• 三、Doris数据模型


    DorisDB根据摄入数据和实际存储数据之间的映射关系, 将数据表的明细表, 聚合表和更新表, 分别对应有明细模型, 聚合模型和更新模型。

    • Aggregate (聚合模型) : 将表中的列分为了Key和Value两种,数据会根据维度列进行分组,并对指标列进行聚合。
    • Unique    (唯一主键模型)
    • Duplicate (明细模型)

    其它提升效率的方式:

    • 构建Rollup
    • 前缀索引与 ROLLUP

     

    Aggregate(聚合模型)


       一个正常的模型它肯定会把明细的数据存储在一个数据库中,也就是存在Doris中。但是因为Doris它最早是给凤巢的一个广告报表做的,广告报表有一个很大的特点,就是它只关心统计分析的结果,而不太关心明细的数据,所以Doris最早一代的数据模型,是一个聚合的模型。

      聚合模型的特点就是将表中的列分为了Key和Value两种Key 就是数据的维度列,比如时间,地区等等。 Value 则是数据的指标列,比如点击量,花费等。每个指标列还会有自己的聚合函数,包括sum、min、max和bitmap_union 等。数据会根据维度列进行分组,并对指标列进行聚合。如下图

    •  

     表中的列按照是否设置了 AggregationType,分为 Key (维度列) 和 Value(指标列)。没有设置 AggregationType 的,如 user_id、date、age ... 等称为 Key,而设置了 AggregationType 的称为 Value。  

     如果转换成建表语句则如下(省略建表语句中的 Partition 和 Distribution 信息)

     1 CREATE TABLE IF NOT EXISTS example_db.expamle_tbl
     2 (
     3     `user_id`  LARGEINT  NOT NULL COMMENT "用户id",
     4     `date`      DATE      NOT NULL COMMENT "数据灌入日期时间",
     5     `city`     VARCHAR(20)       COMMENT "用户所在城市",
     6     `age`      SMALLINT          COMMENT "用户年龄",
     7     `sex`      TINYINT           COMMENT "用户性别",
     8     `last_visit_date` DATETIME REPLACE  DEFAULT "1970-01-01 00:00:00" COMMENT "用户最后一次访问时间",
     9     `cost`            BIGINT    SUM      DEFAULT "0"                   COMMENT "用户总消费",
    10     `max_dwell_time`  INT       MAX       DEFAULT "0"                   COMMENT "用户最大停留时间",
    11     `min_dwell_time`  INT       MIN      DEFAULT "99999"               COMMENT "用户最小停留时间",
    12 )
    13 AGGREGATE KEY(`user_id`, `date`, `city`, `age`, `sex`)
    14 ... /* 省略 Partition 和 Distribution 信息 */

     

    聚合模型的数据在Doris的3种机制下都会发生聚和

    • 导入
    • Compaction(合并)
    • 查询

    数据导入:

    • 原始数据在导入过程中,会根据表结构中的Key进行分组,相同Key的Value会根据表中定义的Aggregation Function进行聚合。如下图
    • 由于Doris采用的是MVCC(Multi-version Cocurrent Control,多版本并发控制)机制进行的并发控制所以每一次新的导入都是一个新的版本。我们把这种版本称为 Singleton。


    Compaction:

    • 不断的导入新的数据后,尽管同一批次的数据在导入过程中已经发生了聚合但不同版本之间的数据依旧存在维度列相同但是指标列并没有被聚合的情况。这时候就需要通过Compaction机制进行二次聚合。
    •  

      Compaction 的意思其实就是将不同版本的数据进行合并它 分为两个阶段:

    • 第一个阶段是: Singleton的数据版本个数到达Doris设置的阈值时,就会触发 Cumulative 级别的Compaction 这个级别的Compaction会将一个区间段内的版本数据根据定义好的聚合函数进行再聚合。
      • 例如: Cumulative Compaction 会将61~70的这10个Singleton版本的数据合并成一个版本。这个版本的范围就是61~70。
    • 经过Cumulative Compaction后的数据已经合并多个区间内的版本,但并没有最终合并成一个版本。这时候就需要 Base Compaction 来对已经完成Cumulative Compaction的版本做一个最终的合并
      • 例如: 上图中的Base Compaction已经完成后第0个版本到第60个版本的聚合。那么下一次的Base Compaction 就是把61~70这个已经完成Cumulative合并的版本和 0~60版本再进行一个Base Compaction,最终生成一个0~70的版本。

