共计 4129 个字符，预计需要花费 11 分钟才能阅读完成。
在这里次要向大家做一个 Databend 性能调优相干的分享，共会分为三次向大家介绍，如下所示：
1、根底篇：代码调优的前置常识（https://mp.weixin.qq.com/s/WT…）
2、实际篇 1：Databend 源码性能调优实际
3、实际篇 2：Databend 的 Group By 聚合查问为什么跑的这么快？
Databend 是基于 Rust 语言开发面向云原生设计的数据仓库。Rust 是近几年比拟火的零碎编程语言，它具备零额定开销的形象老本，并且有贴近 C++ 的运行性能。
但这并不意味着应用 Rust 实现的代码肯定比应用 Python 实现的开发要快，在没有了解实质的状况下，Rust 仍然能写出低效率的代码，这其实取决于编程人员的程度，只是 Rust 让咱们更容易写出高效的代码。
上面将依据多个例子，来讲讲编程中常见的一些优化点，这些优化点多以 Rust 实现为例，但其原理能够使用在其余语言中。
本系列课程的视频回放，能够点击 https://www.bilibili.com/vide… 查看。
inline vs no inline
在 Rust 中，有三个 hint 去做代码的内联，如下所示：
#[inline],
#[inline(never)],
#[inline(always)]在写代码时，咱们也尽量通知编译器咱们所冀望采纳的形式。
内联有以下长处：
a. 内联作为一种优化转换，它能够取代对函数的调用，节俭代码的开销。
毛病
a. 代码二进制体积变大，使得编译工夫更糟。
b. 泛型函数可能会导致内联代码收缩.
注：
a. 对于公有函数可能不须要内联，因为 LLVM 具备启发式内联。
b. 公有函数具备隐式内联。
Case 1
下图所示代码展现了两段函数 default_crc32() 和 inlined_crc32()，这两段代码所实现的性能为做一个 crc32 的哈希，在 default_crc32() 是间接调用一个 crc32 fast 的哈希库，算出哈希值后，对数组进行一次遍历，失去其加总的后果；而在 inlined_crc32() 中，在 new() 函数、update() 函数退出了 inline。他们的运行工夫如下：
default_crc32 time: [16.184 ms 16.196 ms 16.209 ms]
inlined_crc32 time: [1.6317 ms 1.6353 ms 1.6396 ms] 从数据中，咱们能够显著的看出应用内联后性能有靠近 10 倍的改善。
Case 2
在后面一个例子中，大家能够感触到内联对代码性能带来的晋升。而不失当的应用，同时也会让性能更差。但内联不是银弹，上面这段代码是应用了 inline（never）这段代码。当咱们不应用这个 hint 时候，咱们的整个函数会被编译器优化成 inline 的，进一步会导致 aggregate 外面的子函数就不会被 inline 了，但咱们的程序执行耗时大多在子函数中，因为子函数中应用了 loop 循环执行 CPU 密集型操作。所以咱们须要显式地通知编译器不要 inline 外层函数，来达到 10% 左右的性能晋升。
No extra allocation/copy
在写代码时候，可能会存在着一些额定的调配及拷贝。咱们能够通过对其进行优化，也能晋升咱们代码的性能。
Case 3
select sum(number) from numbers_mt(10000000000)再来看第三个例子，这个例子源于 Databend 开发初期，当咱们生成 numbers 表时求一个到 10000000000 的加总值。在这个代码中通过生成一个 Vec<u64> 的数组，咱们将其转换成 Arrow 格局时，咱们调用了 UInt64 Array::from() 这个函数，尽管咱们将 data move 进去了，但这个函数外部还是调用了内存拷贝，通过 perf 工具能够看到 SQL 执行的开销多在内存拷贝中。
咱们优化的形式是去掉多余的内存拷贝，应用了 unsafe 去生成 Arrydata，而后生成 Arrow 格局的 Array，最初让整体性能晋升了 2-3 倍。
Case 4.1
cast(number as Varchar) 这个例子是将一个 NumberArray 转换成 StringArray。在右边的代码中，逻辑是遍历 NumberArray 将每行的数值转换为字符串，而后返回一个迭代器，迭代器再去生成 StringArray。但这段代码产生了十分多的额定开销，因为他遍历到每一个元素时，都会产生一个部分的 Vec<u8>，这里的 Vec<u8> 是十分离散的，并且应用一次后就会被抛弃，在这里就会产生大量的小内存调配和回收，进而导致性能变差。
在第一个版本的优化中，咱们在生成了一个部分的 buffer，在数值转为 string 的过程中，咱们把序列化写入到这个 buffer 中，再通过 builder 去把数据 push 进 arrow 的内存格局中。这使得其性能晋升至两倍，但这个 case 并没有被优化到极致。
Case 4.2
通过 Case 4.1 的优化，咱们持续对其优化。因为在上述 Case 中咱们用到了一个 buffer，但其实咱们能够间接移除 buffer。这里咱们用一个闭包函数，在数值转 String 的过程中，间接往 arrow 的内存模型中进行写入，无需额定的内存调配和拷贝，比照前一个版本，能够再晋升两倍左右的性能。
