高基数 GroupBy 在 SLS SQL 中的查询加速

作者：顾汉杰（执少）

什么是高基数 GroupBy

简单来说，想要分析的数据，拥有超多的“唯一值计数”（Distinct Count），而我们需要对这些数据进行分组分析（如统计次数、排名、计算均值、分位值等）。

高基数聚合计算在很多运营分析场景中都是刚需，它涉及对值不一样的海量数据进行分组聚合计算，以洞察用户行为、游戏玩家路径、市场趋势或产品表现等运营分析的关键指标。例如，在电商平台上，分析一段时间内不同商品类别在各个地区的销量分布，或者在游戏运营分析场景中，追踪玩家在游戏中的独特操作行为和路径，这些都需要处理基数极高的数据（如 ItemId、RequestId、TraceId 等，动辄上千万甚至亿级别的基数）。

现在的问题是，用户在进行此类分析时，由于数据量和复杂度的不同，SQL 执行耗时往往可能从数秒到数分钟甚至数小时不等，“高基数 GroupBy 执行太慢”，几乎成为用户的普遍认知，也是众多数据库和 OLAP 引擎重点关注的对象。SLS SQL 也持续关注这一点，并对此进行了相应的性能优化，本文即旨在向用户介绍 SLS 中的实现原理、查询加速手段以及适用场景。

GroupBy 的实现原理

GroupBy 是几乎所有 OLAP 引擎必备的基础聚合能力，分布式计算引擎一般将海量数据以 Hash 散列的方式分布到不同节点进行分组（分桶）计算，每个分组内对数据进行聚合，然后再基于堆（往往使用 PriorityQueue）进行排序或 Limit，最终输出给用户需要的数据，比如 TopN 排行结果等。

这个过程中，我们可能还会用到预聚合技术：利用数据的局部性原理，对原始数据进行预聚合（PartialAgg），然后再发往最终聚合节点（FinalAgg），以减少网络间数据传输开销。

所以，总体来说，GroupBy 聚合计算大致会经历以下四个过程：DataSource -> PartialAgg -> FinalAgg -> Output。

其中，DataSource 和 PartialAgg 一般是绑定在一起执行，而 FinalAgg 以及 Output 则由分布式网络中的另外一些节点执行。

体验 SLS 高基数 GroupBy 查询加速

有了上面的基础知识和了解后，我们开门见山，直接带大家来感受一下 SLS 中的上亿级别高基数 GroupBy 的查询加速体验。

为了更客观地评估和分析下面的性能变化，我们必须先讲清楚我们的测试数据和测试用例情况。

测试数据

我们采用了模拟的类似 Nginx 服务访问日志，保存在一个 Project/Logstore 中，SQL 独享版 CU 数设置为 5000。测试数据 Schema 如下：

{  RequestId: varchar, /*测试数据会确保每个请求ID确保全局唯一*/  ClientIP: varchar,  Method: varchar,  Latency: int,  Status: int,  ...}

测试用例

我们准备了 3 种测试用例，分别对应 3 种不同的业务分析场景：

1. 高基单列聚合：对 28 亿条请求日志，按 RequestId 字段进行 GroupBy 统计计数（实际基数为 28 亿）

2. 高基多列聚合：对 45 亿条请求日志，按 ClientIp、Status、Latency 字段进行 3 列 GroupBy 统计计数（实际基数为 15 亿）

3. 低基数值聚合：对 1.5 万亿条请求日志，按 Latency 字段统计 Top100 的频次（实际基数为 735 万）

测试说明

1. 由于我们系统中设计有多级缓存，为了避免缓存对于测试的影响干扰，我们会在每次查询时通过添加 not <不存在的 keyword> 过滤条件来避开缓存，以确保每次查询都进行完整的物理执行，公平地对比整体执行性能。

2. 测试过程使用的是真实线上服务（地域为上海），测试数据真实存储在 SLS Logstore 中，但因分片数以及数据分布特征不尽相同，因此不同用户的数据实测结果可能略有差异，但相同量级应该大同小异。

🚗 走，上车！

案例 1：

高基单列聚合，对 28 亿条请求日志，按 RequestId 字段进行 GroupBy 统计计数（实际基数为 28 亿）

第一步，进行基准测试，使用普通 SQL 模式，查询大约需要 17s。

第二步，切换到增强 SQL 模式，并设置 session 参数 set session hash_partition_count=40（此值默认最大为 20），查询降到 10s。

