Apache Flink OLAP引擎性能优化及应用
导读:本次分享的主题为Apache Flink新场景——OLAP引擎,主要内容包括:
- 背景介绍
- Apache Flink OLAP引擎
- 案例介绍
- 未来计划
1. OLAP及其分类
OLAP是一种让用户可以用从不同视角方便快捷的分析数据的计算方法。主流的OLAP可以分为3类:多维OLAP ( Multi-dimensional OLAP )、关系型OLAP ( Relational OLAP ) 和混合OLAP ( Hybrid OLAP ) 三大类。
多维OLAP ( MOLAP ):
- 传统的OLAP分析方式
- 数据存储在多维数据集中
关系型OLAP ( ROLAP ):
- 以关系数据库为核心,以关系型结构进行多维数据的表示
- 通过SQL的where条件以呈现传统OLAP的切片、切块功能
混合OLAP ( HOLAP ):
- 将MOLAP和ROLPA的优势结合起来,以获得更快的性能
接下来为大家详细介绍下:
① MOLAP
典型代表:
MOLAP的典型代表是Kylin和Druid。
处理流程:
- 对原始数据做数据预处理
- 预处理后的数据存至数据仓库
- 用户的请求通过OLAP server查询数据仓库中的数据
MOLAP的优点和缺点:
MOLAP的优点和缺点都来自于其数据预处理 ( pre-processing ) 环节。数据预处理,将原始数据按照指定的计算规则预先做聚合计算,这样避免了查询过程中出现大量的临时计算,提升了查询性能,同时也为很多复杂的计算提供了支持。
但是这样的预聚合处理,需要预先定义维度,会限制后期数据查询的灵活性;如果查询工作涉及新的指标,需要重新增加预处理流程,损失了灵活度,存储成本也很高;同时,这种方式不支持明细数据的查询。
因此,MOLAP适用于对性能非常高的场景。
② ROLAP
典型代表:
ROLAP的典型代表是Presto和Impala。
处理流程:
- 用户的请求直接发送给OLAP server
- OLAP serve将用户的请求转换成关系型操作算子:
- 通过SCAN扫描原始数据
- 在原始数据基础上做过滤、聚合、关联等处理
- 将计算结果返回给用户
ROLAP的优点和缺点:
ROLAP不需要进行数据预处理 ( pre-processing ),因此查询灵活,可扩展性好。这类引擎使用MPP架构 ( 与Hadoop相似的大型并行处理架构,可以通过扩大并发来增加计算资源 ),可以高效处理大量数据。但是当数据量较大或query较为复杂时,查询性能也无法像MOLAP那样稳定。所有计算都是临时发生 ( 没有预处理 ),因此会耗费更多的计算资源。
因此,ROLAP适用于对查询灵活性高的场景。
③ HOLAP
混合OLAP,是MOLAP和ROLAP的一种融合。当查询聚合性数据的时候,使用MOLAP技术;当查询明细数据时,使用ROLAP技术。在给定使用场景的前提下,以达到查询性能的最优化。
2. Apache Flink介绍
① 当前Apache Flink支持的应用场景
Apache Flink支持的3种典型应用场景:
- 事件驱动的应用
- 反欺诈
- 基于规则的监控报警
- 流式Pipeline
- 数据ETL
- 实时搜索引擎的索引
- 批处理&流处理分析
- 网络质量监控
- 消费者实时数据分析
② Apache Flink 架构
③ Apache Flink 优势
- 统一框架 ( 不区分流处理和批处理 )
- 用户API统一
- 执行引擎统一
- 多层次API
- 标准SQL APL
- Table API
- DataStream API ( 灵活,无schema限制 )
- 高性能
- 支持内存计算
- 支持代价模型优化
- 支持代码动态生成
- 方便集成
- 支持丰富的Connectors
- 方便对接现有catalog
- 灵活的Failover策略
- 在Pipeline下支持快速failover
- 类似MapReduce、Spark一样支持shuffle数据落盘
- 易部署维护
- 灵活部署方案
- 支持高可用
1. Apache Flink OLAP引擎
① 为什么Apache Flink 可以做ROLAP引擎?
