Apache Doris 中的 Data Trait：性能提速 2 倍的秘密武器

在数据库系统的核心层，查询优化器如同一位精明的策略家，不断分析数据特征并制定最优执行计划。Apache Doris 作为一款高性能的 MPP 分析型数据库，其优化器内置的 Data Trait 分析机制，通过挖掘数据内在的统计特征和语义约束，为查询优化提供了基础设施。让我们一起来探索这个强大的功能！

什么是 Data Trait？

设想一下，如果你能提前知道数据的 “性格特征”，是不是就能更聪明地处理它们？Data Trait 正是这样一种对查询数据和中间结果的 “性格描述”。在 Doris 中，它目前实现了四种关键特征：

1. 唯一性（Uniqueness）：数据的 “身份证” “在这个世界上，我是独一无二的！”—— 当某列数据这样 “宣称” 时，它就具有唯一性特征。数学上表示为：NDV（不同值的数量） = 表的总行数。

2. 均匀性（Uniformity）：数据的 “复制粘贴” “我们全都一样！”—— 当一列数据都是相同值时，它就展现出均匀性。具体指非空不同值数量不超过 1。 有趣事实：这种列就像军队的制服，整齐划一，优化器看到它们可以采取特殊处理策略。

3. 等值集（Equal Set）：数据的 “双胞胎” “我们形影不离，永远相同！”—— 当两列数据在所有行中都完美匹配时（包括 NULL 值），它们就构成等值集。 Doris 的等值集判断是 NULL 敏感的，NULL ≠ NULL 哦！

4. 函数依赖（Functional Dependency）：数据的 “因果关系” “只要知道 X，就必然知道 Y！”—— 当一组列（X）能唯一决定另一组列（Y）的值时，就存在函数依赖。 X 称为决定因素（Determinant），Y 称为被决定因素（Dependecy） 定义如下： ∀X， Y ⊆ R， X → Y ⇔ ∀t1， t2 ∈ R， t1 [X] = t2 [X] ⇒ t1 [Y] = t2 [Y] 其中，t [X] 表示元组 t 在属性集 X 上的投影。

Data Trait 的表示

唯一性

唯一性使用 UniqueDescription 描述， 想象一个公司的员工管理系统：

• 独立唯一性（slots）：就像每个员工的工牌 ID（如 101、102），这些值在整个公司内是独一无二的

• 联合唯一性（slotSets）：例如 “部门 + 姓名” 的组合，单独看部门可能重复（多个研发部员工），单独看姓名也可能重复（同名员工），但 “研发部 + 张三” 的组合在全公司是唯一的

均匀性

均匀性使用 UniformDescription 描述， 包括：

• 已知值的均匀列（有具体 value）： 比如查询 WHERE department=' 研发部 '，这时 department 列在结果集中所有值都是 “研发部”类似 SELECT 1 as const_value 中的 const_value 列，所有行都是 1

• 未知值的均匀列（无具体 value）： 例如 LIMIT 1 后的所有列，虽然知道它们值相同，但不确定具体是什么值

等值集

等值集采用并查集（一种高效的数据结构）来管理，就像家族关系网：

每个数据列最初都是独立的 “个体”， 当发现两列值完全相同时（如存在谓词 a = b），它们就被划归到同一个家族，最终所有相等的列会形成一棵棵 “家族树”，树中的成员彼此等价。

函数依赖

函数依赖关系使用有向图实现， 就像公司汇报关系：

• 节点：代表一组数据列（如员工 ID、部门 ID 等）

• 边（ → ）：表示决定关系，比如： 员工 ID → 员工姓名（知道 ID 就能确定姓名）部门 ID + 项目 ID → 项目经理（联合决定）

这个关系网具有传递性：如果 A→B 且 B→C，那么 A→C

Data Trait 是如何推导出来的？

1. 逐层调查：从查询计划的最底层开始，每个处理节点（如扫描、过滤、连接等）都会根据自身特点生成对应的数据特征报告

2. 懒加载机制：只有当优化器真正需要这些特征时才会进行计算，避免不必要的分析工作

3. 特征合成：高层节点会综合下层节点的特征信息，并结合自身操作特点，生成新的特征描述。 同时，Data Trait 之间也可以相互推导：具有 unique 属性的 slot 能决定所有其他 slot；具有 uniform 属性的 slot 依赖于所有其他的 slot；相等的 slot 互相依赖；相等的 slot 具有相同的 Unique 属性和 Uniform 属性。

