《大规模分布式存储系统》第13章 大数据【13.5】

javazx

13.5　实时分析
海量数据离线分析对于MapReduce这样的批处理系统挑战并不大，如果要求实
时，又分为两种情况：如果查询模式单一，那么，可以通过MapReduce预处理后将最
终结果导入到在线系统提供实时查询；如果查询模式复杂，例如涉及多个列任意组
6 u6 s# u2 u8 t合查询，那么，只能通过实时分析系统解决。实时分析系统融合了并行数据库和云
计算这两类技术，能够从海量数据中快速分析出汇总结果。
, T: o% M$ z+ r6 D) J; l5 f4 p/ G13.5.1　MPP架构
2 W6 }+ |* v! X% G+ w& m. _( f0 W并行数据库往往采用MPP（Massively Parallel Processing，大规模并行处理）架
0 }) Y3 \2 B8 i# Z构。MPP架构是一种不共享的结构，每个节点可以运行自己的操作系统、数据库
& h( g- L9 ]7 m, c等。每个节点内的CPU不能访问另一个节点的内存，节点之间的信息交互是通过节
5 h4 a* f1 \. B- I0 l, X% L点互联网络实现的。
如图13-9所示，将数据分布到多个节点，每个节点扫描本地数据，并由Merge操
, e) q1 b  m8 N# p/ Z) Q) H5 d作符执行结果汇总。
& f1 n& N- t7 c/ B图　13-9　MPP Merge操作符
常见的数据分布算法有两种：
& ~5 c' j! ]' O& x; ]' D  |●范围分区（Range partitioning）：按照范围划分数据。
●哈希分区（Hashing）：根据哈希函数计算结果将每个元组分配给相应的节
点。
Merge操作符：系统中存在一个或者多个合并节点，它会发送命令给各个数据分
+ g+ ?4 I- o# f/ S3 s$ `6 r片请求相应的数据，每个数据分片所在的节点扫描本地数据，排序后回复合并节
# ^$ t& X/ f+ O5 J( E点，由合并节点通过merge操作符执行数据汇总。Merge操作符是一个统称，涉及的
操作可能是limit、order by、group by、join等。这个过程相当于执行一个Reduce任务
个数为1的MapReduce作业，不同的是，这里不需要考虑执行过程中服务器出现故障
的情况。
5 t& C6 ~& U) C6 t; o7 |如果Merge节点处理的数据量特别大，可以通过Split操作符将数据划分到多个节
3 U8 R$ M3 n( T* P: j! v% o1 M8 X点，每个节点对一部分数据执行group by、join等操作后再合并最终结果。
5 J; Y: y; _3 ^: X2 K如图13-10，假如需要执行"select*from A,B where A.x=B.y"，可以分别根据A.x和
B.x的哈希值将表A和B划分为A0、A1以及B0、B1。由两个节点分别对A0、B0以及
, @& W: n- G8 y4 H2 HA1、B1执行join操作后再合并join结果。
图　13-10　MPP Split操作符
$ [; P. R5 `4 C9 `: ]并行数据库的SQL查询和MapReduce计算有些类似，可以认为MapReduce模型是
一种更高层次的抽象。由于考虑问题的角度不同，并行数据库处理的SQL查询执行时
间通常很短，出现异常时整个操作重做即可，不需要像MapReduce实现那样引入一个
; F+ f& f) I" [; q2 R主控节点管理计算节点，监控计算节点故障，启动备份任务等。
6 Q0 e6 C% U' w4 q  ^13.5.2　EMC Greenplum
Greenplum是EMC公司研发的一款采用MPP架构的OLAP产品，底层基于开源的
/ N. M6 P( q1 O/ o# B$ @$ S9 J, APostgreSQL数据库。
& b* W2 E2 I' g1.整体架构
如图13-11，Greenplum系统主要包含两种角色：Master服务器（Master Server）
和Segment服务器（Segment Server）。在Greenplum中每个表都是分布在所有节点上
的。Master服务器首先对表的某个或多个列进行哈希运算，然后根据哈希结果将表的
数据分布到Segment服务器中。整个过程中Master服务器不存放任何用户数据，只是
5 l6 D+ B; {# i/ U对客户端进行访问控制和存储表分布逻辑的元数据。
图　13-11　Greenplum整体架构
6 z5 c" P' ~  o. P9 V! K6 pGreenplum支持两种访问方式：SQL和MapReduce。用户将SQL操作语句发送给
Master服务器，由Master服务器执行词法分析、语法分析，生成查询计划，并将查询
请求分发给多台Segment服务器。每个Segment服务器返回部分结果后，Master服务器
会进行聚合并将最终结果返回给用户。除了高效查询，Greenplum还支持通过数据的
, f6 R" a, f+ p7 }7 D' u- N并行装载，将外部数据并行装载到所有的Segement服务器。
* T# F" N: s4 w1 Z  Q2.并行查询优化器