    查询:

    • 由于Compaction是异步后台执行的在用户查询之前数据还并未合并在同一个版本中,而是存在于多个版本中的。所以用户查询数据的时候,为了保证查询结果的正确性,Doris会把从0到当前最新版本的数据都读出来然后再做一次聚合,最后将结果返回给用户
    • 例如: 有一个订单表,以订单id为维度列,订单的状态为指标列,且聚合函数为Replace,也就是当订单id相同时,新订单状态覆盖旧的订单状态。

    • 这时候版本0~30中订单1的状态可能是待付款,版本31~35中订单1的状态是已收货,最后一个版本36中订单1的状态是已完成。 那么用户在查询每个订单状态的时候,不同版本之间的数据就需要进行一个Replace, 取最后一个版本中的已完成状态作为查询的结果。 

      

    Uniq 模型(唯一主键)


    在某些多维分析场景下,用户更关注的是如何保证 Key 的唯一性,即如何获得 Primary Key 唯一性约束。因此,我们引入了 Uniq 的数据模型该模型本质上是聚合模型的一个特例,也是一种简化的表结构表示方式。举例说明: 

     这是一个典型的用户基础信息表。这类数据没有聚合需求,只需保证主键唯一性。(这里的主键为 user_id + username),建表语法如下:

     1 CREATE TABLE IF NOT EXISTS example_db.expamle_tbl
     2 (
     3     `user_id`  LARGEINT    NOT NULL COMMENT "用户id",
     4     `username` VARCHAR(50) NOT NULL COMMENT "用户昵称",
     5     `city`     VARCHAR(20)          COMMENT "用户所在城市",
     6     `age`      SMALLINT             COMMENT "用户年龄",
     7     `sex`      TINYINT              COMMENT "用户性别",
     8     `phone`    LARGEINT             COMMENT "用户电话",
     9     `address`  VARCHAR(500)         COMMENT "用户地址",
    10     `register_time` DATETIME        COMMENT "用户注册时间"
    11 )
    12 UNIQUE KEY(`user_id`, `user_name`)
    13 ... /* 省略 Partition 和 Distribution 信息 */

     而这个表结构,完全同等于以下使用聚合模型描述的表结构:

    •   

     即 Uniq 模型完全可以用聚合模型中的 REPLACE 方式替代。其内部的实现方式和数据存储方式也完全一样

     

     Duplicate (明细模型)


    在某些多维分析场景下,数据既没有主键,也没有聚合需求。因此,我们引入 Duplicate 数据模型来满足这类需求。举例说明

    建表语句:

     1 CREATE TABLE IF NOT EXISTS example_db.expamle_tbl
     2 (
     3     `timestamp`  DATETIME NOT NULL COMMENT "日志时间",
     4     `type`         INT       NOT NULL COMMENT "日志类型",
     5     `error_code`   INT               COMMENT "错误码",
     6     `error_msg`    VARCHAR(1024)     COMMENT "错误详细信息",
     7     `op_id`        BIGINT            COMMENT "负责人id",
     8     `op_time`      DATETIME          COMMENT "处理时间"
     9 )
    10 DUPLICATE KEY(`timestamp`, `type`)
    11 ... /* 省略 Partition 和 Distribution 信息 */

      

    这种数据模型区别于 Aggregate 和 Uniq 模型。数据完全按照导入文件中的数据进行存储,不会有任何聚合。即使两行数据完全相同,也都会保留。 而在建表语句中指定的 DUPLICATE KEY,只是用来指明底层数据按照那些列进行排序。(更贴切的名称应该为 “Sorted Column”,这里取名 “DUPLICATE KEY” 只是用以明确表示所用的数据模型 )

    明细模型就像Mysql中的表一样,优势就在于你可以详细追溯每个用户行为或订单详情。但劣势也很明显,分析型的查询效率不高。    

      

    构建Rollup:


      ROLLUP 在多维分析中是“上卷”的意思,也就是从细粒度的数据向高层的聚合

      在 Doris 中,我们将用户通过建表语句创建出来的表成为 Base 表(Base Table),Base 表中保存着按用户建表语句指定的方式存储的基础数据。在 Base 表之上,我们可以创建任意多个 ROLLUP 表。这些 ROLLUP 的数据是基于 Base 表产生的,并且在物理上是独立存储的。