Data Trait 的推导过程示例

CREATE TABLE employees (    emp_id INT NOT NULL,    emp_name VARCHAR(100),    email VARCHAR(100),    dept_id INT,    salary DECIMAL(10,2),    hire_date DATE) UNIQUE KEY(emp_id) DISTRIBUTED BY HASH(emp_id) PROPERTIES('replication_num'='1');
SELECT dept_id, COUNT(*) AS emp_count FROM employeesGROUP BY dept_id;

以上面的 SQL 为例，说明一下 DATA TRAIT 的推导过程，查询计划如下：

[Aggregate]   |[Scan]

基表扫描层

当扫描 employees 表时，优化器发现：

• 唯一标识：emp_id 是 UNIQUE KEY，具有唯一性特征

• 函数依赖：由于 emp_id 是 UNIQUE KEY，它可以决定表中所有其他列的值（知道员工 ID 就能确定他的部门、姓名等信息）

聚合操作层

进行 GROUP BY 聚合时，数据特征发生了转变：

• 唯一性变化 新增的特性：dept_id 是分组键，具有唯一性特征；丢失的特性：原本 emp_id 的唯一性不再有效，因为多行数据被折叠成了分组形式。

• 函数依赖变化 新增的关系：现在 dept_id 成为新的 “决定因素”，可以确定该部门的员工数量 emp_count（就像知道部门编号就能查到该部门的人数统计）丢失的关系：原先基于 emp_id 的所有函数依赖都失效了，因为员工级别的信息已被聚合操作折叠。

Data Trait 如何优化查询？魔法般的规则应用

下面通过完整示例演示 Data Trait 如何在实际查询优化中发挥作用。先从建表开始，逐步展示优化器如何利用数据特征进行优化。

准备测试环境

建表语句和插入数据 SQL 如下：

-- 员工表（包含唯一ID）DROP TABLE IF EXISTS employees;CREATE TABLE employees (    emp_id INT NOT NULL,    emp_name VARCHAR(100),    email VARCHAR(100),    dept_id INT,    salary DECIMAL(10,2),    hire_date DATE) UNIQUE KEY(emp_id) DISTRIBUTED BY HASH(emp_id) PROPERTIES('replication_num'='1');
-- 部门表（包含唯一ID）DROP TABLE IF EXISTS departments;CREATE TABLE departments (    dept_id INT NOT NULL,    dept_name VARCHAR(100),    location VARCHAR(100)) UNIQUE KEY(dept_id) DISTRIBUTED BY HASH(dept_id) PROPERTIES('replication_num'='1');
-- 订单表（包含唯一ID）DROP TABLE IF EXISTS orders;CREATE TABLE orders (    order_id INT NOT NULL,    customer_id INT,    order_date DATE,    amount DECIMAL(10,2)) UNIQUE KEY(order_id) DISTRIBUTED BY HASH(order_id) PROPERTIES('replication_num'='1');

-- 插入测试数据INSERT INTO departments SELECT number, concat('name',cast(number as string)), concat('location', cast(number as string)) from numbers("number"="30");
INSERT INTO employees SELECT number, concat('name',cast(number as string)), concat('email',cast(number as string)),number % 30, number, '2025-01-01' from numbers("number" = "100000000");
INSERT INTO orders VALUES(1001, 5001, '2023-01-10', 999.99),(1002, 5001, '2023-02-15', 1499.99),(1003, 5002, '2023-01-20', 799.99),(1004, 5003, '2023-03-05', 2499.99);

Data Trait 优化实战演示

根据连接键唯一性消除连接（ELIMINATE_JOIN_BY_UK）

场景：在进行 left join 时，右表的连接键是唯一的（允许存在多个 NULL 值），且查询只需要左表数据时...

