JIT Code Generation代码生成
一．表达式编译
代码生成（Code Generation）技术广泛应用于现代的数据系统中。代码生成是将用户输入的表达式、查询、存储过程等现场编译成二进制代码再执行，相比解释执行的方式，运行效率要高得多。尤其是对于计算密集型查询、或频繁重复使用的计算过程，运用代码生成技术能达到数十倍的性能提升。
代码生成
很多大数据产品都将代码生成技术作为卖点，然而事实上往往谈论的不是一件事情。比如，之前就有人提问：Spark 1.x 就已经有代码生成技术，为什么 Spark 2.0 又把代码生成吹了一番？其中的原因在于，虽然都是代码生成，但是各个产品生成代码的粒度是不同的：
最简单的，例如 Spark 1.4，使用代码生成技术加速表达式计算；
Spark 2.0 支持将同一个 Stage 的多个算子组合编译成一段二进制；
支持将自定义函数、存储过程等编译成一段二进制，如 SQL Server。

 

 

 本节主要讲上面最简单的表达式编译。通过一个简单的例子，初步了解代码生成的流程。

解析执行的缺陷
在讲代码生成前，回顾一下解释执行。以上面图中的表达式 X×5+log(10)X×5+log⁡(10) 为例，计算过程是一个深度优先搜索（DFS）的过程：
1） 调用根节点 + 的 visit() 函数：分别调用左、右子节点的 visit() 再相加；
2） 调用乘法节点 * 的 visit() 函数：分别调用左、右子节点的 visit() 再相乘；
3）调用变量节点 X 的 visit() 函数：从环境中读取 XX 的值以及类型。
（……略）最终，DFS 回到根节点，得到最终结果。
@Override public Object visitPlus(CalculatorParser.PlusContext ctx) {
Object left = visit(ctx.plusOrMinus());
Object right = visit(ctx.multOrDiv());
if (left instanceof Long && right instanceof Long) {
return (Long) left + (Long) right;
} else if (left instanceof Long && right instanceof Double) {
return (Long) left + (Double) right;
} else if (left instanceof Double && right instanceof Long) {
return (Double) left + (Long) right;
} else if (left instanceof Double && right instanceof Double) {
return (Double) left + (Double) right;
}
throw new IllegalArgumentException();
}
上述过程中有几个显而易见的性能问题：
涉及到大量的虚函数调用、即函数绑定的过程，如 visit() 函数，虚函数调用是一个非确定性的跳转指令， CPU 无法做预测分支，导致打断 CPU 流水线；
在计算前不能确定类型，各个算子的实现中会出现很多动态类型判断，例如，如果 + 左边是 DECIMAL 类型，右边是 DOUBLE，需要先把左边转换成 DOUBLE 再相加；
递归中的函数调用打断了计算过程，不仅调用本身需要额外的指令，而且函数调用传参是通过栈完成的，不能很好的利用寄存器（这一点在现代的编译器和硬件体系中已经有所缓解，但显然比不上连续的计算指令）。
代码生成基本过程
代码生成执行，顾名思义，最核心的部分是生成出需要的执行代码。
拜编译器所赐，不需要写难懂的汇编或字节码。在 native 程序中，通常用 LLVM 的中间语言（IR）作为生成代码的语言。JVM 上更简单，因为 Java 编译本身很快，利用运行在 JVM 上的轻量级编译器 janino，可以直接生成 Java 代码。
无论是 LLVM IR 还是 Java 都是静态类型的语言，在生成的代码中再去判断类型，显然不是个明智的选择。通常的做法是在编译之前就确定所有值的类型。幸运的是，表达式和 SQL 执行调度，都可以事先做类型推导。
所以，代码生成往往是个 2-pass 的过程：先做类型推导，再做真正的代码生成。第一步中，类型推导的同时，其实也是在检查表达式是否合法，很多地方也称之为验证（Validate）。
在代码生成完成后，调用编译器编译，得到了所需的函数（类），调用即可得到计算结果。如果函数包含参数，如上面例子中的 X，每次计算可以传入不同的参数，编译一次、计算多次。
以下的代码实现都可以在 GitHub 项目 fuyufjh/calculator 找到。
验证（Validate）
为了尽可能简单，例子中仅涉及两种类型：Long 和 Double

