导语
SuperSQL是腾讯自研的下一代大数据自适应计算平台。通过开放融合的架构，实现一套代码高效解决公有云、私有云、内网的任何大数据计算场景问题。我们通过将异构计算引擎/异构存储服务、计算引擎的智能化/自动化、SQL的流批一体、算力感知的智能调度纳入内部系统闭环，给用户提供极简统一的大数据计算体验。用户能够从繁杂的底层技术细节中解脱出来，专注于业务逻辑的实现，像使用“数据库”一样使用“大数据”，实现业务逻辑与底层大数据技术的解耦。
SuperSQL作为腾讯大数据智能计算平台的入口和决策中心，整合不同的大数据系统组件，旨在解决传统大数据架构下的痛点和难点问题，诸如大数据的语言门槛高、大数据引擎多而杂、大数据计算链路长而复杂、资源利用率低、存储异构、数据孤岛等。SuperSQL以自适应作为串联不同系统的能力抓手，通过自动、智能的方式解决传统大数据架构中的痛点问题：
- 语法自适应：统一不同的计算入口，自动适配不同的SQL语法和标准，降低大数据系统使用门槛
- 引擎选择自适应：根据SQL特点和历史执行信息，实现SQL引擎的智能选择与加速，自适应调优计算参数，提升整体计算性能，降低失败率
- 计算运行时自适应：根据运行时状态和信息反馈，动态调整计算执行拓扑，解决大数据计算执行链路复杂，稳定性低的问题
- 资源自适应：统一资源管理，屏蔽各类资源的性能差异，使业务能透明地使用资源；通过自适应地弹性扩缩，资源借调，最大化资源使用效率
- 数据编排自适应：实现不同异构存储场景下的存储加载策略，自适应不同架构下的数据融合计算需求，通过自动数据冷热分层，多级缓存，提升存储访问性能
- 场景架构自适应：适配多云混合架构，实现最优的跨集群、跨DC、跨云计算路由，打通数据链路，解决数据孤岛
融合计算平台已在天穹落地，服务微信、QQ、游戏等关键业务。平台每天承载百万级的计算任务，百PB级数据处理，百万级核数资源调度。本文将正式揭开新一代计算平台的面纱，揭秘如何实现大数据平台的自治化、智能化。
01
计算平台整体架构
SuperSQL提供了完整的端到端的大数据解决方案，适配公有云、私有云、内网不同的场景。整个架构可以分为四层：核心引擎层、计算层、资源层、数据编排层。
- 核心引擎层是统一计算入口和智能决策中心。对外提供一套通用SQL语法，并自动适配计算引擎的不同SQL标准。同时汇总来自元数据、历史流水、底层集群状态等不同信息，通过组合算法做出SQL自适应优化、物化视图自主构建、引擎智能选择、计算参数调优等重要决策，从而影响整个计算的生命周期。
- 计算层会根据不同场景，采用不同的计算引擎，其中Spark负责ETL、报表场景，Presto负责交互式查询场景，Hermes负责日志检索、用户画像场景，Doris负责数据湖查询分析，PowerFL负责安全数据计算。核心引擎层根据SQL特点和使用场景选择最佳的计算引擎。为了保证计算在不同架构下的计算稳定性，Remote Shuffle Service（RSS）提供统一的数据Shuffle服务，实现计算执行拓扑自适应。
- 资源层整合云上和云下资源，把能够把所有资源统一管理起来，对计算提供统一的资源池。通过资源自适应调整、租户间资源弹性调度、集群中资源借调等手段，统筹管理调度资源，提升资源整体利用率。
- 数据编排层适配不同异构存储，透明化存储差异，解耦计算和存储。自主学习数据访问模式，自适应缓存热点数据和元数据，加速数据访问性能，提升集群稳定性。
02
语法自适应：
解耦大数据语法和业务逻辑
SuperSQL支持对接不同类型的外部计算（执行）引擎，包括Presto、Livy、Hive、Flink，以及丰富多样的数据源，如MySQL、PostgreSQL/TBase、Hive、TDW Hive (tHive)、SparkSQL/Livy、Oracle、Phoenix (HBase)、ElasticSearch、Kylin、ClickHouse、Hermes、Druid、H2、Presto。
引擎之间、数据源之间所使用的SQL语法存在一定的差异，SuperSQL作为计算平台的入口能够有效屏蔽语法差异做到语法自适应，从而为整合不同的大数据系统组件提供基石。它能提供一套通用SQL语法，并通过SQL兼容转换功能来实现不同SQL语法之间的转换；做到在用户无需更改SQL语法的前提下实现底层执行引擎的切换，通过一套SQL语法，自动适配不同计算引擎和数据源语法。