魔法：直接去掉这个 Join！因为右表要么匹配一行，要么不匹配，不影响左表数据完整性。

示例如下：

-- 原始查询SELECT COUNT(emp_id) FROM (SELECT e.emp_idFROM employees eLEFT OUTER JOIN departments d ON e.dept_id = d.dept_id) t;
-- 优化后等效查询SELECT COUNT(emp_id) FROM employees e;

关闭 ELIMINATE_JOIN_BY_UK 优化时（使用 set disable_nereids_rules = 'ELIMINATE_JOIN_BY_UK' 关闭优化），执行时间为 0.1sec， 在开启 ELIMINATE_JOIN_BY_UK 优化时，执行时间为 0.05sec，性能提升了 100%。

根据唯一性消除冗余聚合键（ELIMINATE_GROUP_BY）

场景： 当 Group By Key 列中存在具有 unique 并且非空属性的列时...

魔法：可以直接把 Group By 删除

--原始查询SELECT COUNT(c2) FROM (SELECT emp_id c1, sum(salary) c2 from employees GROUP BY emp_id, emp_name) t;
-- 优化后等效查询SELECT COUNT(c2) FROM (SELECT emp_id c1, salary c2 from employees) t;

在关闭 ELIMINATE_GROUP_BY 优化时，执行时间为 0.96sec， 在开启 ELIMINATE_GROUP_BY 优化时， SQL 的执行时间是 0.08sec， 性能提升了 1100%。

消除存在依赖关系的聚合键（ELIMINATE_GROUP_BY_KEY）

场景：Group By 多列，并且这些列中具有函数依赖关系

魔法：使用函数依赖中被决定的 slot 可以在 Group By Key 列中被消除。

示例如下：

--案例1: 根据函数提供的函数依赖消除-- email -> SUBSTR(email, 1, INSTR(email, '@')-1)-- 原始查询SELECT count(email) FROM (SELECT emailFROM employeesGROUP BY email, SUBSTR(email, INSTR(email, 'l')+1)) t;-- 优化后等效查询SELECT count(email) FROM (SELECT emailFROM employeesGROUP BY email) t;
--案例2: 根据等值集提供的函数依赖消除-- 原始查询SELECT COUNT(*) FROM employees e INNER JOIN departments d ON e.dept_id = d.dept_id GROUP BY e.dept_id, d.dept_id;-- 优化后等效查询SELECT COUNT(*) FROM employees e INNER JOIN departments d ON e.dept_id = d.dept_id GROUP BY e.dept_id;

以案例 1 为例，在关闭 ELIMINATE_GROUP_BY_KEY 优化时，执行时间为 2.11s， 在开启 ELIMINATE_GROUP_BY_KEY 优化时，SQL 的执行时间为 1.41sec， 性能提升了 50%。

消除均一列的聚合键（ELIMINATE_GROUP_BY_KEY_BY_UNIFORM）

场景：Group By 的列所有值都相同...

魔法：直接去掉 Group By，因为所有行都属于同一组。

示例如下：

-- 原始查询SELECT hire_date, max(salary) FROM employees WHERE hire_date='2025-01-01' GROUP BY dept_id,hire_date;
-- 优化后等效查询SELECT '2025-01-01', max(salary) FROM employees WHERE hire_date='2025-01-01' GROUP BY dept_id;

在关闭 ELIMINATE_GROUP_BY_KEY_BY_UNIFORM 优化时，执行时间为 0.15sec，在开启 ELIMINATE_GROUP_BY_KEY_BY_UNIFORM 优化时，SQL 的执行时间是 0.11sec，性能提升了 36%。