 

 这一步中，将合法的表达式 AST 转换成 Algebra Node，这是一个递归语法树的过程，下面是一个例子（由于 Plus 接收 Long/Double 的任意类型组合，没有做类型检查）：

@Override public AlgebraNode visitPlus(CalculatorParser.PlusContext ctx) {
return new PlusNode(visit(ctx.plusOrMinus()), visit(ctx.multOrDiv()));
}
AlgebraNode 接口定义如下：
public interface AlgebraNode {
DataType getType(); // Validate 和 CodeGen 都会用到
String generateCode(); // CodeGen 使用
List<AlgebraNode> getInputs();
}
实现类大致与 AST 的中的节点相对应，如下图。

 

 对于加法，类型推导的过程很简单——如果两个操作数都是 Long，结果为 Long，否则为 Double。

@Override public DataType getType() {
if (dataType == null) { dataType =
inferTypeFromInputs(); } return dataType; } private DataType inferTypeFromInputs() { for (AlgebraNode
input : getInputs()) { if
(input.getType() == DataType.DOUBLE) { return
DataType.DOUBLE; } } return
DataType.LONG; }
生成代码
依旧以加法为例，利用上面实现的 getType()，可以确定输入、输出的类型，生成出强类型的代码：
@Override public String generateCode() {
if (getLeft().getType() == DataType.DOUBLE && getRight().getType() == DataType.DOUBLE) {
return "(" + getLeft().generateCode() + " + " + getRight().generateCode() + ")";
} else if (getLeft().getType() == DataType.DOUBLE && getRight().getType() == DataType.LONG) {
return "(" + getLeft().generateCode() + " + (double)" + getRight().generateCode() + ")";
} else if (getLeft().getType() == DataType.LONG && getRight().getType() == DataType.DOUBLE) {
return "((double)" + getLeft().generateCode() + " + " + getRight().generateCode() + ")";
} else if (getLeft().getType() == DataType.LONG && getRight().getType() == DataType.LONG) {
return "(" + getLeft().generateCode() + " + " + getRight().generateCode() + ")";
}
throw new IllegalStateException();
}
注意，目前代码还是以 String 形式存在的，递归调用的过程中通过字符串拼接，一步步拼成完整的表达式函数。
以表达式 a + 2*3 - 2/x + log(x+1) 为例，最终生成的代码如下：
(((double)(a + (2 * 3)) - ((double)2 / x)) + java.lang.Math.log((x + (double)1)))
其中，a、x 都是未知数，但类型是已经确定的，分别是 Long 型和 Double 型。
编译器编译
Janino 是一个流行的轻量级 Java 编译器，与常用的 javac 相比，最大的优势是：可以在 JVM 上直接调用，直接在进程内存中运行编译，速度很快。
上述代码仅仅是一个表达式、不是完整的 Java 代码，但 janino 提供了方便的 API，能直接编译表达式：
ExpressionEvaluator evaluator = new ExpressionEvaluator();
evaluator.setParameters(parameterNames, parameterTypes); // 输入参数名及类型
evaluator.setExpressionType(rootNode.getType() == DataType.DOUBLE ? double.class : long.class); // 输出类型
evaluator.cook(code); // 编译代码
实际上，也可以手工拼接出如下的类代码，交给 janino 编译，效果是完全相同的：
class MyGeneratedClass {
public double calculate(long a, double x) {
return (((double)(a + (2 * 3)) - ((double)2 / x)) + java.lang.Math.log((x + (double)1)));
}
}
最后，依次输入所有参数，即可调用刚刚编译的函数：
Object result = evaluator.evaluate(parameterValues);
References
Apache Spark - GitHub
Janino by janino-compiler
fuyufjh/calculator: A simple calculator to demonstrate code gen technology
2. 查询编译执行
代码生成（Code Generation）技术广泛应用于现代的数据系统中。代码生成是将用户输入的表达式、查询、存储过程等现场，编译成二进制代码再执行，相比解释执行的方式，运行效率要高得多。
上一节表达式编译中提到，虽然表面上都叫“代码生成”，但是实际可以分出几种粒度的实现方式，如表达式的代码生成、查询的代码生成、存储过程的代码生成等。本节要讲的是查询级别的代码生成，有时也称作算子间（intra-operator）级别，这也是主流数据系统所用的编译执行方式。
主要参考了 HyPer 团队发表在 VLDB'11 的文章 。
https://www.vldb.org/pvldb/vol4/p539-neumann.pdf
Volcano 经典执行模型
为什么要用编译执行？编译执行有哪几种实现？
主角是查询（Query）的编译执行，看看经典 Volcano 模型是怎么做的。Volcano 模型十分简单（这也是流行的主要原因）：每个算子需要实现一个 next() 接口，意为返回下一个 Tuple。

