梧桐数据库（WuTongDB）：Vectorized Query Optimizers 简介

向量化查询优化器（Vectorized Query Optimizers）是现代数据库系统中的关键部分，尤其在列式数据库（如 Apache Arrow、ClickHouse、MonetDB 和 Apache Druid）中得到了广泛应用。它通过批量处理数据（即向量化处理）来提高查询执行的速度，而不是逐行处理数据。以下是对向量化查询优化器的详细讲解：

1. 传统查询执行（逐行处理）

在传统的数据库系统中，查询通常是以逐行的方式执行的。例如，在 SQL 查询中使用 WHERE 子句进行过滤时，每次都会对一行数据进行单独处理：

• 数据引擎从存储中一行行地获取数据。
• 对每一行数据进行相应的操作（如过滤、投影、聚合等）。
• 逐行处理导致了大量的函数调用和上下文切换，这样会产生性能开销，如 CPU 缓存未命中等问题。

2. 向量化查询执行（批量处理）

与逐行处理不同，向量化查询执行是按批处理数据的（通常称为向量）。向量可以是一个数组或多个值的集合，通常是一列数据或表中的一部分。向量化执行的主要特点包括：

• 批量大小：向量化执行不是逐行处理，而是一次处理固定大小的批量数据（通常是数千行）。这样可以减少函数调用的开销以及上下文切换的次数。

• SIMD 指令：单指令多数据（Single Instruction, Multiple Data, SIMD） 是一种并行处理技术，它允许在一次操作中对多个数据点进行处理。向量化执行充分利用了 SIMD 指令，从而提高了 CPU 的效率。

• 内存访问高效：向量化执行改善了缓存局部性，因为在列式存储格式下，数据是按列连续存储的。批量处理数据时，由于数据已在 CPU 缓存中，可以减少缓存未命中的情况。

3. 向量化查询优化器的主要优势

• 更好的 CPU 利用率：通过批量处理数据，并使用 SIMD 指令，向量化执行能够在每个操作中减少 CPU 周期，从而提高处理吞吐量。

• 减少函数调用开销：传统的逐行处理需要对每一行进行函数调用，而向量化执行对一批数据进行相同的操作，减少了重复的函数调用开销。

• 提高缓存利用率：向量化执行时，同一列的数据被按顺序处理，这有助于提高缓存命中率。在列式存储系统中，数据按列存储，这样向量化执行可以更有效地利用缓存。

4. 向量化查询优化器的关键组件

1. 向量化操作：像过滤、投影、聚合等操作都被重新设计为对向量（批量数据）进行处理，而不是逐行处理。这些操作通常被优化为使用 SIMD 指令，并采用对缓存友好的算法。

2. 列式处理：向量化执行非常适合列式存储格式。列式数据库按列存储数据，而不是按行存储，这使得向量化执行能够高效地处理单一列的数据。

3. 内存访问模式：向量化优化器旨在与高效的内存访问模式协同工作，确保能够在处理大批量数据时减少对主存的频繁访问。

4. 流水线执行：某些系统（如 ClickHouse）实现了流水线向量化执行模型。优化器将查询计划分解为更小的流水线，每个流水线并行处理向量化数据。

5. 向量化查询执行的实际应用

• Apache Arrow：Arrow 是一种内存中的列式数据格式，专为优化分析型工作负载的性能而设计。Arrow 的向量化处理通过减少数据移动和计算时间来加速大数据集的查询。

• MonetDB：MonetDB 是最早采用向量化执行的数据库之一，它以列式格式存储数据，并以向量化的方式处理查询，以充分利用现代 CPU 架构。

• ClickHouse：ClickHouse 是一种快速的列式 OLAP 数据库，通过向量化查询执行实现了高性能。它按列处理数据，并对批量数据应用向量化函数。

6. 向量化查询执行的挑战

• 内存带宽限制：即使使用向量化处理，当需要处理大量数据时，内存带宽可能成为瓶颈。

• 复杂查询类型：某些复杂的查询（如涉及大量连接或子查询的查询）可能无法完全受益于向量化执行，因为将其优化为 SIMD 处理较为复杂。

• 批量大小调优：确定最佳批量大小至关重要。如果批量大小太小，切换操作的开销会增加；如果批量大小太大，内存限制和缓存局部性可能会受到影响。

7. 最近的发展

• 混合系统：一些现代数据库根据工作负载的类型，结合使用向量化和传统的逐行执行。例如，对于大量随机访问的查询，逐行执行可能会表现得更好。

• 自适应向量化执行：类似 DuckDB 和 Hyper 这样的系统能够根据数据和查询的复杂度，自适应地在逐行和向量化执行之间切换。

总结

向量化查询优化器通过批量处理数据，而不是逐行处理数据，充分利用现代 CPU 架构的优势。通过使用 SIMD 指令、优化内存访问模式和批量处理数据，向量化执行能够显著提高查询性能，尤其适用于分析型工作负载和列式数据库。

产品简介

• 梧桐数据库（WuTongDB）是基于 Apache HAWQ 打造的一款分布式 OLAP 数据库。产品通过存算分离架构提供高可用、高可靠、高扩展能力，实现了向量化计算引擎提供极速数据分析能力，通过多异构存储关联查询实现湖仓融合能力，可以帮助企业用户轻松构建核心数仓和湖仓一体数据平台。
• 2023年6月，梧桐数据库（WuTongDB）产品通过信通院可信数据库分布式分析型数据库基础能力测评，在基础能力、运维能力、兼容性、安全性、高可用、高扩展方面获得认可。

点击访问：
梧桐数据库（WuTongDB）相关文章
梧桐数据库（WuTongDB）产品宣传材料
梧桐数据库（WuTongDB）百科