需求场景
大部分数据分析场景是写少读多，数据写入一次，多次频繁读取，例如一张报表涉及的维度和指标，数据在凌晨一次性计算好，但每天有数百甚至数千次的页面访问，因此非常适合把结果集缓存起来。在数据分析或BI应用中，存在下面的业务场景：
高并发场景，Doris 可以较好的支持高并发，但单台服务器无法承载太高的 QPS。
复杂图表的看板，复杂的 Dashboard 或者大屏类应用，数据来自多张表，每个页面有数十个查询，虽然每个查询只有数十毫秒，但是总体查询时间会在数秒。
趋势分析，给定日期范围的查询，指标按日显示，例如查询最近7天内的用户数的趋势，这类查询数据量大，查询范围广，查询时间通常需要数十秒。
用户重复查询，如果产品没有防重刷机制，用户因手误或其他原因重复刷新页面，导致提交大量的重复的 SQL。
以上四种场景，在应用层的解决方案，把查询结果放到 Redis 中，周期性的更新缓存或者用户手工刷新缓存，但是这个方案有如下问题：
数据不一致，无法感知数据的更新，导致用户经常看到旧的数据。
命中率低，缓存整个查询结果，如果数据实时写入，缓存频繁失效，命中率低且系统负载较重。
额外成本，引入外部缓存组件，会带来系统复杂度，增加额外成本。
解决方案
本分区缓存策略可以解决上面的问题，优先保证数据一致性，在此基础上细化缓存粒度，提升命中率，因此有如下特点：
用户无需担心数据一致性，通过版本来控制缓存失效，缓存的数据和从 BE 中查询的数据是一致的。
没有额外的组件和成本，缓存结果存储在 BE 的内存中，用户可以根据需要调整缓存内存大小。
实现了两种缓存策略，SQLCache 和 PartitionCache，后者缓存粒度更细。
用一致性哈希解决 BE 节点上下线的问题，BE 中的缓存算法是改进的 LRU。
SQLCache
SQLCache 按 SQL 的签名、查询的表的分区 ID、分区最新版本来存储和获取缓存。三者组合确定一个缓存数据集，任何一个变化了，如 SQL 有变化，如查询字段或条件不一样，或数据更新后版本变化了，会导致命中不了缓存。
如果多张表 Join，使用最近更新的分区 ID 和最新的版本号，如果其中一张表更新了，会导致分区 ID 或版本号不一样，也一样命中不了缓存。
SQLCache，更适合 T+1更新的场景，凌晨数据更新，首次查询从 BE 中获取结果放入到缓存中，后续相同查询从缓存中获取。实时更新数据也可以使用，但是可能存在命中率低的问题，可以参考如下 PartitionCache。
PartitionCache
设计原理
1. SQL 可以并行拆分，Q = Q1 ∪ Q2 ... ∪ Qn，R= R1 ∪ R2 ... ∪ Rn，Q 为查询语句，R 为结果集。
2. 拆分为只读分区和可更新分区，只读分区缓存，更新分区不缓存。
如上，查询最近7天的每天用户数，如按日期分区，数据只写当天分区，当天之外的其他分区的数据，都是固定不变的，在相同的查询 SQL 下，查询某个不更新分区的指标都是固定的。如下，在2020-03-09当天查询前7天的用户数，2020-03-03至2020-03-07的数据来自缓存，2020-03-08第一次查询来自分区，后续的查询来自缓存，2020-03-09因为当天在不停写入，所以来自分区。
因此，查询 N 天的数据，数据更新最近的 D 天，每天只是日期范围不一样相似的查询，只需要查询 D 个分区即可，其他部分都来自缓存，可以有效降低集群负载，减少查询时间。
MySQL [(none)]> SELECT eventdate,count(userid) FROM testdb.appevent WHERE eventdate>="2020-03-03" AND eventdate<="2020-03-09" GROUP BY eventdate ORDER BY eventdate;+------------+-----------------+| eventdate | count(`userid`) |+------------+-----------------+| 2020-03-03 | 15 || 2020-03-04 | 20 || 2020-03-05 | 25 || 2020-03-06 | 30 || 2020-03-07 | 35 || 2020-03-08 | 40 | //第一次来自分区，后续来自缓存| 2020-03-09 | 25 | //来自分区+------------+-----------------+7 rows in set (0.02 sec)
在 PartitionCache 中，缓存第一级 Key 是去掉了分区条件后的 SQL 的128位 MD5签名，下面是改写后的待签名的 SQL：
SELECT eventdate,count(userid) FROM testdb.appevent GROUP BY eventdate ORDER BY eventdate;
缓存的第二级 Key 是查询结果集的分区字段的内容，例如上面查询结果的 eventdate 列的内容，二级 Key 的附属信息是分区的版本号和版本更新时间。
下面演示上面 SQL 在2020-03-09当天第一次执行的流程：
1. 从缓存中获取数据。
+------------+-----------------+| 2020-03-03 | 15 || 2020-03-04 | 20 || 2020-03-05 | 25 || 2020-03-06 | 30 || 2020-03-07 | 35 |+------------+-----------------+
2. 从 BE 中获取数据的 SQL 和数据。
SELECT eventdate,count(userid) FROM testdb.appevent WHERE eventdate>="2020-03-08" AND eventdate<="2020-03-09" GROUP BY eventdate ORDER BY eventdate;+------------+-----------------+| 2020-03-08 | 40 |+------------+-----------------+| 2020-03-09 | 25 |+------------+-----------------+
3. 最后发送给终端的数据。