顾名思义，SQL兼容转换功能整体可以划分为两个模块，即SQL兼容与SQL转换。
- SQL兼容：在进行SQL兼容时，为解决部分大数据平台语法与业务强耦合、定制化严重，以及不同语法强行融合易导致歧义的问题，SuperSQL遵循干净、可扩展、可替换、多场景兼容的兼容准则，提供插件式的解析模块，将SQL语法模板化，分类管理，形成可扩展、多样的SQL生态。 SuperSQL将SQL语法分为两大类即通用型（如SQL标准语法，以及常见的Spark、Hive、Flink等大数据查询语法）、独特型（自定义语法，不具有普适性），基于分类语法模板、语义扩展定义、配置文件生成多样的SQL解析器，并且支持动态切换解析器，灵活性强。任意解析器得到的语法树均将转换为SuperSQL统一的逻辑计划，SuperSQL可基于此逻辑计划生成符合不同引擎或数据源方言语法的执行语句（这一过程即SQL转换）。SuperSQL默认使用通用Parser，其基于SQL标准语法，支持大部分通用大数据语法（如Spark、Hive语法），适用于大部分的大数据系统组件。而对于一些与业务逻辑强耦合的自定义语法，支持自定义SQL模板，生成自定义解析器，通过这种做法，结合上文提及的生成SuperSQL统一执行计划以及下文提及的SQL转换，可以灵活地将业务任务切换到指定引擎。
- SQL转换：SQL转换发生在两个阶段，一阶段是通过解析器得到抽象语法树后，进行语法树重写以确保该语法树能转换为SuperSQL统一逻辑计划；另一阶段是基于SuperSQL统一逻辑计划与不同引擎或者数据源语法之间的等价映射关系，能够将SuperSQL逻辑计划转换为不同的引擎或数据源语法，做到执行引擎的无感切换，也为下文的智能引擎选择功能奠定基石。
这种执行引擎的无感切换，不光能让SuperSQL平滑进行智能引擎选择，充分发挥引擎的优势特点，增加SQL执行效率；还能支持业务无感迁移，做到在用户无需更改SQL语法的前提下实现底层执行引擎的切换，并且尽量最小程度地更改用户的使用习惯。
通过SQL兼容和SQL转换，SuperSQL能够统一计算入口，整合大数据平台组件，降低大数据系统使用的门槛和繁琐程度。
03
引擎选择自适应：
智能选择引擎，加速SQL计算
智能引擎选择是自适应智能计算的核心功能之一，作为决策中心，SuperSQL通过组合算法，自动为每条用户SQL，挑选合适的不同类型的计算引擎（如Presto、Spark等）来执行，以提升用户体验（如响应时间快、可靠性高等）和资源利用率（CPU、内存等）。传统基于RBO/CBO的SQL优化框架，存在规则人工定制、统计信息缺失、历史流水闲置、失效资源浪费等几个主要问题。
针对这些问题，SuperSQL设计实现了基于历史负载的查询优化（History-Based Optimization，HBO）和基于机器学习的引擎选择。HBO目标是分析处理历史用户SQL流水，以通用、抽象化的HBO策略，增强补充（非取代）已有的具体化RBO/CBO策略。机器学习算法可以自动学习SQL特征，更好地弥补人为规则的黑角。把HBO和机器学习结合起来，可以更好地降低日均提效失败（即错误选择引擎后执行失败）的SQL数，提升用户SQL的平均执行时间，减少引擎集群无效负载的同时节省宝贵的计算资源。
HBO框架的设计实现包括四个子模块，如下图中标示；它们也代表了一条用户SQL HBO优化的四个串行阶段。基于引擎选择（SQL优化）的实时性要求，整个HBO耗时必须控制在毫秒级。
- 查询签名：SuperSQL执行的所有计算类SQL语句（DQL/DML），无论执行结束后状态是成功还是失败，流水入库时都新增生成查询签名（Query Signature，QS）字段。 查询签名是SuperSQL自研设计的SQL文本的 “浓缩” 表示，包含SQL访问的库表名和关键子句（Filter/Join/GroupBy/Orderby）中包含的列名。SuperSQL通过QS来匹配判断当前用户SQL与哪些历史SQL “HBO等价”，然后通过分析汇总这些历史等价SQL的执行特征，来决定当前SQL是否应选某类引擎执行。
- 索引宽表：HBO要求为每个最新提交的用户SQL，从历史流水库中查找其最近一段时间内等价的历史SQL集。SuperSQL依赖外部的统一元数据服务，固化缓存HBO索引宽表来解决检索的实时性能问题。宽表的每一条记录对应一条历史SuperSQL查询，包括查询签名、执行时间、引擎类型、结果状态、数据量、引擎shuffle数据等信息。
- 历史检索：基于查询签名的完全匹配（exact match），调用统一元数据服务的REST API，返回最近历史区间（如一周）内的索引宽表记录集。SuperSQL通过不同的API入参，指定返回记录集的最大行数、起止日期、超时时间等属性，确保检索的实时性能（平均 < 100ms）。
- 提效判定：分析统计获取的历史记录集，综合执行时间、失败率、引擎分布等数据，对比系统阈值参数，决定是否对当前SQL选择使用的某类计算引擎来执行。
作为业务效果样例，根据对接SuperSQL的某数据分析中台的SQL流水统计，HBO加持的SuperSQL智能引擎选择，可以大幅减少因为引擎选择错误导致的SQL failver。HBO规避的SQL类别大都是超大资源占用、海量分区读写、大规模Join等高计算开销类，日均可减少Presto引擎 34TB 的无效内存占用以及 33小时 的无效CPU时间。
HBO不能覆盖所有的SQL场景，对于周期性任务较为有效，但如果用户提交了新的查询，签名和历史不匹配，则难以决策。机器学习可以自动学习SQL特征，很好地弥补规则的缺失。实践中，直接把SQL字符串作为原始数据，具体训练过程如下：
- 特征处理：使用自然语言处理中的n-gram TF-IDF方法，将文本转化为数值特征，供机器学习模型训练。具体做法为，将SQL语句按字符（或单词，字符效果更好）进行分割，相邻的1-5个字符构成一个元组，选取训练数据中出现频率最高的50万个元组，计算全部训练数据中对应元组的词频-逆文档词频（TF-IDF）值，从而将每个SQL语句转化为50万维的特征向量
- 特征选择。由于特征维度大，训练数据多，模型训练慢，因此对特征进行降维。使用基于模型的降维方法，先利用逻辑回归（LR）模型在数据上执行训练，之后逻辑回归模型会根据模型系数对特征给出重要性分析，选择最重要的1万维特征，供后续模型执行训练
- 模型训练。采用梯度提升树XGBoost拟合训练数据，数据特征为如上所述的1万维特征。由于数据类别分布不均（失衡），通过调节模型的类别权重参数，达到最优的拟合效果
机器学习可以进一步提升引擎选择的准确性，降低SQL failover率。基于内网的SQL流水测试，机器学习算法能够在HBO的基础上，SQL failover率降低60%。
04
计算运行时自适应：
实时捕捉环境变化，动态调整计算拓扑
传统的大数据架构下，整个计算链路通常是单向的，上层计算缺少底层状态（比如资源状态）的反馈。单向链路虽然简单，但会造成计算资源不均衡、资源利用不充分等问题。算力感知是自适应计算架构里底层反馈的桥梁，让上层计算具备感知资源状态的能力，进而自适应地调整资源使用。通过算力感知，可以获取计算资源整体的资源状态以及单节点详细的算力指标，上层计算借此自适应地动态调整计算决策、资源使用、任务调度等。
以Presto为例，作为一款典型的MPP架构、纯内存计算的交互式查询引擎，为了追求性能的最大化，Presto会尽可能地利用节点上可用的资源，包括CPU/内存/网络带宽等，节点间的物理资源规格也需要尽可能保持一致。然而在实际的使用场景中，节点的CPU/内存等负载（算力）是随时波动的，而Presto的原生任务调度策略并未将节点的算力考虑在内，导致在节点算力明显下降的情况下，计算任务会受到严重的影响，从而产生长尾问题。为此，天穹Presto做了针对性的优化，在动态的计算环境中，通过感知节点算力的变化，自适应地调整计算任务的调度，避免低算力节点的影响。
天穹Presto自适应任务调度主要分为：Task自适应调度与Split自适应调度，方案实现的核心思想是：根据节点的算力情况动态分配Split和Task，整体架构如下图所示：
