智能计算时代 | SuperSQL基于监督学习模型的自适应计算提效能力

腾讯大数据

发布于 2022-03-03 09:40:07

9780

发布于 2022-03-03 09:40:07

点击蓝字关注我们更多咨询

天穹SuperSQL是腾讯自研、基于统一SQL语言模型、面向机器学习智能调优、提供虚拟化数据和开放式计算引擎的大数据智能融合平台。在开放融合的Data Cloud上，业务方可以消费完整的数据生命周期（采集-存储-计算-分析-洞察），还能够满足位于不同数据中心、不同类型数据源的数据联合分析/即时查询的需求。

目前，SuperSQL已经迈入智能计算时代，SuperSQL能够基于规则匹配(RBO)与代价估算(CBO)，利用不同算法智能地为不同用户SQL挑选最合适的执行引擎，极大地优化SQL执行效率与大幅度降低失败计算带来的资源浪费。除此之外，SuperSQL已经能够利用强化学习模型获得历史SQL的执行结果，来决定当前用户SQL的最佳执行引擎。执行每个操作后，SuperSQL将收到机器学习算法反馈，确定所作的选择是否最优，从而实现大量小决策的自动化系统。总的来说，SuperSQL智能自适应计算是一个自动的、面向用户透明的，后端自我学习的过程，当前为典型现网业务SQL取得了7~16倍的性能提升，也降低了日均规避30%的失败SQL。

01为何需要自适应计算提效？

SuperSQL通过对接不同类型的外部计算（执行）引擎，来实现异构数据源之上的联邦查询和分析。例如，TDW Hive与社区Hive库表之间的Join，MySQL与PG库表的Union，等等。SuperSQL当前支持的分布式计算引擎，包括 Livy（底层对接Spark3）【1】、Hive (MapReduce）和Presto。SuperSQL用户可以通过下面的SET命令，来手动设置执行跨源查询时所使用的计算引擎：

// 支持 livy、presto和hive 三种引擎类型

// 默认为特殊值“auto”（不可通过参数设置），表示自动挑选引擎

set `supersql.execution.engine` = presto;

业务场景的复杂多样，以及各类引擎技术特性的明显区别（如下表），导致了单一引擎无法很好地满足所有用户的SQL执行需求，这也是SuperSQL设计之初引入多引擎对接框架的初衷。但很多情况下，针对具体的一条SQL语句，用户很难判断应该用哪个引擎来执行会更为高效，只能不断切换引擎重试，体验较差，使用门槛高。同时SQL执行的效率也较低（如失败、卡住、占用大量资源等）。针对这一瓶颈，SuperSQL V3.x版本新增实现了智能计算提效的优化，覆盖了SuperSQL对接的Presto、Spark与Hive MR计算引擎。

引擎类型	Presto	Livy（Spark3）	社区Hive
计算模型	MPP	DAG	MapReduce（暂不考虑Tez、LLAP）
适合SQL类型	DQL（select/with）	DQL，DML(insert/create-table-as-select/...)	DDL，元数据命令（show/desc/...)
SQL执行速度	快	介于Presto与MR之间	慢
支持数据量	中等	海量	海量
稳定性	一般（内存溢出、worker掉线等）	介于Presto与MR之间	好
跨源JDBC	缺少动态数据源添加，目前仅支持hdfs访问内部TDW/社区Hive库表	支持读写，如从用户MySQL导入数据到TDW，基于Spark JDBC DataSource	支持读取，暂不支持写入，基于Hive JDBC StorageHandler

02什么是智能计算提效？

SuperSQL智能计算提效，简单来讲就是系统智能选择计算引擎，以达到自动SQL提效的目的。具体地说，结合SQL语句的语法特征、访问库表的数据量、引擎的技术特性与实例负载等因素，SuperSQL智能地为不同的用户SQL，实时挑选最合适的计算引擎来执行，免去用户手动挑选的过程。这是一个多因子决策决策的过程，通过智能计算优化，用户不需要预先了解底层基础设施的状况和大数据计算引擎的知识，极大地降低了使用门槛，促进大数据服务的普及化。同时缩短SQL执行的时间（如小SQL使用Presto），和增强SQL执行的可靠性（如海量大SQL使用Spark）。

没有引入计算提效优化之前，SuperSQL默认的跨源计算引擎是Livy（Spark3），而单源SQL则是TDW Hive（THive）中的Spark 2.x。由于Spark Yarn资源申请的开销，不少轻量级、访问较小TDW库表的用户SQL，执行时间较为缓慢，用户体验不好。使用Presto引擎来自动加速这部分SQL，是当前SuperSQL计算提效的重点任务。

SuperSQL的整体系统架构与技术沙盘如上图，其中计算提效主要涉及的功能点高亮显示，具体包括：

1.语法兼容：为实现计算提效的用户透明性，SuperSQL扩展了其支持的SQL语法（Parser/Validator），兼容了绝大部分非ANSI标准的TDW SQL特殊语法。用户之前在IDEX、US等上层业务平台上保存的、以TDW语法书写、提交THive执行的SQL脚本，可以不用修改直接通过SuperSQL转发Presto执行，语法改写和适配由SuperSQL来完成。这里技术挑战主要在于TDW与Presto UDF语法或语义上的不匹配性、TDW部分表列名为SuperSQL保留字等。

