查看原文
其他

性能优化技巧:有序归并

乾学院 2022-11-07

一、问题背景与适用场景

在以前的文章中我们介绍过,关系数据库在进行表间关联时是使用HASH分段技术。设两个关联表的规模(记录数)分别是 N 和 M,则 HASH 分段技术的计算复杂度(关联字段的比较次数)大概是 SUM(Ni*Mi),其中 Ni 和 Mi 分别是 HASH 值为 i 的两表记录数,满足 N=SUM(Ni) 和 M=SUM(Mi),这大概率会比完全遍历时的复杂度 N*M 要小很多(运气较好的时候会小 K 倍,K 是 HASH 值的取值范围)。
如果这两个表针对关联键都有序,那么我们就可以使用归并算法来处理关联,这时的复杂度是 N+M;在 N 和 M 都较大的时候(一般都会远大于 K),这个数会远小于刚才那个 SUM(Ni*Mi)。因此有序归并关联的计算速度会比HASH分段关联快很多。
在实际应用中,因为同维表和主子表总是针对主键或主键的一部分关联,我们可以事先把这些关联表的数据按其主键排序,以后就可以总是使用归并算法实现关联,效率能提高很多。SPL即采用了这样的算法。
下面我们就用集算器SPL与关系数据库Oracle作个对比,来测试一下有序归并关联的效率。

二、测试环境

1、小数据全内存测试

测试机有两个Intel2670 CPU,主频2.6G,共16核,内存128G,SSD固态硬盘。
采用TPCH标准生成的50G数据,主表是orders,子表是orderdetail(由lineitem表数据记录减少后生成)。两表中记录分别按O_ORDERKEY、L_ORDERKEY升序排列。
Oracle和SPL均使用单线程测试。
2、大数据外存测试
采用前述测试机中的虚拟机,内存16G,SSD固态硬盘。
采用TPCH标准生成的200G数据,主表是orders,子表是lineitem。两表中记录分别按O_ORDERKEY、L_ORDERKEY升序排列。
因数据量比较大,Oracle和SPL均使用8线程并行测试。

三、小数据全内存测试

1.  Oracle测试

(1)无关联测试
测试的SQL语句如下:
select l_year, sum(volume) as revenu, sum(l_quantity) as quantityfrom ( select extract(year from l_shipdate) as l_year, (l_extendedprice * (1 - l_discount) ) as volume, l_quantity from orderdetail )group by l_yearunion allselect 2019 as l_year, count(o_orderkey) as revenu, count(o_totalprice) as quantityfrom orders;

(2)有关联测试

测试的SQL语句如下:
select l_year, sum(volume) as revenu, sum(l_quantity) as quantityfrom ( select extract(year from l_shipdate) as l_year, (l_extendedprice * (1 - l_discount) ) as volume, l_quantity from orders, orderdetail where o_orderkey = l_orderkey and l_quantity>0 )group by l_year;

查询条件 l_quantity>0 始终为真,没有过滤数据,是为了确保会读取这一列数据。

2.  SPL测试

(1)无关联测试
编写SPL脚本如下:

A
1>orders=file("/home/ctx/orders.ctx").open().memory()
2>orderdetail=file("/home/ctx/orderdetail.ctx").open().memory()
3=now()
4=orderdetail.cursor(L_ORDERKEY,L_EXTENDEDPRICE,L_DISCOUNT,L_SHIPDATE,L_QUANTITY).groups(year(L_SHIPDATE):l_year; sum(L_EXTENDEDPRICE*(1-L_DISCOUNT)):revenue,sum(L_QUANTITY):quantity)
5=orders.groups(;count(O_ORDERKEY),count(O_TOTALPRICE))
6=interval@s(A3,now())

 (2)有关联测试

编写SPL脚本如下:


A
1>orders=file("/home/ctx/orders.ctx").open().memory()
2>orderdetail=file("/home/ctx/orderdetail.ctx").open().memory()
3=now()
4=orders.cursor(O_ORDERKEY,O_TOTALPRICE;O_TOTALPRICE>0)
5=orderdetail.cursor(L_ORDERKEY,L_EXTENDEDPRICE,L_DISCOUNT,L_SHIPDATE,L_QUANTITY)
6=joinx(A5:detail,L_ORDERKEY;A4:orders,O_ORDERKEY)
7=A6.groups(year(detail.L_SHIPDATE):l_year;sum(detail.L_EXTENDEDPRICE*(1-detail.L_DISCOUNT)):revenue, sum(detail.L_QUANTITY):quantity)
8=interval@s(A3,now())

