快出数量级的性能是怎样炼成的 审核中
我们之前做过一些性能优化的案例,不算很多,还没有失手过。少则提速数倍,多则数十倍,极端情况还有提速上千倍的。提速一个数量级基本上是常态。下面是一些案例材料:
这是怎么做到的呢?
这些被提速的场景都有一个共同点:原先都是用各种数据库(也有 HADOOP/Spark)上的 SQL 实现的,包括查询用的几百行 SQL 也有跑批用的几千行存储过程,然后我们改用集算器的 SPL 重新实现之后就有了这样的效果。
集算器 SPL 有什么神奇之处?是不是能让各种运算跑得更快?
有点遗憾,并没有这样的好事。集算器也是一个软件,而且是用 Java 写的,完成同样运算通常比 C/C++写的数据库还要慢一点。
那是怎么回事?
根本原因在于我们用 SPL 实现了不同的算法。软件不能提高硬件的速度,但我们可以设计出更低复杂度的算法,有效地减少计算量,然后速度自然就上去了。一个运算任务本来要做 1 亿次加法,如果能减到 100 万次,那自然就能快 100 倍,即使每次运算都变得稍慢一点,总体性能仍然会提高,这一点也不神奇。
只要能实现高性能算法和存储,用什么技术来做并不重要了。用 C/C++、Java 当然都能做出来。事实上,集算器是用 Java 写的,用 Java 直接实现这些算法原则上还会更快一点,用 C/C++ 一般还能更快(Java 的内存分配消耗时间还是有点多)。
不过,虽然用 Java 和 C++能写出比 SPL 更快的代码,但要长得多(估计会长出 50-100 倍),这会导致开发工作量过大,这在实际应用时也是要权衡的一个指标。有时候,跑得快和写着简单其实是一回事,就是能高效率地实现高性能算法。
集算器的 SPL 中强化了结构化数据的数据类型,并提供了很多基础的高性能算法。写代码就是组合运用这些算法,当然会方便得多。要说神奇之处,也就是这一点了。
那么,继续 SQL 就不能做到同样的事吗?
是的。SQL 设计得过于粗线条,关系代数这个理论基础中缺乏很多数据类型和基础运算,很多高性能算法都无法描述,结果只能使用慢算法。虽然现在很多数据库和大数据平台都在工程上有所优化,但也只能针对简单的场景,情况复杂之后数据库的优化器都会“晕”掉,所以解决不了根本问题。这是个理论上的问题,无法在工程层面解决。
SPL 基于的理论基础不再是关系代数,而是我们发明的离散数据集。在这个体系下有更多的数据类型和运算,就能写出更多高性能算法了。SPL 是离散数据集的一种实现,封装了许多现成的算法。用 Java 和 C++当然也能从头来实现这个代数体系,因而都能写出来高性能代码。而 SQL 却不可以。
举个简单的例子,我们想在 1 亿条数据中取出前 10 名,用 SQL 写出来是这样的:
这个语句中有个 order by,严格按它执行就会涉及大排序,而排序非常慢。其实我们可以想出一个不用大排序的算法,但用 SQL 却无法描述,只能指望数据库优化器了。对于这句 SQL 描述的简单情况,很多商用数据库确实都能优化,使用不必大排序的算法,性能通常很好。但情况复杂一些,比如在每个分组中取前 10 名,要用窗口函数和子查询把 SQL 写成这样:
这时候,数据库优化器就会犯晕了,猜不出这句 SQL 的目的,只能老老实实地执行排序的逻辑(这个语句中还是有 order by 的字样),结果性能陡降。
而 SPL 不一样,离散数据集中有普遍集合的概念,TopN 这种运算被认为是和 SUM 和 COUNT 一样的聚合运算,只不过返回值是个集合而已。这时候写出来的取前 10 名的语句中并没有排序动作:
分组后的写法也很简单,都不需要执行大排序:
这里 性能优化技巧:TopN 还有关于这个问题的更详细测试对比。
所以,我们做性能优化时要重写代码,不能继续使用 SQL 保持兼容。要读懂原来的逻辑重新实现,这个工作量还是很大的,不过能换来数倍数十倍的性能提升,常常还是值得的。
另外,存储也非常重要,好算法要有合适的存储机制配合才能生效,所以不能继续把数据继续存在数据库里获得高性能,需要搬出来换种办法组织存放。改变存储后,有可能把原来需要缓存的计算过程变成不需要了,原来要遍历多遍的运算变成只遍历一次甚至不用遍历了,减少硬盘访问量对性能的提升非常有效。
从上面这个原理上看,如果我们不能针对计算目标设计出更好的算法,那就做不到提速了。比如一个很简单的大表求和,用 SQL 要做 1 亿次,用 SPL 也要做 1 亿次,那就不可能做得更快,一般还会更慢一点(Java 赶不上 C/C++)。但是,当运算任务足够复杂时,碰到几百上千行的嵌套 N 层 SQL(慢的 SQL 通常也不会太简单),几乎总能找到足够多可优化的环节,所以我们经历过的案子还没有失手过。结果,在实践上用 Java 写出来集算器大幅度超越了 C/C++写的数据库,这都是算法造就的。
我们甚至曾经发过一个广告 慢得受不了的查询跑批寻找用 SQL 写的慢过程,我们负责提速一个数量级。
换个角度再看这个提速原理:高性能靠的不是代码,而是代数,代码只是个实现手段而已。其中最关键的是掌握和运用这些算法,而不是 SPL 语法。SPL 语法很简单,比 Java 容易多了,两小时就能基本上手,两三周就能比较熟练了。但算法却没那么简单,需要认真学习反复练习才能掌握。这些案例直接由没有经验的用户自己做常常效果并不好,主要原因也是对算法没有吃透。
反过来,而只要掌握了算法,用什么语法就是个相对次要的问题了(当然用 SQL 这种太粗线条的语言还是不行)。这就像给病人看病,找出病理原因后,能分析出什么成分的药能管用。无论直接购买成药(使用封装过的 SPL),还是上山采药(使用 Java/C++硬写),都可以治好病,无非就是麻烦程度和支付成本不同。
可能有读者对 SPL 提供了哪些与 SQL 不同的高性能算法感兴趣,推荐一下乾学院上的性能优化图书 【性能优化】 前言及目录 和视频课程 《性能优化》课程
我们已经把这些算法都整理成有体系的知识了。有些算法是业界首创的,其它教科书和论文中都找不到。
跟着这些图书课程学习,掌握这些算法后,就可以自己写到快出数量级的高性能代码。即使自己不写代码,也能理解原理,不会再被很多大数据产品喊什么“万亿秒查”的说法忽悠了。
SPL 资料
![](https://static001.geekbang.org/infoq/b2/b2e66efceb63cc069964124c3ee98492.png)
评论