- Flink的核心和基础是流计算,支持高性能、低延迟的大规模计算
- Blink将批看作有限流,批处理是针对有限数据集的优化,因此批处理引擎也是构建在流引擎上 ( 已开源 )
- OLAP是响应时间要求更短的批处理,因此OLAP可以看作是一种特殊的批。OLAP引擎也可以构建在现有的批引擎上
注:Flink OLAP引擎目前不带存储,只是一个计算框架
② Apache Flink 做OLAP引擎的优势
统一引擎:流处理、批处理、OLAP统一使用Flink引擎
- 降低学习成本,仅需要学习一个引擎
- 提高开发效率,很多SQL是流批通用
- 提高维护效率,可以更集中维护好一个引擎
既有优势:利用Flink已有的很多特性,使OLAP使用场景更为广泛
- 使用流处理的内存计算、Pipeline
- 支持代码动态生成
- 也可以支持批处理数据落盘能力
相互增强:OLAP能享有现有引擎的优势,同时也能增强引擎能力
- 无统计信息场景的优化
- 开发更高效的算子
- 使Flink同时兼备流、批、OLAP处理的能力,成为更通用的框架
2. 性能优化
OLAP 对查询时间非常敏感,当前很多组件的性能不满足要求,因此我们对Flink做了很多相关优化。
① 服务架构的优化
客户端服务化:
下图介绍了一条SQL怎么在客户端一步一步变为JobGraph,最终提交给JM:
在改动之前,每次接受一个query时会启动一个新的JVM进程来进行作业的编译。其中JVM的启动、Class的加载、代码的动态编译 ( 如Optimizer模块由于需要通过Janino动态编译进行cost计算 ) 等操作都非常耗时 ( 需要约3~5s )。因此,我们将客户端进行服务化,将整个Client做成Service,当接收到用户的query时,无需重复各项加载工作,可将延时降低至100ms 左右。
自定义CollectionTableSink:
这部分优化,源于OLAP的一个特性:OLAP会将最终计算结果发给客户端,通过JobManager转发给Client。假如某个query的结果数据量很大,会让JobManager OOM ( OutOfMemory );如果同时执行多个query,也会相互影响。因此,我们从新实现了一个CollectionTableSink,限制数据的条数和数据大小,避免出现OOM,保证多个Query同时运行时的稳定性。
调度优化:
在Batch模式下的调度存在以下问题:
-
使用Lazy_from_sources模式调度,会导致整体运行时间较长,也可能造成死锁。
注:调度死锁是指在资源有限的情况下,多个Job同时运行时,如果多个Job都只申请到了部分资源并没有剩余资源可以申请,导致Job没法继续执行,新的Job也没法提交
-
RM ( Resource Manager ) 按OnDemand方式分配Slot需求,也会造成死锁
-
RM以单线程同步模式向TM ( Transaction Manager ) 分配Slot请求,会造成等待时间更长。
针对上述问题,我们提出了以下几点改动:
- 采用Eager调度模式 ( 确保所有的资源都申请到后才开始运行 )
- 使用FIFO ( 先进先出队 ) 模式申请资源 ( 确保当前Job的资源分配结束后才开始下一个Job的资源分配 )
- 将单线程同步模式改为多线程异步模式,减少任务启动时间和执行时间
② 针对source的优化
在ROLAP的执行场景中,所有数据都是通过扫描原始数据表后进行处理;因此,基于Source的读取性能非常关键,直接影响Job的执行效率。
Project&Filter下堆:
像Parquet这类的列存文件格式,支持按需读取相所需列,同时支持RowGroup级别的过滤。利用该特性,可以将Project和Filter下推到TableSource,从而只需要扫描Query中涉及的字段和满足条件的RowGroup,大大提升读取效率。
Aggregate下堆:
这个优化也是充分利用了TableSource的特性:例如Parquet文件的metadata中已经存储了每个RowGroup的统计信息 ( 如 max、min等 ),因此在做max、min这类聚合统计时,可直接读取metadata信息,而不需要先读取所有原始数据再计算。
③ 在没有统计信息场景下做的优化
消除CrossJoin:
CrossJoin是没有任何Join条件,将Join的两张表的数据做笛卡尔积,导致Join的结果膨胀非常厉害,这类Join应该尽量避免。我们对含有CrossJoin的Plan进行改写:将有join条件的表格先做join ( 通常会因为一些数据Join不上而减少数据 ),从而提高执行效率。这是一个确定性的改写,即使在没有统计信息的情况下,也可以使用该优化。
自适应的Local Aggregate:
通常情况下,两阶段的Aggregate是非常高效的,因为LocalAggregate能聚合大量数据,导致Shuffle的数据量会变少。但是当LocalAggregate的聚合度很低的时候, Local聚合操作的意义不大,反而会浪费CPU。在没有任何统计信息的情况下,优化器没法决定是否要产生LocalAggregate算子;因此,我们采用运行时采样的方式来判断聚合度,如果聚合度低于设定的阈值,我们将关闭聚合操作,改为仅做数据转发;经我们测试,部分场景有30% 的性能提升。
3. 测试结果
上图是Flink和Presto基于1T数据做的SSB ( Star Schema Benchmark ) 测试,从图中可以看出 Flink和Presto整体上不相上下,甚至有些Query Flink性能优于Presto。注:Flink OLAP从开始到嘉宾分享时,只有3个月时间。
1. Apache Flink OLAP在数据探查上的应用
上图描述了一个数据湖应用的完整架构,Flink OLAP主要用于"数据探查"。数据探查是对数据结构做智能判断,给出数据的探查结果,快速了解数据的信息和质量情况。即用户可以在管控平台上了解数据湖中任意一份数据的数据特性。用户通过Web交互操作选择相应的表和指标后立即展示相关结果指标,因此要求低延迟、实时反馈。而且数据湖中很多数据没有任何统计信息;前述的各种查询、聚合层面的优化,主要为这类场景服务。
2. 整体架构
上图是这类应用的整体架构。整套服务托管到Kubernetes上,最终访问的数据是OSS;目前这套架构正在阿里云上做公测,邀请广大用户试用。
- 推回社区:目前所有工作都是基于内部Flink,希望推回社区;
- 资源隔离:后期很多功能的开发和优化会围绕多Query运行时的"资源隔离";
- 优化&性能:围绕OLAP的特性,在此场景下会进一步做优化和性能提升等方面的工作。
本次的分享就到这里,谢谢大家。
本文来自 DataFunTalk
原文链接: