列存数据库 Code Generation & Vectorized Model

Push Base Pull Base

1 Code Generation & Vectorized Model

很多同学认为,笔者之前也这么认为(才疏学浅)

1 Volcano Model 不能和向量化兼容

2 Pull Base Model 不能和向量化兼容

3 Code Generation 技术不能与向量化兼容

4 向量化只能和 PipeLine Mode 兼容

现在个人只是储备来看,向量化跟以上是都可以兼容的,所有引擎是可以简单都理解为是Valcano Model 的变种吧

列存 vs 行存

1 Batter Compresion Ratio

2 Mini IO (Projection Parttion Prunning 、Predicate Push Down/Filter)

之前的误解

1 个人之前的理解是 Push Engine 是最好的,因为是数据驱动的计算,目前个人理解来看现在的数据库两者都可,没有太大对错

2 之前的理解为必须实现Push Engine 才能实现深度得向量化引擎,目前个人理解就是不冲突

1 Push Base Engine == Pipeline Engine

2 Pull Base Engine == Valcano Model 升级吧这里不是完全正确(我理解目前没有完全好的一个名字替代它可以叫 Spark SQL Engine)

两级分化,因为Code Generation 和 Vetorized Model 的使用偏重,出现了组合拳,但是很多人理解他们水火不融,个人理解可以为

1 PipeLine Engine == Vectorized Model (主) Code Generation Model (辅)

2 Spark Engine = Code Generation Model(主) Vetorizied Model (辅)

PipeLine Engine 是向量化驱动,CodeGen 优化虚函数, Spark Engine 是 CodeGen 驱动, 向量化跟进, 都有向量化的能力,都有Code Genration 的能力

准确应该叫

Spark = Whole-Stage Code Generation Vectorization

ClickHouse = Vectorization Runtime Code Generation

Vectorized Model:解决复杂的数据处理逻辑(Function)

Code Generation: 解决简单的上下文切换 (数据装箱、虚函数多态)

Whole-Stage Code Generation: SQL语句编译后的operator-tree中，每个operator执行时就不是自己来执行逻辑了，而是通过whole-stage code generation技术，动态生成代码

Runtime Code Generation: ClickHouse实现了Expression级别的runtime codegen

PipeLine : ClickHouse 为主、DuckDB、TiFlash 向量化(不过其加入了MPP)、DataBend、StarRocks 新版、Doris 新版

Valcano Model: Impala 、TiDB、StarRocks 旧版、Doris 旧版、PG、Spark

位置: ADB .... 、Snowflake、DataBricks、Velox

欢迎批评指正

学习来源

https://www.youtube.com/watch?v=FrspnYbFSxQ

https://www.bilibili.com/video/BV1ed4y1d7DR/?spm_id_from=333.788&vd_source=868cb9f482f5dcef86edeeddc5cab9e3

https://www.slideshare.net/databricks/vectorized-query-execution-in-apache-spark-at-facebook

https://hyperj.net/note.sql-engine/special/columnar-and-vectorization/

https://juejin.cn/post/7103061067743363085

0 人点赞