Case 5
Databend 在开发的过程中，也会有一些些晚期的代码写的不够好，比方咱们在收集内存调配的时候，咱们个 MemoryTracker 变量存储在 thread_local 中，去获取 runtime_tracker 的时候，右边的代码多了一个 Arc 的 clone，左边的代码是返回的援用，尽管 clone 自身开销并不是很大，然而在 SQL 执行过程中，咱们会长期地去调配很多小的内存，所以每一次调配的都会去调用这个 get 办法，就会大大降低其性能。
另外，咱们还做了一次优化是，并不是每次内存调配都会去实时反馈到全局统计变量中，因为多线程去更新全局变量须要同步操作，所以咱们这里做了统计值的线程外部缓冲更新，防止小内存调配统计影响性能。
Less extra function call
Case 6
上面的例子是 Arrow 中的一个排序函数，例如在 SQL:
排序的列是 a，但其余的列也要跟着 a 的程序走，arrow 的执行流程是先将索引依照 a 进行排序，上面的例子就是索引排序的过程，排序咱们须要依照 a 列在不同 index 中的值进行比拟，而后依据后果决定是否替换 index。
右边的实现是闭包捕捉了 array，但咱们依据 index 那对应的值须要调用 array.values().as_slice().get_unchecked(), 这里有 3 次函数调用，如果 array 的长度很长，这个调用开销的放大是十分可观的。咱们的优化过程也非常简单，咱们把 values 先援用到一个变量中，之后闭包就会间接去捕捉 values。这个优化大概能够达到 25% 的性能晋升。
Less branch prediction miss
大家应该都相熟分支预测能够利用 CPU 乱序执行来晋升性能。然而分支预测失败了，返回会大大影响性能性能。请大家来看以下的几个例子。
Case 7
上面的例子是在一个循环中，每次循环都会调用 unwrap 函数，这个 unwrap 函数在 Rust 其实就是一次 if else 封装，因而这里会有分支预测的开销。分支预测通常来说是有缓存的，但在这个函数中，分支预测的缓存仿佛工作的不太敌对。
对他优化的形式是迭代器生成封装到一个办法中，从而去除多余的分支预测。
Case 8
这个例子是 abs 函数的实现。在这里咱们是去对 int8 这个函数进行一次遍历并求绝对值，map 判断了 null 的状况，如果原始值是 null，后果仍然须要为 null。Arrow 的内存模型是有两个 array 的，它的第一个 array 是一个 int8 的数组，第二个 array 是一个 bitmap。咱们的优化形式是先疏忽 null，间接遍历 int8 数组，进行 abs 的 transform，而后将输出的 bitmap 进行 clone 给后果数组，从而去除了分支预测。因为相似函数会很多，所以咱们封装了多个 apply 函数进行数组到数组的转换。
Case 9
这里来自 ClickHouse 的一个例子。
SQL:
这个 SQL 通常会有 2 个分支预测，一个判断 number > 3，第二个判断 number 是否有 null 值。在向量化 sum 中，咱们用一些位操作来优化分支开销。
SIMD
SIMD 指的是单指令多数据执行。接下来咱们会讲到两个对于 simd 的例子。
Case 10：simd sum
在咱们的列数据库中，十分罕用的就是向量化执行。首先，咱们先来看第一段代码，做的是对 double 数组的一次求和。理想化的状况的是，咱们的 CPU 执行的如果最佳流水线，ADD 执行的次数是 N 次。
古代的 CPU 中通常有一些非凡的优化指令集，比方 SSE,AVX，通过这些指令对数据进行批量的求和，这样能够让整体性能晋升至 4 倍左右。
AVXAdd 的函数实现看起来比拟俊俏，通常来说咱们不须要显示的应用 AVXAdd，因为古代的编译器曾经足够智能优化下面的代码成 AVXAdd 形式执行了，比方 GCC 的主动向量化。
Case 11: null sum in arrow2
求和运算中，咱们通常要疏忽 null 值，这样可能会毁坏主动向量化的优化，因为 null 值是 runtime 能力感知的。Rust 有一些向量化的 crate 十分有用，比如说 Arrow2 中应用了 packed_simd2, Rust 也行将迎来规范的 simd 库。上面的例子是对含有 null 值得数组求和向量化代码。
整体的原理是将数据按 chunk 分桶在一个 simd 位宽中，而后使用向量化的 select 将非 null 的值抽出到一个新的 selected 中求和。
主动向量化
通常来说，咱们不会被动编写向量化的代码，而是让循环中的逻辑尽量简略（不引入分支），编译器往往能给咱们优化出高效的代码，比方在 not nullable 的 array 中进行求和，主动向量化的代码反而比手动向量化的代码更加高效。
通过以上的 11 个例子，心愿你曾经对代码调优有了更深刻的理解，在下一次的分享中咱们将介绍 Databend 的 group by 查问为什么能跑的这么快。
想要理解更多资讯，欢送关注公众号：Databend
