全方位解读数砖的 Delta Engine

2024-01-20 09:59:34

全方位解读数砖的 Delta Engine

过往记忆大数据过往记忆大数据

在 Spark AI Summit 的第一天会议中，数砖重磅发布了 Delta Engine。这个引擎 100% 兼容 Apache Spark 的向量化查询引擎，并且利用了现代化的 CPU 架构，优化了 Spark 3.0 的查询优化器和缓存功能。这些特性显著提高了 Delta Lake 的查询性能。当然，这个引擎目前只能在 Databricks Runtime 7.0 中使用。

数砖研发 Delta Engine 的目的

过去十年，存储的速度从 50MB/s（HDD）提升到 16GB/s（NvMe）；网络的速度从 1Gbps 提升到 100Gbps；但是 CPU 的主频从 2010 年的 3GHz 到现在基本不变。

如果想及时了解Spark、Hadoop或者HBase相关的文章，欢迎关注微信公众号：iteblog_hadoop

NVM Express（NVMe），或称非易失性内存主机控制器接口规范（英语：Non-Volatile Memory Host Controller Interface Specification，缩写：NVMHCIS），是一个逻辑设备接口规范。它是与 AHCI 类似的、基于装置逻辑接口的汇流排传输协定规范（相当于通讯协议中的应用层），用于访问通过 PCI Express（PCIe）总线附加的非挥发性记忆体介质（例如采用快闪记忆体的固态硬碟机），虽然理论上不一定要求 PCIe 汇流排协定。历史上，大多数 SSD 使用如 SATA、SAS 或光纤通道等接口与计算机接口的总线连接。随着固态硬盘在大众市场上的流行，SATA 已成为个人电脑中连接 SSD 的最典型方式；但是，SATA 的设计主要是作为机械硬盘驱动器（HDD）的接口，并随着时间的推移越来越难满足速度日益提高的 SSD。随着在大众市场的流行，许多固态硬盘的数据速率提升已经放缓。不同于机械硬盘，部分 SSD 已受到 SATA 最大吞吐量的限制。
在 NVMe 出现之前，高端 SSD 只得以采用 PCI Express 总线制造，但需使用非标准规范的接口。若使用标准化的 SSD 接口，操作系统只需要一个驱动程序就能使用符合规范的所有 SSD。这也意味着每个 SSD 制造商不必用额外的资源来设计特定接口的驱动程序。

摘抄自 https://zh.wikipedia.org/zh-hans/NVM_Express

从上图可以看出，CPU 主频是目前数据分析的重要瓶颈。

另外，随着业务速度的加快，数据团队用于正确建模数据的时间越来越少。为了更好的业务敏捷性而进行的较差的建模会导致较差的查询性能。比如

•大多数列没有定义 "NOT NULL"；•String 时候起来很方便，所以很多人使用 String 来存储日期；•数据越来越不规范，而且数据还在不断的持续生成。

Delta Engine：高性能的查询引擎

为了解决上面的一些问题，数砖专门开发了 Delta Engine，这个引擎专门用于数据分析的加速以及灵活适应多种工作负载。从下图可以看出 Delta Engine 主要包括三个组件：改进的查询优化器、位于执行层和云对象存储之间的缓存层，以及用 C++ 编写的原生向量化执行引擎（Photon），这个引擎可以加速使用 SQL 和 DataFrame 分析 Delta Lake 的工作负载。

如果想及时了解Spark、Hadoop或者HBase相关的文章，欢迎关注微信公众号：iteblog_hadoop

Delta Engine 的查询优化器扩展了 Spark 3.0 中已有的功能，包括基于成本的优化器（CBO）、自适应查询执行（adaptive query execution）和动态运行时过滤器（dynamic runtime filters），提供了更高级的统计信息，在星型模式工作负载中提供了高达18倍的性能提升。

Delta Engine 的缓存层自动选择要为用户缓存的输入数据，并以一种 CPU 高效的格式对其进行代码转换，以更好地利用 NVMe SSDs 提高的存储速度。这几乎为所有工作负载提供了高达5倍的扫描性能。值得注意的是，在计算引擎中引入缓存在很多产品都可以看到，比如 Snowflake 的数仓产品（参见论文《The Snowflake Elastic Data Warehouse》），在国内，比如阿里云的很多云产品也在往这方面发展，如阿里云的数据湖分析（DLA）。

Delta Engine 在解决数据团队面临的挑战方面最大的创新是原生执行引擎，这个引擎称为 Photon。这个引擎是完全重写的，目的是充分利用现代云硬件来最大化计算性能。这个引擎为所有类型的工作负载带来了性能改进，重要的是，这个引擎和开源的 Spark API 是完全兼容的。

Photon：原生向量化执行引擎

Delta Engine 中最重要的 Photon 是完全使用 C++ 实现的，其通过利用数据级并行和指令级并行大大提升计算能力，大大提升了 Delta Engine 上的 Spark SQL 查询，并且对结构化和非结构化的工作负载都有不同程度的优化。

尽管这么多年 CPU 的主频并没有什么变化，但是并行度却有不同程度的提升，主要包括 data-level 层面上的并行度和指令层面上的并行度。

比如我们的查询为 select sum(value) from table group by key，这个查询底层的实现变成下面的代码：


for(int32_t i = 0; i < batchSize; ++i) {
int32_t bucket = hash(keyCol[i]) % ht->size;

if(ht[bucket].key == keyCol[i]) {
        ht[bucket].value  += valueCol[i];
}
}

上面的代码访问内存（ht[bucket]）的指令与计算哈希码（int32_t bucket = hash(keyCol[i]) % ht->size;）、比较键（key == keyCol[i]）和加法（ht[bucket].value += valueCol[i];）的指令混合在一起。而且上面的循环体非常大，导致 CPU 很少看到内存访问指令。解决上面的问题是将上面大的循环体修改成更小的循环体，如下：


for(int32_t i = 0; i < batchSize; ++i) {
    buckets[i] = hash(keyCol[i]) % ht->size;
}

for(int32_t i = 0; i < batchSize; ++i) {
    keys[i] = ht[bucket].key;
}

for(int32_t i = 0; i < batchSize; ++i) {
if(keys[i] == keyCol[i]) {
        ht[buckets[i]].value  += valueCol[i];
}
}

经过上面指令层面的修改，带有 Photon 的 Delta Engine 比传统的引擎提升很多性能，