+------------+-----------------+| eventdate | count(`userid`) |+------------+-----------------+| 2020-03-03 | 15 || 2020-03-04 | 20 || 2020-03-05 | 25 || 2020-03-06 | 30 || 2020-03-07 | 35 || 2020-03-08 | 40 || 2020-03-09 | 25 |+------------+-----------------+
4. 发送给缓存的数据。
+------------+-----------------+| 2020-03-08 | 40 |+------------+-----------------+
Partition 缓存，适合按日期分区，部分分区实时更新，查询 SQL 较为固定。分区字段也可以是其他字段，但是需要保证只有少量分区更新。
使用限制
只支持 OlapTable，其他存储如 MySQL 的表没有版本信息，无法感知数据是否更新。
只支持按分区字段分组，不支持按其他字段分组，按其他字段分组，该分组数据都有可能被更新，会导致缓存都失效。
只支持结果集的前半部分、后半部分以及全部命中缓存，不支持结果集被缓存数据分割成几个部分。
使用方式
开启 SQLCache
1. 确保 fe.conf 的 cache_enable_sql_mode=true（默认是 true）。
vim fe/conf/fe.confcache_enable_sql_mode=true
2. 在 MySQL 命令行中设置变量。
MySQL [(none)]> set [global] enable_sql_cache=true;
注意
global 是全局变量，不加指当前会话变量。
开启 PartitionCache
1. 确保 fe.conf 的 cache_enable_partition_mode=true(默认是 true)。
vim fe/conf/fe.confcache_enable_partition_mode=true
2. 在 MySQL 命令行中设置变量。
MySQL [(none)]> set [global] enable_partition_cache=true;
如果同时开启了两个缓存策略，下面的参数，需要注意一下:
cache_last_version_interval_second=900
如果分区的最新版本的时间离现在的间隔，大于 cache_last_version_interval_second，则会优先把整个查询结果缓存。如果小于这个间隔，如果符合 PartitionCache 的条件，则按 PartitionCache 数据。
监控
FE 的监控项：
query_table //Query中有表的数量query_olap_table //Query中有Olap表的数量cache_mode_sql //识别缓存模式为sql的Query数量cache_hit_sql //模式为sql的Query命中Cache的数量query_mode_partition //识别缓存模式为Partition的Query数量cache_hit_partition //通过Partition命中的Query数量partition_all //Query中扫描的所有分区partition_hit //通过Cache命中的分区数量Cache命中率 = （cache_hit_sql + cache_hit_partition) / query_olap_tablePartition命中率 = partition_hit / partition_all
BE 的监控项：
query_cache_memory_total_byte //Cache内存大小query_query_cache_sql_total_count //Cache的SQL的数量query_cache_partition_total_count //Cache分区数量SQL平均数据大小 = cache_memory_total / cache_sql_totalPartition平均数据大小 = cache_memory_total / cache_partition_total
其他监控：
可以从 Grafana 中查看 BE 节点的 CPU 和内存指标，Query 统计中的 Query Percentile 等指标，配合 Cache 参数的调整来达成业务目标。
优化参数
FE 的配置项 cache_result_max_row_count，查询结果集放入缓存的最大行数，可以根据实际情况调整，但建议不要设置过大，避免过多占用内存，超过这个大小的结果集不会被缓存。
vim fe/conf/fe.confcache_result_max_row_count=3000
BE 最大分区数量 cache_max_partition_count，指每个 SQL 对应的最大分区数，如果是按日期分区，能缓存2年多的数据，假如想保留更长时间的缓存，请把这个参数设置得更大，同时修改 cache_result_max_row_count 的参数。
vim be/conf/be.confcache_max_partition_count=1024
BE 中缓存内存设置，有两个参数 query_cache_max_size 和 query_cache_elasticity_size 两部分组成（单位：MB），内存超过 query_cache_max_size + cache_elasticity_size 会开始清理，并把内存控制到 query_cache_max_size 以下。可以根据 BE 节点数量，节点内存大小，和缓存命中率来设置这两个参数。
query_cache_max_size_mb=256query_cache_elasticity_size_mb=128
计算方法：
假如缓存10K 个 Query，每个 Query 缓存1000行，每行是128个字节，分布在10台 BE 上，则每个 BE 需要128M 内存（10K1000128/10）。
注意事项
T+1 的数据，目前不支持使用 Partition 缓存。
类似的 SQL，之前查询了2个指标，现在查询3个指标，目前不支持利用2个指标的缓存 。
按日期分区，但是需要按周维度汇总数据，目前不支持 PartitionCache。