【MPP】MPP架构上风浅显讲解
数据库最大的性能瓶颈是什么？假如这个问题答不上来，说明还不是一个及格的程序员。答案是： 磁盘IO
那什么又是 磁盘IO呢，下面简单做先容
#磁盘IO模型
https://img-blog.csdnimg.cn/direct/0bb1f1591cb84c95ac6c90a78ca2097a.png
https://img-blog.csdnimg.cn/direct/5e73e5fcaa21498d8142796df742ea36.png
https://img-blog.csdnimg.cn/direct/e3fd620c0ae04d71aa6e6dde5e32bfbb.png
简单来说，每一次的数据读取 都会存在机械活动。 那可以思考到假如我们数据全部都在同一个磁道，同一个扇区，那机械活动是不是最少？也就是说假如数据是连续存储就能减少机械活动，也就是减少磁盘IO。好有了以上的根本共识，我们结合现有的数据库往下思考。
思考1：那我们就想办法将必要查询的数据存储在一块不就好了吗？
回答：是的。目前所有的数据库都是将数据尽大概的连续存储。此时你肯定又会产生一个疑问，既然都是连续存储了，那还有什么好优化的？那这里就牵引出了数据库里字段的存储，行与列的概念。列比如一张excel表 横向的一行数据叫行 ，竖向的一行数据叫列。
列式存储VS行式存储
行存储是将整行放入连续的物理位置（区块），就像传统的记录存储或文件存储方式，列存储是按列将连续的某几列数据放入连续的物理存储单位中；在行存储中，每一行数据都是连续存储的，一行中的数据在存储介质中是连续存储的；而在列存储中，数据是按照列的方式存储的，即每一列数据都是连续存储的，一列中的数据在存储介质中是连续存储的，这样处理列就更快，不用向行存储那样遍历所有涉及的行。简单理解，列式数据库以为是每一列都是一个表，这个表只有一列，假如只在该列进行条件查询，速度就很快.
https://img-blog.csdnimg.cn/direct/1391ceb0adba41cca1c112a8924477b8.png
假如现在我们有一个sql语句 select name from table。 下面分析磁盘扫描距离。
行存储：那磁盘必要从1开始扫描，一直扫描到12的位置。才气将所有name值扫描出来。相称于扫描了12格。
列存储：只需从1扫描到4，总共走了4步。
这里只是一个很简单的数据，假如这个数据是10亿级别，行存储是不是就是10亿数据量的格数，列存储扫描10亿1格。因此不难发现，尽管只必要前1 个字段，但由于数据是按行进行组织的，现实上还是扫描了所有的字段。但假如数据是按列进行存储，则不会出现这样的问题，由于数据按列进行组织，数据库可以直接选择查询列的数据并返回，从而避免多余的数据扫描。此时你应该对行存储和列存储有了初步概念。
接下来我们再看一个示例，相识列存储模型
数据预处理
假如我们有一张表 有字段 id-Name-Birthday-Hobbies 四个字段，同时部门字段值运举动空。那么他的存储结果如下图。
https://img-blog.csdnimg.cn/direct/d6adaf594b10417c868cceb5f5f1808e.png
首先可以看出，我们这几个字段可以分别存储在差异的区域。这也赋予了MPP架构可以随意扩展字段。假如mysql行存储必要扩展字段，他的数据存储是离散的，不是在同一个数据块中。这其实也会增加磁盘扫描数。
那我们可以思考 下面sql的实验逻辑select name form table where birthday=‘27-1-1978’ and name like ‘F%’ 。首先他会去磁盘区域1扫描name列。找出2条符合查询条件的数据 rowId 为2和3 集合数据A。再去磁盘区域2扫描birthday得到rowId为2的集合数据B。那我们终极去交集得到集合为2的rowId,那么我们再A中拿到name字段。
思考： 那我们再进阶思考一下，我们再查找birthday='27-1-1978’时可不可以进行优化，来更高的提升查询性能？答案就是排序。假如Birthday 字段范例界说为date，且不绝地对他进行排序。那么我们是不是可以更快的找到相应的数据。这也是绝大多少MPP架构对数据进行预处理的一种方式，来提高查询服从。因此在设计时字段范例选择也是相称重要的。
