《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
2 ?9 R8 q9 M4 F! W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
( W/ {! C& k% a! g' D7 o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
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。
* Z& k4 g0 G& \* Y" c- H13.5.1　MPP架构
; x3 B( B9 `* g/ @7 a; _并行数据库往往采用MPP（Massively Parallel Processing，大规模并行处理）架
4 N- o4 _; u0 z3 [& D( A0 G5 F0 l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
0 Y$ k+ M' s( N% y- h, P) b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
点互联网络实现的。
/ g8 A& M9 i9 g, P$ k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
作符执行结果汇总。
图　13-9　MPP Merge操作符
  ?# j& c4 e) Z. ^8 o4 l5 {5 H常见的数据分布算法有两种：
5 C# D, j* U: i1 s, j: N! r●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
2 i+ Y( \  u7 S, P( t- X- [6 }点。
+ k1 C" C6 L' G+ ~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
6 ?: g: W# ?: C) U& u! y/ {5 _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
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
. ?" q6 u" D% B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。
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
2 v# }) r0 U" u  e( K/ d1 u( i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。
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
A1、B1执行join操作后再合并join结果。
图　13-10　MPP Split操作符
8 B" W1 T- m/ R: O) |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
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。
13.5.2　EMC Greenplum
/ t! t, e% O( }  rGreenplum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
PostgreSQL数据库。
5 g8 C+ J( L  D# h4 w1.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
) F6 E& D$ X  y4 w/ c, {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
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
Greenplum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
1 g  ~8 i1 m/ i  g并行装载，将外部数据并行装载到所有的Segement服务器。
2.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
执行计划。Greenplum采用基于代价的查询优化算法（cost-based optimization），从各
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
1 K# o0 I  J2 ^% t6 l; H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
6 T5 |) w* V3 z5 |2 d数据的网络传输开销。
/ T8 s; f8 m0 yGreenplum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
滤（Filter）、聚集（Aggregation）、排序（Sort）、联表（Join），还会生成一些并
9 Q0 s$ p" {9 Q! n+ b$ R( }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
# |1 }' q" D9 c2 ZMaster服务器）。
: V) h4 a5 S* g% Y* U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
2 Y0 r4 x- q# v1 I4 q（o_orderdate）；lineitem表记录了订单项信息，包括订单主键（l_orderkey）和订单
) ?9 |' U* M$ A7 U9 {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
, s! l* Y/ r$ @* q0 q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，
orders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
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
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
4 z0 f0 Y: l1 w1 P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
7 v, a( b& a* o  ^的计算节点（共4个）；Join_table1和Join_table2联表时会将Join_table1按照Join列
（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
点都有一部分Join_table1和Join_table2的数据，且Join列（o_custkey以及c_custkey）相
) Q& s& C6 U) Q4 p) G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
* q2 _& y; q& F( G' V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
# H$ Q! }* f$ {. [( |5 x0 N: c: h器，整个SQL语句执行完成。
1 o  C. @0 a: ?2 U: D7 a图　13-12　Greenplum查询优化示例
13.5.3　HP Vertica
) f" v' K9 K7 [% M. ~; Z* J- dVertica是Michael Stonebraker的学术研究项目C-Store的商业版本，并最终被惠普
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
; P8 J# b2 E. @想。
0 n. O( [( H# B) ~  d9 N1.混合存储模型
5 l% u4 `0 Y. Q! N( c. ^" G6 OVertica的数据包含两个部分：ROS（Read-Optimized Storage）以及WOS（Write-
0 N5 c; m3 k. u* M) e7 |3 z2 ^$ |3 ^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
, \8 m# B1 p" C6 q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
（同时完成排序和索引）。Vertica的这种设计和OceanBase很相似，ROS对应
% E$ ]' T( R- ~! N& `OceanBase中的ChunkServer,WOS对应OceanBase中的UpdateServer。由于后台采
$ q6 m7 X/ S+ j& ^, H用"BULK"的方式批量更新，性能非常好。
" i- g( {' h. u# W0 f5 N2.多映射（Projections）存储
: C+ L0 d1 ^8 q. c  K) EVertica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
; s$ Z6 c% G* d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＜
$ N3 B' d8 l+ DB,A＞）和Projection3（B,D,E，主键为＜B＞）。
图　13-13　vertica projections示例
2 p7 a8 i2 w- T) ?) A% f" C' _a）"select A,B,C from table where A=1"=＞查询Projection1
b）"select A,B,C from table where B=1"=＞查询Projection2
c）"select B,D from table where B=1"=＞查询Projection3
Vertica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
; [& W1 u! o# N9 Y& @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 N' g4 `+ o2 X( j射中出现。
3.列式存储
Vertica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。
" d. |0 ]. Y; o4.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
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；
, W# k2 N! C$ W0 ]' ?+ I; c$ h●位图索引：列类型为整数，基数较小；
●按块字典压缩：列类型为字符串且基数较小；
7 ]% C9 O8 w, n) k& E●LZ通用压缩算法：其他列值特征不明显的场景。
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
  `6 @5 G2 h; Y6 \) K# |% ]  i) E% r效果。另外，vertica还支持直接在压缩后的数据上做运算。
13.5.4　Google Dremel
, {5 B4 Q6 G3 w0 wGoogle 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
7 Z: a0 \( D" p$ z: w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
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
. z8 Y' |: q3 u$ E. ZDremel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
9 X# I8 w  p! k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
8 H! q; A/ N4 ^& U# A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
, Y9 R1 Z( j( U. U6 F口，且支持列式存储。
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
, t9 c  Z1 e% |$ j2 l聚，即：
! W# a  y0 [3 Q3 j0 U' n9 K/ D, x图　13-14　Dremel系统架构
$ P7 w& E% J  z6 `; |5 d; c●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）；
●中间节点向根节点汇报最终结果。
Dremel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
: m6 d* b, W0 m, P: M7 e+ t: g3 N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。
2.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
reduce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
: `+ z/ d* N) p2 W* X- x' D内处理完成TB级别数据。
' p, S; ^2 |, f3 N- N6 F' N, U