2.提效判定：通过对某个SQL对应的最优物理计划树进行一系列的RBO匹配与检测，以及对执行计划树中的Scan或Join节点进行CBO大小估算，

这类SQL会自动回退Livy + Spark3（跨源）或者THive（单源）执行。这里技术难点主要是RBO规则的选定与CBO算子的代价（输出字节数）估算。

3.Presto扩展：社区Presto版本，其SQL语法与部分算子/UDF的计算结果，均与THive不相兼容。为此我们增强了Presto的兼容性，主要包括隐式类型转换和mapjoin/partition语法支持等。

03如何实现计算提效？

RBO/CBO提效框架

SuperSQL计算提效决策算法：在前序Calcite RBO/CBO VolcanoPlanner/HepPlanner【2】变换生成最优物理计划树之后，新增的一个独立优化阶段，与前序阶段无耦合。下表概括了SuperSQL当前判定Presto计算提效所使用的规则匹配和代价估算算法。这里RBO/CBO的决策的输出结果是：用户的SQL是否无法使用Presto进行计算提效。

RBO中所使用的规则定义，是基于开发测试经验总结归纳，目的是过滤Presto语法不兼容或没有执行性能优势的SQL。例如，SQL中包含Presto无法访问的Thive特殊格式表或Hive视图、Join的数量超过阈值（目前为3）、写操作等。由于Presto目前无法像THive那样确保LIMIT时返回最新分区的最新数据，含LIMIT/OFFSET的SQL当前还无法自动提效，这个功能我们正在实现。

CBO的作用是估算并过滤Scan（单表SQL）或Join（多表SQL）输入大小超过系统定义阈值的情况，避免单条SQL Presto执行过程中的内存溢出，或者占用大量系统资源影响其它SQL的执行。每次CBO提效检测之前，SuperSQL会通过JDBC API从对应的Presto集群获取实时负载信息，包括active worker节点数、单查询最大内存配置query.max-memory和query.max-memory-per-node参数值等。TDW库表或分区对应的统计信息（Stats），包含行数、字节数等，SuperSQL通过定制的Stats API从元数据库中获取。结合两者，CBO通过经验公式进行Scan/Join大小估算，并与阈值（经验值）对比。

目前SuperSQL的决策树算法正在迭代优化中，一是因为Presto资源是共享的，避免作业饿死的情况，二是Presto对THive兼容性度还在不断提升中。当前集合中的规则会不断迭代更新，后续越来越多的SQL走Presto计算提效。

TDW Stats获取

为支持SuperSQL实时获取THive或Hive库表的CBO统计信息（TDW Stats），我们扩展了统一元数据库的服务端处理器与客户端SDK，目的是把这块专有逻辑与之前的HMS（Hive Metastore Service）通用标准实现隔离，从而不影响现网其它使用服务使用元数据。其中客户端基于独立的thrift接口定义文件开发，而服务端针对thive特殊分区格式（range/hash/多级list）开发了基于聚合与边界切分的分区过滤条件Stats估算，即支持SuperSQL输入一个或多个分区字段之上的Filter条件，计算输出该条件对应的Stats估算值。

失败failover

当Presto提效SQL因异常原因执行失败时，为降低对用户的影响，SuperSQL实现了自动切换其它引擎重试执行（failover）的机制，减轻用户手动变换引擎的负担，具体规则如下：

1.THive SQL：如果用户SQL中访问的所有库表都是THive表，提交THive Server重试。THive会先用其Spark 2.x引擎重新执行该SQL，如果再次失败则转用MR。

2.Thive + Hive SQL：如果用户SQL同时访问了THive和社区Hive库表，或者只访问了社区Hive库表，提交Livy + Spark3重试。

04提效效果

目前天穹Presto现网集群日均执行SQL数10W+查询。以其中某一集群为例，每日约1.6W+次查询，P65的SQL查询耗时在10s以内，P90的查询耗时为50s，每日查询涉及到约5000张TDW Hive表、处理数据量约1.8PB、记录数约44W亿。在目前比较温和的决策树算法下，根据典型业务流水统计， 25%的查询SQL会路由到Presto，完成计算加速，性能提升多达7倍。

Presto vs Hive

下图显示了当前内部某业务的提效效果。典型的不同类型的业务SQL，在SuperSQL计算提效加持下，取得平均多达16倍的性能提升。

Presto vs THive

以下是通过Presto及THive执行的部分现网业务SQL的查询性能对比，Presto相比THive on Spark、THive on MR分别能有7倍、18倍的平均性能提升（均去掉2个最高值和2个最低值）：

05总结

Presto的监督学习决策树算法实现了SuperSQL在智能引擎选择方向上从0到1的突破。2022年年初，我们已经在集团内部利用强化学习模型（HBO）实现更复杂的执行优化，实现提效降本的目标【3】。未来我们会在机器学习的方向上持续演进，通过检测大数据计算过程中的每一步操作，提升引擎选择框架的灵活性（规则模板）、可扩展性（规则可热拔插）与通用性（公共引擎适配层），进一步深化SuperSQL在大数据计算领域的智能化。

06联系我们

如果你对SuperSQL感兴趣，欢迎联系我们探讨技术。同时我们长期热烈欢迎大数据人才加入，欢迎咨询。联系方式：yikonchen@tencent.com