《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
% g! K" J: Z. X) C9 r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
" |8 }( G2 n/ t2 f4 \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
* p" B7 z! \; h% z* ?! H3 C1 @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
: T0 E9 R2 t1 f& E5 p; B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。
13.5.1　MPP架构
并行数据库往往采用MPP（Massively Parallel Processing，大规模并行处理）架
" e0 b9 G: Z$ g0 J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
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。
, B) v$ H" x+ n5 \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
6 L' Y9 H$ r( L' L" S1 k& G作符执行结果汇总。
图　13-9　MPP Merge操作符
常见的数据分布算法有两种：
●范围分区（Range partitioning）：按照范围划分数据。
, C/ H1 Z, D2 i; n1 b/ \) H5 g8 T●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
  e3 c) U" h' u, n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
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
7 y! S  f) |0 |$ ?% q# U% R) c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
9 G) p( G0 N8 T% e, C' D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。
# K0 E$ p; u% N3 Z7 f" D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。
' p0 W; J8 b+ y4 C4 |) a6 g图　13-10　MPP Split操作符
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
" F0 f- K2 z3 E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。
1 S! p4 d9 @& y  E9 o* Q13.5.2　EMC Greenplum
# s; X0 i- }4 j6 y0 s$ DGreenplum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。
1.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）
" C9 ?$ i6 S8 T/ P( Y" O0 z3 G. z和Segment服务器（Segment Server）。在Greenplum中每个表都是分布在所有节点上
& x6 \- q  l: ?  H2 L3 n( s# B3 P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
$ D( V* N' w# J9 [: [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
, c# C+ u- [/ {. E1 |0 mGreenplum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
, T/ W9 x* h( I* v* c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
0 g. C3 l( V; I& B: B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
( `3 L6 U4 J/ Z0 I8 b  T1 w3 ]4 K执行计划。Greenplum采用基于代价的查询优化算法（cost-based optimization），从各
, j3 L7 T; R- {4 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
* N2 {5 i$ a( M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
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
! j# w2 |3 Q# G. I# f( H滤（Filter）、聚集（Aggregation）、排序（Sort）、联表（Join），还会生成一些并
( C) W/ h; X4 }. }  u) ^' H$ ]; t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。
- f9 e/ H3 ]9 s/ o5 N' d●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
4 }  Z! U( q6 T5 ?1 o: uMaster服务器）。
+ ~$ u, b1 W" @6 T' e& {" }4 A图13-12中有四张表格：订单信息表（orders），订单项表（lineitem），顾客信
$ V- F% A. `8 l- I7 k2 p' c! p息表（customer）以及顾客国籍表（nation）。其中，orders表记录了订单的基本信
6 J- l* p+ B* `8 t息，包括订单主键（o_orderkey）、顾客主键（o_custkey）和订单发生日期
5 P: s  ^" O+ j0 u( q7 ]4 T（o_orderdate）；lineitem表记录了订单项信息，包括订单主键（l_orderkey）和订单
6 Y% m1 c; V& |. c! H9 \1 V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
* v! D9 Y( W+ h! M$ X& P& C0 K（n_nationkey）和国籍名称（n_name）。Orders表和lineitem表通过订单主键关联，
' y% C9 p; G% c1 W; Z( f* c3 F, Eorders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
4 h, Z  I5 m# h0 T9 h- |1 Z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
的结果分别记为Join_table1和Join_table2。接着，再对Join_table1和Join_table2执行联
. S' F& [7 x- C4 G8 H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
% z4 N7 l4 _* ?0 Q! i的计算节点（共4个）；Join_table1和Join_table2联表时会将Join_table1按照Join列
" R7 f& z+ r$ |- C0 J7 e3 f2 ]4 r（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
. z* M9 `) z7 [) W5 B/ k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
: W, v5 u6 _3 v- O器，整个SQL语句执行完成。
图　13-12　Greenplum查询优化示例
13.5.3　HP Vertica
8 i( Y  A% N& H) r: u- HVertica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
想。
; M) s' {& t0 q% ^# ?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
* }8 J, q- d, D6 l) C' r（同时完成排序和索引）。Vertica的这种设计和OceanBase很相似，ROS对应
OceanBase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。
8 p; T" y# g: }3 o/ N6 E9 T2.多映射（Projections）存储
$ E2 N: r) s' I0 @/ k- [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
! n" A5 d! G) `0 q) Y( e  G* a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
5 K% s5 X5 L7 J1 P! A射，分别为：Projection1（A,B,C，主键为＜A,B＞），Projection2（A,B,C，主键为＜
B,A＞）和Projection3（B,D,E，主键为＜B＞）。
图　13-13　vertica projections示例
  I$ J& \0 G' f/ c3 q$ qa）"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
1 g; b& C' {; h* c( w; F  gc）"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
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
射中出现。
- z$ A7 \7 y6 q1 Y, N" n1 }3.列式存储
" h8 c( P; f- NVertica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。
4.压缩技术
# \9 H/ \$ f6 `8 r) nVertica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
# t$ W% c6 _3 q0 ?4 r! X% ]" Z  ?3 \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；
●按块字典压缩：列类型为字符串且基数较小；
' }! `; g# J& R% _3 j& L●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
" H2 ^6 H" A. p) E# }) X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
& c: i' ]" z0 u* D7 QGoogle 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
( a/ Q, \8 {- o* ~& Q( V1 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
5 H. t* V; R3 e: XDremel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
* G( Z6 ]2 Z( i. o, m  e+ N" l发读。
1.系统架构
$ x- R  U* e3 w, LDremel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
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。
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
1 G8 T: j4 t% {; ?聚，即：
图　13-14　Dremel系统架构
9 L2 ~9 L- |" 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；
$ f+ P5 ?! E4 W; M  j* q5 D& a5 C8 F●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。
$ \0 q+ L9 X3 a$ V8 dDremel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。
2.Dremel与MapReduce的比较
' x3 E) ~8 I. m% M& sMapReduce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
# x- J0 O" [  R2 z! C# p, R4 R内处理完成TB级别数据。
$ ^/ q) E- v2 F0 \) w
$ L! e3 s- t( j$ ]+ ?