天穹Presto Coordiantor在运行过程中，会实时感知Worker节点的算力变化情况，同时计算出对应的节点可用算力权重，在Task和Split的调度过程中，针对不同的算力权重，根据模型计算出相应的Worker上还可分配的Task或Split数目，对于算力严重下降的节点，少分配或不分配Task或Split，尽量避免长尾问题，从而做到自适应的调度。自适应调度效果：当计算Task在CPU波动比较大的节点上，会造成明显的计算长尾的问题，拖慢整个任务的运行，如下图所示，在没有开始自适应调度的情况下，Task的执行时间波动很大。
在开启自适应调度后，Task会避免调度到CPU算力差的节点，有效地消除长尾问题。如下图所示，Task的执行时间更加均衡，避免长尾问题影响整个计算任务的性能。
05
资源自适应：
资源统一池化，透明弹性伸缩
面向大规模集群部署，多集群是运维管理的常规手段。但从资源管理的角度，多集群会带来诸多问题：
- 资源对业务不透明，业务在使用计算资源时，需要人为指定特定集群。人为选择集群的方式不仅麻烦，也会带来集群负载不均衡的问题；
- 由于资源不能统筹管理，资源整体利用率不高。资源自适应的目标是把能够把所有资源统一管理起来，对计算提供统一的资源池，对资源统一调度，打破集群间的隔离问题，实现对资源的公平共享，充分利用空闲资源，提高资源利用率，同时对业务透明化。
资源自适应主要包括集群间弹性伸缩和集群内资源调度。每个租户对应一个虚拟K8S集群，每个租户都有最低的资源保障，租户之间能借用资源，也可以借用集群空闲资源。通过自适应调配资源，打破集群间的隔离，充分利用不同业务的潮汐效应，错峰使用资源，提升整体的资源利用率。
06
数据编排自适应：
融合异构存储，自动查询加速
在公有云、私有云、内网不同场景中，大数据底层存储是异构的，主要涉及COS、HDFS、Ceph、Ozone等。面向异构化的存储，统一融合计算平台构建了一层统一的数据编排层（DOP），位于计算和存储之间，透明化存储差异。通过适配不同的权限和认证体系的统一的存储Client，解耦计算和存储，避免不同计算引擎和不同存储间的相互适配工作，让计算和存储更加专注。
在大数据场景中，每天产生海量的数据，而数据治理往往赶不上数据积累的速度，海量元数据以及小文件会给存储Master节点（例如HDFS NameNode）极大压力，造成性能抖动。数据编排层会自适应缓存存储元数据，以及自动小文件合并，减轻Master节点压力，同时在跨DC数据访问时，加速元数据访问，提升数据访问速度。
数据编排层会针对不同的场景通过热数据缓存，加速计算性能。在内网的ad-hoc场景中，采用LRU/LRFU相结合的数据缓存策略，整体计算性能加速比2.6倍，而对于 IO 密集的SQL，加速达6.2倍。
07
场景架构自适应：
多元混合，架构统一
SuperSQL通过完善的数据下推、自研的跨DC CBO，可在多云混部架构中构建出最优的计算路径，实现更高效、更安全的数据分析。SuperSQL支持多云混合架构、跨DC、及跨云的联合数据分析，可打破数据孤岛，实现跨DC、跨云的数据访问链路，助力客户实现最大化的数据价值。在腾讯内部应用场景测试中，可以有效地降低跨DC高峰时段网络流量约30%。
08
总结 & 未来规划
未来SuperSQL会持续专注在统一融合计算平台中，打造更快、更稳定、更易用的大数据自适应智能计算架构，具体会在以下方向上持续探索潜力：
- 计算任务自适应优化：根据任务本身的特点和历史相似任务的执行状态，通过自动调整计算参数，提升计算任务的稳定性和资源的使用效率。
- 计算运行时自适应计算框架：构建灵活的自适应计算运行时框架，让引擎动态调整计算执行拓扑，更好地适配不同的计算场景和复杂的计算环境。
- 热点查询智能缓存：自动学习业务SQL查询的Pattern，自适应地构造视图物化不同SQL的共同查询结果，加速（周期性）SQL执行性能。
- 高性能融合分布式计算框架：构建属于腾讯的大数据融合计算框架，成为多种计算模式的解决方案，作为一个真正的原生的可扩展的分布式框架。实现用一套代码自动切换不同的计算引擎，解耦业务和底层大数据引擎的强关联。
09
联系我们
如果你对SuperSQL的技术感兴趣，欢迎联系我们探讨。同时我们长期欢迎志同道合的资深大数据人才加入，联系方式：yikonchen@tencent.com（陈奕安）
