本期咱们将带来Hologres高性能剖析引擎减速查问云数据湖DLF的技术原理解析。

随着云服务被承受的水平一直晋升，云用户日益违心将其收集的数据存储在低成本的对象存储里，比方OSS，S3等。与此同时，基于云的数据管理形式也失去相应的推广，元数据也一直存储在阿里云DLF（Data Lake Formation）上。OSS和DLF的联合成就了一种新的数据湖搭建形式。这种基于云存储的数据湖集累的数据规模也一直增长，相应的湖仓一体的需要也孕育而生。湖仓一体架构基于凋谢格局的内部存储，以及高性能的查问引擎，让数据架构灵便、可扩大、可插拔。

Hologres在湖仓一体场景上与DLF人造无缝交融，无需数据导入导出就能实现减速查问由DLF治理存储在OSS的数据，全面兼容拜访各种DLF反对文件格式，实现对PB级离线数据的秒级和亚秒级交互式剖析。而这所有的背地，都离不开Hologres的DLF-Access引擎，通过DLF-Access实现对DLF元数据以及背地的OSS数据进行拜访。另外，通过联合Hologres高性能分布式执行引擎HQE的解决，拜访DLF/OSS的性能失去进一步提高。

Hologres减速查问DLF/OSS次要有以下几个劣势：

  • 高性能： 能够间接对DLF/OSS数据减速查问，具备秒级响应的查问性能，在OLAP场景能够间接即席查问，满足绝大多数报表等剖析场景。
    低成本： 用户在在DLF/OSS上存储的大量数据，无需迁徙和导入数据而由Hologres间接进行拜访。在享受云数据湖的低成本根底之上，也防止了数据迁徙老本。
    兼容性： 能够实现以高性能和全兼容的形式拜访各种DLF文件格式，反对CSV、Parquet、ORC、Hudi、Delta等格局（其中Hudi、Delta在1.3版本反对）。而这些文件格式又是通用数据湖兼容的。

湖仓一体架构介绍

如图所示是Hologres拜访DLF/OSS的湖仓一体架构，能够看出整个架构十分简洁：

云数据湖里的数据存储在OSS，元数据存储在DLF。当Hologres执行一条Query去减速查问DLF/OSS的数据时，在Hologres端：

  • Frontend接管SQL申请，并对SQL进行解析转化，而后通过RPC向DLF-Access申请获取Meta等相干信息。
  • HQE（Hologres Engine）通过DLF-Access获取OSS/DLF具体的数据相干信息，再返回给Frontend。

其中DLF-Access是一个分布式的数据拜访引擎，由多个平等过程组成，具备横向扩大能力。任何一个过程都能够实现两种角色：

  • 解决Meta相干的申请，次要负责获取表、分区元数据、文件分片等性能。

  • 负责具体读取或写入数据申请，波及列裁剪，数据转换，数据封装等性能。

    DLF表面引擎外围技术创新

    基于DLF-Access的架构，能做到对DLF/OSS的数据高性能减速查问，次要是基于以下技术创新劣势：

1）形象分布式表面
联合DLF/OSS的分布式个性，Hologres形象了一个分布式的表面，来反对拜访包含传统或云数据湖的数据。

2）和 DLF Meta无缝互通
DLF-Access和Data Lake Formation的 Meta 无缝互通，能够做到 Meta 和 Data 实时获取，反对通过Import Foreign Schema命令，同步DLF的元数据到Hologres的表面，实现表面的主动创立。

3）向量化数据读取及转换
DLF-Access能充分利用数据湖列存文件的特点进行向量化的数据读取及转换，进一步晋升性能。

4）返回共享式数据格式
DLF-Access转换后的数据格式为共享式的Apache Arrow格局。Hologres能够间接应用返回的数据，防止额定数据序列化及反序列化的开销。

5）Block模式IO
为了防止网络带来的提早及负载，DLF-Access和Hologres的外部传输数据单位为block，默认为8192行数据。

6）编程语言隔离
Hologres是用C/C++开发进去的云原生OLAP引擎。DLF云数据湖和传统的开源数据湖高度兼容，而开源数据湖大多提供的是基于Java的库。应用独立的DLF-Access引擎架构能够隔离不同编程语种，即防止了原生引擎和虚拟机之间的高老本转换，又放弃了对数据湖灵活多样的数据格式的反对。

DLF表面引擎降级到HQE

下面提到了Hologres通过DLF-Access进行查问减速DLF表面，查问时性能能够做到很好，然而和Hologres交互时两头会有一层RPC 交互，在数据量较大时网络会存在肯定瓶颈。
因而基于Hologres已有的能力，Hologres V1.3版本对执行引擎进行了优化，反对Hologres HQE查问引擎直读DLF 表，在性能上失去进一步的晋升，较晚期版本读取有 30%以上的性能晋升。
这次要得益于以下几个方面：
1) 节俭了 DLF-Access两头 RPC 的交互，节俭了一次额定的数据的重散布，在性能上失去进一步的晋升。
2) 复用Hologres的Block Cache，这样屡次查问时无需拜访存储，防止存储IO，间接从内存拜访数据，更好的减速查问。
3) 能够复用已有的Filter Pushdown（下推）能力，缩小须要解决的数据量。
4) 在底层的IO层实现了预读和Cache，更进一步减速Scan时的性能。

对事务数据湖（Hudi、Delta）的反对

目前DLF反对了事务数据湖所用的Hudi，Delta等表格局。Hologres利用DLF-Access间接读取这些表中的数据，而不削减任何额定的操作，满足了用户对实时湖仓一体架构的设计需要。

总结

Hologres通过DLF-Access与DLF/OSS深度整合，充分利用Hologres和DLF/OSS的各自劣势，以极致性能为指标，间接减速查问云数据湖数据，让用户更不便高效的进行交互式剖析，同时也极大升高了剖析老本，实现湖仓一体的剖析能力。

作者简介：Xuefu，阿里巴巴资深技术专家，现从事Hologres研发工作。

后续咱们将会陆续推出无关Hologres的技术底层原理揭秘系列，敬请继续关注！返回主页查看往期精彩内容