Greenplum的并行查询优化器负责将用户的SQL或者MapReduce请求转化为物理
; s# p& X3 Y6 e执行计划。Greenplum采用基于代价的查询优化算法（cost-based optimization），从各
7 O, @2 }. U3 e4 ~7 W6 f+ F( l种可能的查询计划中选择一个代价最小的。Greenplum优化器会考虑集群全局统计信
7 R( e* s0 n5 a$ \* P息，例如数据分布，另外，除了考虑单机执行的CPU、内存资源消耗，还需要考虑
9 y# Q: w( ?: q数据的网络传输开销。
Greenplum除了生成传统关系数据库的物理运算符，包括表格扫描（Scan）、过
% w6 k  x" t! O7 r7 X( M滤（Filter）、聚集（Aggregation）、排序（Sort）、联表（Join），还会生成一些并
行运算符，用来描述查询执行过程中如何在节点之间传输数据。
●广播（Broadcast,N:N）：每个计算节点将目标数据发送给所有其他节点。
●重新分布（Redistribute,N:N）：类似MapReduce中的shuffle过程，每个计算节
点将目标数据重新哈希后分散到所有其他节点。
●汇总（Gather,N:1）：所有的计算节点将目标数据发送给某个节点（一般为
* A: u- [8 {0 S7 Z+ Y) w- PMaster服务器）。
; I) f( ^7 a4 a- M5 M" o# [" ~! z图13-12中有四张表格：订单信息表（orders），订单项表（lineitem），顾客信
息表（customer）以及顾客国籍表（nation）。其中，orders表记录了订单的基本信
息，包括订单主键（o_orderkey）、顾客主键（o_custkey）和订单发生日期
（o_orderdate）；lineitem表记录了订单项信息，包括订单主键（l_orderkey）和订单
金额（l_price）；customer表记录了顾客的基本信息，包括顾客主键（c_custkey）和
顾客国籍主键（c_nationkey）；nation表记录了顾客的国籍信息，包括国籍主键
（n_nationkey）和国籍名称（n_name）。Orders表和lineitem表通过订单主键关联，
# a1 _( M* E9 n, f4 vorders表和customer表通过顾客主键关联，customer表和nation通过国籍主键关联。左
6 @: f) l4 U& E  H# n" X边的SQL语句查询订单发生日期在1994年8月1日开始三个月内的所有订单，按照顾客
分组，计算每个分组的所有订单交易额，并按照交易额逆序排列。在右边的物理查
2 y0 z: M2 }& v3 Y9 L, G询计划中，首先分别对lineitem和orders，custom和nation执行联表操作，联表后生成
. a7 t0 N$ h9 x- D的结果分别记为Join_table1和Join_table2。接着，再对Join_table1和Join_table2执行联
表操作。其中，custom和nation联表时会将nation表格的数据广播（Broadcast）到所有
: R% J* _9 \9 G  _9 |的计算节点（共4个）；Join_table1和Join_table2联表时会将Join_table1按照Join列
! A9 Z' @3 Q; g* l+ H9 X: P（o_custkey）哈希后重新分布（Redistribute）到所有的计算节点。最后，每个计算节
$ B5 O$ Y( g9 e点都有一部分Join_table1和Join_table2的数据，且Join列（o_custkey以及c_custkey）相
同的数据分布在同一个计算节点，每个计算节点分别执行Hash Join、HashAggregate
以及Sort操作。最后，将每个计算节点上的部分结果汇总（Gather）到Master服务
器，整个SQL语句执行完成。
图　13-12　Greenplum查询优化示例
9 Z2 ]; L" m2 D+ v5 x% ~13.5.3　HP Vertica
Vertica是Michael Stonebraker的学术研究项目C-Store的商业版本，并最终被惠普
) y- y8 L7 @! B  m! F6 b6 e* n$ P1 S公司收购。Vertica在架构上与OceanBase有相似之处，这里介绍其中一些有趣的思
想。
1.混合存储模型
Vertica的数据包含两个部分：ROS（Read-Optimized Storage）以及WOS（Write-
Optimized Storage），WOS的数据在内存中且不排序和加索引，ROS的数据在磁盘中
有序且压缩存储。后台的"TUPLE MOVER"会不断地将数据从WOS读出并往ROS更新
2 d1 I; e4 y2 e) {（同时完成排序和索引）。Vertica的这种设计和OceanBase很相似，ROS对应
! N5 i, o+ f1 }- ]' n% z* KOceanBase中的ChunkServer,WOS对应OceanBase中的UpdateServer。由于后台采