这是什么魔法操作？

上文提到底层并行度已经足够分散，但我们面对的是一个 28 亿条绝对高基的测试数据集（每一个 RequestId 都不一样），即使底层并行度足够，FinalAgg 阶段仍将面临极大的聚合计算压力，而我们默认 FinalAgg 阶段的并行度与 shard 分片数相关但最大为 20，这里我们将这个能力开放给用户结合自身情况可以进行动态调整。

第三步，设置 session 参数 set session hash_partition_count=64/128/200，查询进一步降到 7s/4.5s/3.7s。

加速效果还不错。。。

通过增加 FinalAgg 阶段的并行度，我们看到查询从原来的 17s 降低到了 3.7s！同时，我们也看到并行度的增加对于查询延时的加速效果也逐渐收敛，这是因为在增加并行度的同时，也增加了额外的网络通信和调度开销。所以我们为该 session 参数设置了系统上限为 200，再往上其实可能也不会带来太大的加速收益。

以为这样就收工了，并没有！

第四步，设置 session 参数 set session high_cardinality_agg=true，查询降到 2.1s!

这又是发生了什么？

针对高基数场景的数据特征，我们将数据在底层走了一个不同的流转模式进行数据聚合，大幅提高效率。我们同样开放了相应的 session 参数供用户按需使用。

最终，高基单列聚合，我们将查询从原来的 17s 降至 2s，体验到了 8 倍的加速快感。

案例 2：

高基多列聚合，对 45 亿条请求日志，进行多列 GroupBy 统计计数（实际多列组合维基为 15 亿）

第一步，进行基准测试，使用普通 SQL 模式，查询大约需要 24s。

第二步，切换到增强 SQL 模式，并设置 session 参数 set session hash_partition_count=40（此值默认最大为 20），查询降 到 11s。

第三步，提升并行度 set session hash_partition_count=64/128/200，查询进一步降到 7.3s/5.9s/5.8s。

第四步，设置 session 参数 set session high_cardinality_agg=true，查询降到 2.9s!

最终，高基多列聚合，我们将查询从原来的 24s 降至 3s，同样也体验到了 8 倍的加速快感。

案例 3：

低基数值聚合，对 1.5 万亿条请求日志，按 Latency 字段统计 Top100 的频次（实际基数为 735 万）

第一步，进行基准测试，使用普通 SQL 模式，查询虽然只有 4.3s，但是因数据量大小限制被截断而结果不精确。

第二步，切换到增强 SQL 模式，查询只需 23.4s 即可精确查询，此时增强 SQL 体现出在面对超大规模数据量时的威力。

第三步，设置 session 参数 set session hash_partition_count=40/64/128/200（此值默认最大为 20），查询延时维持到 22-23s 之间，可以看到，在低基聚合场景中，通过提升 FinalAgg 并行度来加速查询，效果十分有限。

通过系统的监控分析，可以发现此时计算压力主要在 PartialAgg，FinalAgg 并不存在计算瓶颈，因此对它的提升，并不会对整体查询有明显的加速效果。

第四步，让我们再试试高基优化参数 set session high_cardinality_agg=true，结果是执行超时。

这说明，高基优化参数并不适用于低基聚合场景，在低基维度下，面对超大规模数据（测试数据超过 1.5 万亿）的聚合计算，默认的预聚合技术（PartialAgg+FinalAgg）能够有效发挥计算效能，仍然是不二之选。

结论和建议

本文主要介绍了 SLS 中的高基数 GroupBy 查询加速原理，并设计了 3 种典型场景的测试用例，通过 SLS 线上服务的实际测试表现，带大家体验了高基聚合计算 8 倍查询加速、万亿数据 20s 查询的极致快感。

在测试过程中，也一一向读者解释了其中的具体细节和原理，为什么会这样？为什么能加速？为什么加速不明显等等。以下是给 SLS 用户关于此方面的查询实践和建议：

1. 数据规模不大时，使用默认模式即可；

2. 数据规模很大而数据分片不多时，建议开启增强 SQL 模式，可以极大提升数据底层并行度；

3. 高基聚合时，可以尝试以下两个 session 参数，可能带来数倍查询加速效果：

4. set session hash_partition_count=<n> 设置多少合适？建议 20-64 以内，过犹不及

5. set session high_cardinality_agg=true/false 是否设置取决于数据离散度

6. 低基聚合，以上两个 session 参数并不十分适用，通过默认增强 SQL 模式即可实现查询加速和精确。