《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
" h  J5 d3 N; l% w6 k' h( A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
  R: j. _5 O( v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
: o( K. ^' C5 G+ H- W  f; Q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
7 ~; b' ]3 w$ }/ x+ Y并行数据库往往采用MPP（Massively Parallel Processing，大规模并行处理）架
1 O  B4 U% v1 Q% R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
# t# u' i, v# }: F0 Z点互联网络实现的。
6 E4 L1 }4 F6 |8 i! X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。
2 ~& w" A& c: Q$ v+ v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。
# y9 q" v6 Q; a8 V●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。
9 a# A4 V9 }( J/ o8 k( J9 C$ |0 mMerge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
3 |4 `7 d2 O' y  y( F. n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
0 ]" p" [4 T& h% p$ \4 A# c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。
# ?8 m7 N8 |- v, V. E+ |# L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 m; t1 L" S8 U7 ^7 K; M; I8 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。
! W5 F5 C/ x/ ?6 E4 S- T  w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
" [: B( R, i% Q- BA1、B1执行join操作后再合并join结果。
4 c3 P4 g# G/ B3 u图　13-10　MPP Split操作符
0 \  I: N- X' x% T+ Y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
0 a' k0 ~9 f! ]; E) I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。
  p0 y4 U8 N. o$ v13.5.2　EMC Greenplum
6 p  P: \0 E6 VGreenplum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
4 K; X$ J: |) T: o5 oPostgreSQL数据库。
4 D& V" o; }6 D5 j. b1.整体架构
" E. B4 r' y4 v2 o4 V3 W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
$ t  {4 ~& V* m. |' y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
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
- ~0 b! T, ^. G; r! a* G, @; b( j4 [执行计划。Greenplum采用基于代价的查询优化算法（cost-based optimization），从各
, H, v: C- O4 J# M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
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
) l; v3 S0 b/ K# f% G" [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。
8 j1 E0 S3 Y; y8 @  G7 T, P% s●重新分布（Redistribute,N:N）：类似MapReduce中的shuffle过程，每个计算节
+ Q) p# ]! p# c+ `/ X% a4 f点将目标数据重新哈希后分散到所有其他节点。
* y( V/ a5 p# q. F! N●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
/ m% k& d  Q" s/ a2 SMaster服务器）。
图13-12中有四张表格：订单信息表（orders），订单项表（lineitem），顾客信
. j( A8 A+ c$ ~/ |6 B; @息表（customer）以及顾客国籍表（nation）。其中，orders表记录了订单的基本信
* X8 r6 L4 t% X% X2 Z息，包括订单主键（o_orderkey）、顾客主键（o_custkey）和订单发生日期
7 N* ^6 o! M" F3 n9 T! K% a（o_orderdate）；lineitem表记录了订单项信息，包括订单主键（l_orderkey）和订单
: u5 s8 U# R- U  M1 @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，
/ {. ^5 b4 O9 m) |5 m  w; Borders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
) P2 h( K; B- ^* N1 j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
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
) K* M& o8 r7 n% f! _9 l( z, s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
: e) V/ V3 \! e$ ~" a& y) K( @1 H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
, ^0 |4 L( r9 e7 E器，整个SQL语句执行完成。
* @. N& O( r* X  X( r% ?/ U图　13-12　Greenplum查询优化示例
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
. O" d9 Z+ Q1 V; U1 P3 }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。
9 r- G. P# B2 j% h% p" h  o1.混合存储模型
5 d# c/ b3 Q% B7 o5 O, S0 \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
$ k! Q6 f4 M* G/ w2 B（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
$ o/ }% [/ `" \2 x3 _用"BULK"的方式批量更新，性能非常好。
2.多映射（Projections）存储
- X' d7 C  M% _- F3 g7 }3 b& d2 rVertica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
0 A2 Z( _# V* I! ?. e* n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
. O8 r. ?; ^# k5 K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＞）。
4 A7 b9 {, B+ ~! r7 W* S8 S图　13-13　vertica projections示例
1 v5 j1 I0 w2 p; I! a) r7 g; va）"select A,B,C from table where A=1"=＞查询Projection1
% z9 V' Z/ w7 w, V# sb）"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
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
$ A0 [& G* E$ g+ A9 l+ {9 d射中出现。
1 K/ ^: G  N# @% v& b) ~& I3.列式存储
% L  F5 {! r' K9 h& ^2 vVertica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
3 ^1 p! d2 Y' V) ]% T( V8 Y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
& U) D4 j) Q$ n( l) C  \& AVertica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
! I: U' N1 X) K而最小化每列占用的空间。常用的压缩算法包括：
- E2 R4 h1 F% R- M* M2 N+ r5 A; Y. N0 L●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；
●LZ通用压缩算法：其他列值特征不明显的场景。
* W3 S, Y$ l  o7 [* c0 i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。
2 v# [7 y4 Y3 h' H9 I13.5.4　Google Dremel
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
5 C! [7 R" S6 M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
" L8 s/ z. B. M' F9 b. rDremel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
4 R& u- E" x# r, p7 @" u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
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
/ G6 L4 ^* o' t4 ^9 }" O% @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。
% x! S6 t4 V5 c3 W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：
图　13-14　Dremel系统架构
●叶子节点执行查询后得到部分结果向上层中间节点汇报；
5 \7 |" \( j# y●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）；
, ^8 }! F& [# \  }  b0 ^' A●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
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。
% O0 O0 N: }4 ]% T2.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
内处理完成TB级别数据。
2 e! C/ e" }0 R" j: \& F+ N
" t: S- k. G% P6 ?# x6 K