A6中的joinx就是有序归并关联函数,要求关联字段都按升序排列。

3.  测试结果及分析

测试结果列表如下(单位:秒):
类别无关联有关联变慢倍数关联用时
Oracle16674.251
SPL14322.318

每种测试结果都是多次运行、数据充分缓存以后,取最快的一次。

分析两句SQL,无关联测试中对orders表读出O_ORDERKEY、O_TOTALPRICE两列并统计记录数,对orderdetail表读出L_ORDERKEY、L_EXTENDEDPRICE、L_DISCOUNT、L_SHIPDATE、L_QUANTITY 五列,并对销售价格求和、对L_QUANTITY求和。而在有关联测试中,对orders和orderdetail表的读取量相同,同时对关联后的销售价格求和、对L_QUANTITY求和。两种情况下的读取和计算量基本是相当的,多出的操作就是两表间的关联,所以两者的运行时间差就是关联操作用时。同理,SPL也是如此。
在同样的硬件设备和数据规模下,SPL关联用时18秒,Oracle关联用时51秒,几乎是前者的3倍,而且SPL是Java编写的程序,而Oracle是C++实现的,这充分验证了有序归并关联能够极大地提高关联效率。SPL有关联比无关联时速度慢了2.3倍,Oracle慢了4.2倍,说明有序归并计算与普通计算速度相当,而HASH关联比普通计算要慢很多。

四、大数据外存测试

当要 JOIN 的两个表都大到内存无法放下的时候,关系数据库仍然是使用 HASH 分段的技术。根据关联字段的 HASH 值,将数据分成若干段,每段都足够小到能装入内存再实施内存的 HASH 分段算法。但这会发生外存倒换的问题,数据需要先分段写出再读入,多出一写一读,外存读本来就不快,写就更慢,这样性能会差出很多。
有序归并关联则没有这个问题,两个表的数据都只要遍历一次就行了,不仅是 CPU 的计算量减少,外存的 IO 量也大幅下降。而且,执行归并算法需要的内存很少,只要在内存中为每个表保持数条缓存记录就可以了,几乎不会影响其它并发任务对内存的需求。

1.  Oracle测试

(1)无关联测试
测试的SQL语句与小数据测试相同,只需把orderdetail表改成lineitem表,另在第一个select后添加“  /*+ parallel(8) */”使用8线程并行。
(2)有关联测试
测试的SQL语句与小数据测试相同,只需把orderdetail表改成lineitem表,另在第一个select后添加“  /*+ parallel(8) */”使用8线程并行。

2.  SPL测试

(1)无关联测试
编写SPL脚本如下:

A
1=now()
2=file("/home/ctx/lineitem.ctx").open().cursor@m(L_ORDERKEY,L_EXTENDEDPRICE,L_DISCOUNT,L_SHIPDATE,L_QUANTITY;;8)
3=A2.groups(year(L_SHIPDATE):l_year; sum(L_EXTENDEDPRICE*(1-L_DISCOUNT)):revenue,sum(L_QUANTITY):quantity)
4=file("/home/ctx/orders.ctx").open().cursor@m(O_ORDERKEY,O_TOTALPRICE;;8)
5=A4.total(count(O_ORDERKEY),count(O_TOTALPRICE))
6=interval@s(A1,now())

数据量大,A2和A4都使用8路并行游标读数。

(2)有关联测试
编写SPL脚本如下:

A
1=now()
2=file("/home/ctx/orders.ctx").open().cursor@m(O_ORDERKEY,O_TOTALPRICE;O_TOTALPRICE>0;8)
3=file("/home/ctx/lineitem.ctx").open().cursor(L_ORDERKEY,L_EXTENDEDPRICE,L_DISCOUNT,L_SHIPDATE,L_QUANTITY;;A2)
4=joinx(A3:detail,L_ORDERKEY;A2:orders,O_ORDERKEY)
5=A4.groups(year(detail.L_SHIPDATE):l_year; sum(detail.L_EXTENDEDPRICE*(1-detail.L_DISCOUNT)):revenue,sum(detail.L_QUANTITY):quantity)
6=interval@s(A1,now())

A3中生成游标时用了A2作为参数,表示与主表orders的主键同步分段读取。

A4中的joinx就是有序归并关联函数,要求关联字段都按升序排列。

3.   测试结果及分析

测试结果列表如下(单位:秒):
类别无关联有关联变慢倍数关联用时
Oracle2658633.3598
SPL701011.431

计算量分析及关联用时计算与小数据测试同理。

在同样的硬件设备和数据规模下,SPL关联用时31秒,Oracle关联用时598秒,是前者的19倍,更进一步验证了有序归并关联能够极大地提高关联效率。与小数据测试时相比,倍数大大增加,说明数据量越大,有序归并关联比HASH关联的性能提升优势越明显。
有关联比无关联变慢的倍数也可以得出与小数据测试时同样的结论,不过这里比小数据测试时多了读取数据的时间(小数据时数据全部缓存到内存了),所以无关联测试时的时间基数变大了,变慢倍数看起来反而比小数据测试时减小了。

 

更多性能优化技巧,可在底部“阅读原文”中查看



重磅!开源SPL交流群成立了

简单好用的SPL开源啦!

为了给感兴趣的小伙伴们提供一个相互交流的平台,

特地开通了交流群(群完全免费,不广告不卖课)

需要进群的朋友,可长按扫描下方二维码

本文感兴趣的朋友,请转到阅读原文去收藏 ^_^

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存