 

 Query 1 是一个很简单的查询，Project 会调用 Filter 的 next() 获得数据，Filter 的 next() 又会调用 TableScan 的 next()，TableScan 读出表中的一行数据并返回。如此往复，直到数据全部处理完。

Query 2 复杂一些，包含一个 HashJoin。HashJoin 的两个子节点是不对称的，一边称为 build-side，另一边称为 probe 或 stream-side。执行时，必须等待 build-side 处理完全部数据、构建出哈希表之后，才能运行 stream-side。
因为这个原因，执行的过程分成了两个阶段（图中浅灰色的背景）。在 Volcano 模型中，这也很容易实现，试着写一下 HashJoin 的伪代码：
Row HashJoin::next() {
// Stage 1: Build Hash Table (HT)
if (HT is not built yet) // 注意：Build 仅在第一次调用 next() 时发生
while ((r = left.next()) != END)
ht.put(buildKey(r), buildValue(r))
// Stage 2: Probe tuples one by one
while (r = right.next())
if (HT contains r)
output joined row;
}
这个构建哈希表的过程，称为物化（Materialize），意味着 Tuple 不能继续往上传递，暂存到某个 buffer 里。大多数时候，如执行 Filter 等算子时，Tuple 一路传上去，称为 Pipeline。显然物化的代价是比较高的，希望尽可能多的 Pipeline 避免物化。
Query 3 中的 Aggregate 算子，有类似的情况：在 Aggregate 返回第一条结果前，要把下面所有的数据都聚合完成才行。
称 HashJoin、HashAgg 这种打断 Pipeline 的算子为 Pipeline Breaker，使得执行过程分成了不止一个阶段。分成多个阶段，因为 HashJoin 或 HashAgg 算法本身决定的，跟 Volcano 执行模型无关。
Volcano 的性能问题
Volcano 执行模型胜在简单易懂，在那个硬盘速度跟不上 CPU 的时代，性能方面不需要考虑太多。然而随着硬件的进步，IO 很多时候已经不再是瓶颈，这时候人们就开始重新审视 Volcano 模型，产生了两种改进思路：
1）将 Volcano 迭代模型和向量化模型结合，每次返回一批而不是一个 Tuple；
2）利用代码生成技术，消除迭代计算的性能损耗。
关于这两个方案哪个更优，这里有一篇非常棒的论文做了很详尽的实验和分析。
http://www.vldb.org/pvldb/vol11/p2209-kersten.pdf
就像表达式解析执行一样，Volcano 其实是对算子树的解释执行，同样存在这些问题：
每产生一条结果就要做很多次虚函数调用，消耗了大量的 CPU 时间；
过多的函数调用导致不能很好的利用寄存器。
如果让去把 Query 1 写成代码来执行，会是什么样的呢？答案非常短，短的令人惊讶：

 

 图中用不同颜色标出了原来的算子，其中 condition = true 是一个表达式，按照上一节讲解的方法就能生成出代码，放到这边 if 的条件上即可。

这两个的执行效率应该很容易看出差距！生成出的代码完全消除了虚函数调用，Tuple 几乎一直在高速缓存甚至寄存器中。论文中也提到，随便找个本科生手写代码，执行性能都能甩迭代模型几条街。
再看个更复杂的例子找找感觉，以下查询（记作 Query 4）混合了 Join、Aggragate 甚至子查询，这些算子是 Pipeline Breaker，执行过程不可避免的分成几个阶段；除此以外，希望其它部分尽可能地做到 Pipeline 执行。