消除无意义排序（ELIMINATE_ORDER_BY_KEY）

场景：按唯一键排序， 或者排序键中包含具有函数依赖时。

魔法：去掉这个 Order By，因为数据已经自然有序， 去掉函数依赖中被决定的 Key。

示例如下：

-- 案例1：唯一性推导的函数依赖简化SELECT sum(c1) FROM(SELECT emp_id c1, emp_name c2FROM employeesORDER BY emp_id,emp_name,email,dept_id,salary,hire_dateLIMIT 1000000) t;-- 优化后等效查询SELECT sum(c1) FROM(SELECT emp_id c1, emp_name c2FROM employeesORDER BY emp_idLIMIT 1000000) t;
-- 案例2：表达式推导的函数依赖简化SELECT hire_date, EXTRACT(YEAR FROM hire_date), EXTRACT(MONTH FROM hire_date)FROM employeesORDER BY hire_date, EXTRACT(YEAR FROM hire_date), EXTRACT(MONTH FROM hire_date);-- 优化后等效查询SELECT hire_date, EXTRACT(YEAR FROM hire_date), EXTRACT(MONTH FROM hire_date)FROM employeesORDER BY hire_date;
-- 案例3: 多列表达式依赖简化SELECT emp_nameFROM employees ORDER BY emp_name, email, CONCAT(emp_name, ' ', email);-- 优化后等效查询SELECT emp_nameFROM employees ORDER BY emp_name, email;
-- 案例4: 根据均匀性消除SELECT emp_name FROM employees WHERE emp_id = 101 ORDER BY emp_id;--优化后等效查询SELECT emp_name FROM employees WHERE emp_id = 101;

以案例 1 为例，在关闭 ELIMINATE_ORDER_BY_KEY 优化时，SQL 的执行时间是 0.37sec， 在开启 ELIMINATE_ORDER_BY_KEY 优化时，SQL 的执行时间是 0.13sec，性能提升了 185%。

优化效果对比

五个优化规则的效果对比如下图所示，蓝色代表关闭优化规则的 SQL 执行时间，橙色代表开启优化规则的 SQL 执行时间。

最佳实践

建议做法：为所有唯一键列添加明确的 UNIQUE 约束

无论列是否为主键，只要具有唯一性特征（包括业务唯一键、组合唯一键和外键关联列），都应通过 UNIQUE 约束明确定义。

CREATE TABLE orders (    order_id INT,    order_code VARCHAR(20));ALTER TABLE orders ADD CONSTRAINT orders_uk UNIQUE (order_id);

优化收益：帮助优化器识别唯一性特征，实现 Join 消除、Group By 简化等优化。

建议做法：合理使用 NOT NULL 约束

对业务上不允许为空的列添加 NOT NULL，因为上面提到的一些优化规则，是要求 slot 唯一且非空或者均匀且非空才能应用， 添加 NOT NULL 可以避免 NULL 值对优化的干扰。

CREATE TABLE products (    product_id INT NOT NULL,    product_name VARCHAR(100) NOT NULL);

避免做法：过度使用 SELECT *

-- 应避免的写法explain logical planSELECT * FROM employees eLEFT OUTER JOIN departments d ON e.dept_id = d.dept_id;
-- 推荐写法explain logical planSELECT e.* FROM employees eLEFT OUTER JOIN departments d ON e.dept_id = d.dept_id;

问题原因：例如，优化规则 ELIMINATE_JOIN_BY_UK 能够应用的条件之一是投影列中只出现 LEFT OUTER JOIN 左表的列， 所以当您只需要左表数据时，SELECT * 的使用会阻碍优化器应用优化规则。

避免做法：避免冗余的分组键和排序键

-- 冗余分组列（即使用者知道product_id决定product_name，但是数据库系统未识别此依赖，此时product_name为冗余，可以删除）SELECT product_id, product_nameFROM productsGROUP BY product_id, product_name;

通过主动避免冗余的分组键和排序键，即使某些函数依赖无法被系统自动识别，您仍然可以提高查询执行效率， 减少资源消耗， 保持代码简洁性。

总结和展望

Data Trait 通过四大核心特征（唯一性、均匀性、等值集、函数依赖）为查询优化器提供了深度的数据认知能力：

• 数据特征识别：精确捕捉数据的本质属性，如主键唯一性、常量列均匀性等

• 查询语义理解：解析 SQL 操作背后的真实数据关系，识别冗余操作

• 优化决策支持：为查询重写、计划选择等优化提供理论依据

Data Trait 的设计采用了高度模块化的架构，为未来的功能扩展预留了充分空间。特别是在 Uniform 特征的扩展方面，计划引入更精细化的取值分布描述能力。当前 Uniform 主要记录列值完全均匀（单一值）的情况，下一步将扩展为支持记录有限离散值的场景。例如当查询包含 WHERE status IN （'active'，'pending'）这样的 IN 谓词过滤时，优化器可以精确获知 status 列在此查询上下文中只有 2 个可能的取值。这种扩展后的 Uniform 特征将为优化器带来更丰富的决策依据。