那我们再思考一个sql。select count(1) from table where Hobbies=‘archery’ 假如是mysql，那是不是必要去全表扫描，然后再汇总得到结果。然而现在，你可以看到只需统计rowId数目即可得出终极结果。这速度是否让你想到一个词‘遥遥领先’。这就是为什么说MPP架构的数据库非常善于于聚合查询的缘故原由。
数据压缩
我们再思考： 有没有方式可以再进一步减少我们磁盘的IO呢？
答案是有的：压缩数据
https://img-blog.csdnimg.cn/direct/e0a8a619172e473cb119959e2538a5d2.png
假如现在name字段数据（磁盘区域1）有数据量1W条，存储占用了100M，不思量排序环境有一个查询必要扫描全部才找到数据，那扫描这100M必要1000ms。那我们通过压缩技术把它压缩成50M，扫描时间则只必要500ms。这样时间是不是就减半了呢？答案是没有完全减半，由于还必要cpu进行加压数据，但是cpu实验的时间远远少于磁盘扫描的时间。以是采取数据压缩是有效较少磁盘IO的。
cpu向量化
我们再思考： 前面都是通过减少磁盘IO的方式来提升查询速度，还有没有其他方式来提升这个查询速度了？
答案是有的：CPU向量化
可以简单地看做成一种消除程序中的循环所做的优化，举个例子：假设小明在卖果汁，而榨一杯果汁假设必要 2 分钟，有客户抱怨太慢了，那么为了增加快度要怎么办呢？显然多预备几台榨汁机就好了，因此非向量化实验的方式是利用 1 台榨汁机重复 n 次，而向量化实验的方式是利用 n 台榨汁机只实验 1 次。而为了实现向量化实验，必要利用 CPU 的 SIMD 指令。SIMD 的全称是：Single Instruction Multiple Data，即用单条指令操纵多条数据。现代盘算机体系概念中，它是通过数据并行以提高性能的一种实现方式（其它的还有指令级并行和线程级并行），它的原理是在 CPU 寄存器层面实现数据的并行盘算。CPU 从寄存器中获取数据的速度是最快的，是内存的 300 倍，磁盘的 3000 万倍。利用 CPU 向量化实验的特性，对于程序的性能提升有着非凡的意义。ClickHouse 目前利用 SSE 4.2 指令集实现向量化实验。
再举一个多行程并行与向量化运行的区别：
我们想要滚着四个大石头穿过马路，每个要花费一分钟。线性处理器就是一个接一个的滚过去，总共要花费四分钟。有两个焦点的多核处理器就是有两个人滚石头，每个人两个石头，总共花费两分钟。向量处理器就是找一个长的木板，从后面一起推这四个石头，同时滚过去，花费一分钟。多核处理器有多个员工，向量处理器有办法同时对差异的事变做同一件事。
分布式
我们再思考 前面讲到了通过存储结果，以及cpu来提升查询性能，还有没有其他方式来提升了？
答案是：分布式
相识过spark，flink，es的朋侪肯定也已经想到了。目前绝大多少MPP架构数据库都支持分布式摆设与盘算。这样可以有效利用各节点服务器的盘算资源。
https://img-blog.csdnimg.cn/direct/288f977520f34e589bfba84b45c21f45.png
上图是一个clickhouse的真实架构图，数据写入以后通过zookeeper进行数据同步（其实是优先写入zookeeper再写入各clickhouse节点中，这里可以进行优化，手动直到写入节点避免zookeeper-clickhouse的网络传输）。我将一份切分多个分片，查询是通过distributed 进行分发查询，然后distributed再汇总返回。
我想到这里有的同学大概会想到利用主从（从节点多个）+nginx负载来提高查询性能，这也是可以的。如下图
https://img-blog.csdnimg.cn/direct/848b65f90c2f4b36be3621262e4bd94d.png
末了的总结
通过本文，您应该有了对MPP架构有了初认识。下一篇我们将讲述目前市场上MPP架构数据的对比。以及着重clickhouse架构剖析
MPP架构提升查询服从的方式有哪些
1.列存储方式
2.数据预处理（排序，聚合）
3.数据压缩
4.CPU向量化
5.分布式盘算/负载均衡
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]