 

 这个例子有点长，相信对代码生成已经有了些直觉上的理解，这对理解掌握本节的内容大有帮助。

图中用不同颜色出了 HashJoin、HashAgg 三个算子各自的代码，可以看出，各自的代码逻辑被“分散”到了不止一处地方，甚至代码中已经很难分辨出各个算子，全都融合（Fusion）到一块。
这就是想要的结果！如何自动生成出这样的代码呢？
很多人有个错觉，以为数据库查询过程那么复杂，生成的代码一定也很复杂吧。其实不然，查询中复杂的部分，如 HashJoin 中哈希表实现、TableScan 读取数据的实现等，这些不用生成很多代码，仅仅只是调用现有的函数即可，如 LLVM IR 可以调用已存在的任何函数。
换个角度看，生成的代码不过是把这些算子的实现，更高效的方式串联：算子自身逻辑就像齿轮，生成的代码好比连接齿轮的链条。
HyPer 的解决方案
代码生成是个纯粹的工程问题。工程问题没有什么不能解的，难就难在找到其中最漂亮的解。如现在这个问题，为了编程的优雅，希望造一个可扩展的框架：不论哪个算子，只要实现某种接口（就像 Volcano 模型要求实现 next() 接口一样），就能参与到代码生成中。
模型要求所有算子实现以下两个接口函数：
produce()
consume(attributes, node)
代码生成的过程总是从调用根节点的 produce() 开始；consume() 类似于一个回调函数，当下层的算子完成自己的使命之后，调用上层的 consume() 来消费刚刚产生的 tuples——注意这里并不是真的消费。
用例子来说明。下面是一个伪代码版本的若干算子实现。produce() 和 consume() 返回的类型都是生成的代码片段，这里为了方便演示直接用字符串表示。真实世界中当然要更复杂一些。

 

 表中红色的字符串是生成的代码，黑色的则是 code-gen 本身的代码。回忆一下：代码生成其实就是用各种手段拼出代码（字符串）来，没什么神秘的。

 

 不满足于伪代码，可以尝试阅读 HyPer 的 论文（生成 LLVM IR），或者 Spark SQL 中的 CodeGenerator 实现（生成 Java 代码），后者的代码相对更容易理解些。

思考：这是唯一的解法吗？

为什么是 produce/consume 呢？是否存在更简单的解呢？这里给出推导思路。
首先，如果只有一个接口函数，不妨叫 produce()，一定是不够用的。为什么这么说呢？一个函数充其量只能做出类似 DFS 的效果：每个算子只会被经过一次。这对 Query 1 还不是问题，但对于上文中复杂的 Query 4，HashJoin 的两部分代码离得那么远，用 DFS 就很难做到了。
为了处理 HashJoin，该增加一个怎样的函数呢？应该类似于一个回调，如 Query 4 中，当 DFS 进行到 ⋈a=b⋈a=b 时，希望通过一种某种方式告诉下面的 σx=7σx=7：当拿到结果后，只要用传给方法去消费这些 Tuples（生成消费这些 Tuples 的代码）。这个方法，不妨叫做 consume()。
顺理成章的，consume() 至少有个参数来传递需要消费的 tuples 有哪些列。另外，需要一个参数用来指示：调用者是左孩子还是右孩子？等价于传 this。
论文提出的 produce/consume 模式可能是唯一正确的方法，即使存在其它算法，猜想也是大同小异。
References


Efficiently Compiling Efficient Query Plans for Modern Hardware - VLDB'11
SPARK-12795 - Whole stage codegen
Everything You Always Wanted to Know About Compiled and Vectorized Queries But Were Afraid to Ask - VLDB'18
参考链接：
https://ericfu.me/code-gen-of-expression/
http://ericfu.me/code-gen-of-query/