可能导致子查询行数增多，但对于子查询聚集运算时t1.b列的distinct值较多的场景，子查询聚集运算后的行数较原表不会有明显缩减，不会导致外层JOIN运算量的大量增加。即语句可被重写为：

SELECT t2.b, sum(cc) FROM (SELECT b, c AS cc FROM t1) AS s, t2 WHERE s.b=t2.b GROUP BY t2.b;

这个改写规则称为Lazy Agg，适用于基表数据量大且distinct值较多的场景。如果重复值较少，那么消除了聚集操作会导致Join后的行数激增，Join性能较差，因此需要将Agg下推到Join之前进行，通过提前的Agg操作减少Join结果的行数，这个改写规则称为Eager Agg。

二、GaussDB(DWS) lazyagg优化

为了降低调优难度，提升产品易用性，GaussDB(DWS)提供了lazyagg查询重写优化规则，可以通过设置guc参数rewrite_rule包含’lazyagg’使用Lazy Agg查询重写优化。开启lazyagg查询重写优化后，对满足条件的场景会优化并消除子查询中的聚集操作。原计划如下所示：

lazyagg重写优化后计划如下所示：

可以看到相比于原计划，lazyagg重写优化后消除掉了原计划中的聚集操作，即7号Subquery Scan算子和8号HashAggregate算子。

三、lazyagg优化规格

1. 支持子查询为单一聚集查询或包含聚集子集合操作的查询。集合操作仅支持UNION ALL，可对部分分支子查询进行聚集运算消除。子查询需为JOIN表之一（不在TargetList、Where子句等其他位置）。
2. 支持若外部查询的所有Agg参数列包含于其某个子查询的Agg函数列，则可对该子查询的聚集运算进行消除。
3. 支持所有消除子查询聚集运算后结果正确的聚集函数种类。聚集函数种类结果正确性见下表：

4. 场景约束
在上述场景扩展的基础上，对于可能导致结果错误的场景，不进行查询重写，包括但不限于：

• 不支持消除的Agg函数类型。
• 子查询中包含其它条件或算子，会导致重写后结果错误，例如HAVING、window agg、LIMIT、OFFSET、AP function、distinct、recursive等。
• 外层Agg参数列、GROUP BY列或JOIN列中包含volatile函数，如random、timeofday等。
• 子查询Agg函数外、外部查询Agg函数内有其他表达式或函数操作，如子查询Agg函数列为sum©+1、max©+max(d)，外部查询Agg函数列为sum(cc+1)等。
• 外部查询的JOIN列、GROUP BY列或其它条件中包含子查询Agg函数列。
• 子查询在LEFT JOIN、RIGHT JOIN的inner边或FULL JOIN中，且子查询Agg函数为count，外部查询Agg函数为sum的。

四、结语

通过本文的分析，相信用户朋友已经充分了解了Lazy Agg重写优化的使用场景，以及GaussDB(DWS)的lazyagg实现方式。希望广大用户能够通过深入的了解，对GaussDB(DWS)的性能调优产生浓厚的兴趣并深度参与进来。

参考文档：
GaussDB(DWS)性能调优系列实战篇四：十八般武艺之SQL改写

理论不如实践，那如何快速体验DWS呢？DWS现推出了一项Demo体验活动。进入DWS首页，点击“Demo体验”，快速便捷体验一把！（体验过程中有任何建议和意见，可以去DWS社区论坛反馈哦）

点击关注，第一时间了解华为云新鲜技术~