用"BULK"的方式批量更新，性能非常好。
2.多映射（Projections）存储
Vertica没有采用传统关系数据库的B树索引，而是冗余存储一张表格的多个视
图，定义为映射。
每个映射包含表格的部分列，可以分别对不同的映射定义不同的排序主键。如
5 D/ _0 o9 z" C5 d+ b- u; J7 x图13-13所示，系统中有一张表格逻辑上包含5列＜A,B,C,D,E＞，物理存储成三个映
射，分别为：Projection1（A,B,C，主键为＜A,B＞），Projection2（A,B,C，主键为＜
; [# Q9 a6 @4 B/ R# BB,A＞）和Projection3（B,D,E，主键为＜B＞）。
( [! ?4 C$ G7 R; O图　13-13　vertica projections示例
5 a! Y: h+ U! e7 S5 u' _) v5 aa）"select A,B,C from table where A=1"=＞查询Projection1
9 U1 X4 e% Z$ F& O( f; J  wb）"select A,B,C from table where B=1"=＞查询Projection2
) b+ _8 L- K, Z/ N, vc）"select B,D from table where B=1"=＞查询Projection3
6 t: G% e  P# R3 l, n3 _! R5 qVertica通常维护多个不同排序的有重叠的映射，尽量使得每个查询的数据只来自
. J; e$ k* k! H一个映射，以提高查询性能。为了支持任意列查询，需要保证每个列至少在一个映
( l6 v" I- ~$ h射中出现。
& S- g( i" [& z3.列式存储
+ f. J" C  n& j/ FVertica中的每一列数据独立存储在磁盘中的连续块上。查询数据时，Vertica只需
要读取那些需要的列，而不是被选择的行的所有的列数据。
2 @8 D: H) l3 \' F/ U4.压缩技术
Vertica根据数据类型、基数（可能的取值个数）、排序自动对数据进行压缩，从
+ c( v  m- n4 t9 P而最小化每列占用的空间。常用的压缩算法包括：
●Run Length Encoding：列类型为整数，基数较小且有序；
●位图索引：列类型为整数，基数较小；
7 J7 P; E9 Y8 Y/ y) t) y●按块字典压缩：列类型为字符串且基数较小；
7 V) C& L7 h0 S●LZ通用压缩算法：其他列值特征不明显的场景。
4 i$ [; B) u( E基于列的压缩由于同样的数据类型和相同的取值范围，通常会大幅度提高压缩
效果。另外，vertica还支持直接在压缩后的数据上做运算。
7 h, I$ M" P* Y% L" o13.5.4　Google Dremel
/ L& ~2 J# }/ h  @- w6 B) ]Google Dremel是Google的实时分析系统，可以扩展到上千台机器规模，处理PB
级别的数据。Dremel还是Google Bigquery服务的底层存储和查询引擎。相比传统的并
  }9 ]% M$ b1 x行数据库，Dremel的优势在于可扩展性，磁盘的顺序读取速度在100MB/s上下，而
Dremel能够在1秒内处理1TB的数据，即使压缩率为10:1，也至少需要1000个磁盘并
! r. C2 z: m6 D发读。
1.系统架构
Dremel系统融合了并行数据库和Web搜索技术。首先，它借鉴了Web搜索中
9 K3 B' z; a6 v1 P! Y# C的“查询树”的概念，将一个巨大复杂的查询，分割成大量较小的查询，使其能并发
地在大量节点上执行。其次，和并行数据库类似，Dremel提供了一个SQL-like的接
口，且支持列式存储。
5 \$ D: N% X' |& ~, O如图13-14所示，Dremel采用多层并层级向上汇报的方式实现数据运算后的汇
聚，即：
3 o! c4 }6 `7 S! R% E. w8 }/ X$ I图　13-14　Dremel系统架构
  o+ u2 n% X! e: p: f; f●叶子节点执行查询后得到部分结果向上层中间节点汇报；
●中间节点再向上层中间节点汇报（此层可以重复几次或零次）；
9 t2 N! y1 q  g# c  L, v●中间节点向根节点汇报最终结果。
- P( j! F6 L$ Q; k# p! f+ XDremel要求数据在向上层汇报中，是可以聚集的，也就是说，在逐级上报的过
程中数据量不断变小，最终的结果不会很大，确保在一台机器能够承受的范围。
+ j/ a" ^# W" z% U! _# y2.Dremel与MapReduce的比较
MapReduce的输出结果直接由reduce任务写入到分布式文件系统，因此，只要
* E$ z2 `8 B; yreduce任务个数足够多，输出结果可以很大；而Dremel中的最终数据汇聚到一个根节
点，因此一般要求最终的结果集比较小，例如GB级别以下。
Dremel的优势在于实时性，只要服务器个数足够多，大部分情况下能够在3秒以
9 \" C# z2 e0 @# T内处理完成TB级别数据。
) r  E- y* s5 I6 h) E: N; r