      Rollup还有一点好处在于,由于Doris具有在原始数据上实时计算的能力,因此不需要对所有维度的每个组合都创建Rollup。尤其是在维度很多的情况下,可以取得一个存储空间和查询效率之间的平衡。

    举例:Aggregate 和 Uniq 模型中的 ROLLUP, 因为 Uniq 只是 Aggregate 模型的一个特例,所以这里我们不加以区别

    •  

    例如: 在刚才的广告点击率表上选取 城市 和 广告id 作为维度列构建一个Rollup表。

    • 那么不同时间的相同 广告id ,就会再次进行聚合。比如12月31日和1月1日在美国对广告1的点击量就会相加得到40这个总和。
    • 在导入新数据的过程中:为保证Rollup表和原始表的数据一致性。新增数据会同时导入Base表和Rollup表。对Rollup表的更新并不是拿整个Base数据重新构建一遍Rollup,而是增量更新
      • 例如: 12月31日广告1在美国的点击量增加一次,则Base表中的点击量就会变成11,而Rollup表中的点击量就会变成41。
    • 查询的时候会根据查询需要的维度列以及聚合方式,自动匹配到最优的(一般就是聚合程度最高的)Rollup表。由于聚合数据已经提前计算好了,所以Rollup是一个能加快查询效率的功能。
      • 例如: 如果想要分析每条广告在不同国家的点击量,Doris就会自动命中这个 ROLLUP 表,从而只需扫描极少的数据量,即可完成这次聚合查询。

     

    Duplicate 模型中的 ROLLUP

     因为 Duplicate 模型没有聚合的语意。所以该模型中的 ROLLUP,已经失去了“上卷”这一层含义。而仅仅是作为调整列顺序,以命中前缀索引的作用

     

     前缀索引与 ROLLUP


     不同于传统的数据库设计,Doris 不支持在任意列上创建索引。Doris 这类 MPP 架构的 OLAP 数据库,通常都是通过提高并发,来处理大量数据的。

     本质上,Doris 的数据存储在类似 SSTable(Sorted String Table)的数据结构中。该结构是一种有序的数据结构,可以按照指定的列进行排序存储。在这种数据结构上,以排序列作为条件进行查找,会非常的高效。 

     在 Aggregate、Uniq 和 Duplicate 三种数据模型中。底层的数据存储,是按照各自建表语句中,AGGREGATE KEY、UNIQ KEY 和 DUPLICATE KEY 中指定的列进行排序存储的

     而前缀索引,即在排序的基础上,实现的一种根据给定前缀列,快速查询数据的索引方式。

     因为建表时已经指定了列顺序,所以一个表只有一种前缀索引。这对于使用其他不能命中前缀索引的列作为条件进行的查询来说,效率上可能无法满足需求。因此,我们可以通过创建 ROLLUP 来人为的调整列顺序。举例说明

     Base 表结构如下:

    •  

     我们可以在此基础上创建一个 ROLLUP 表: 

    •  

    可以看到,ROLLUP 和 Base 表的列完全一样,只是将 user_id 和 age 的顺序调换了。那么当我们进行如下查询时:

    • SELECT * FROM table where age=20 and massage LIKE "%error%";

    会优先选择 ROLLUP 表,因为 ROLLUP 的前缀索引匹配度更高。

     

    数据模型小结: 


      1、聚合模型特点与适合场景:

    • 老数据不会被更新,只会追加新数据
    • 不需要召回原始的明细数据
    • 业务方进行的查询为汇总类查询
    • 场景如:网站或App的访问流量、广告点击总量等

    2、唯一主键模型特点与适合场景:

    • 已经写入的数据有大量的更新需求;
    • 注意事项:
      • 导入数据时需要将所有字段补全才能够完成更新操作
      • 对于更新模型的数据读取,需要在查询时完成多版本合并,当版本过多时会导致查询性能降低。所以在向更新模型导入数据时,应该适当降低导入频率,从而提升查询性能。
      • 因为合并过程需要将所有主键字段进行比较,所以应该避免放置过多的主键字段,以免降低查询性能。

    3、明细模型特点与适合场景:

    • 明细模型表中导入完全相同的两行数据时,DorisDB会认为是两行数据
    • 需要保留原始的数据(例如原始日志,原始操作记录等)来进行分析的场景
    • 注意:
      • 充分利用排序列,在建表时将经常在查询中用于过滤的列放在表的前面,这样能够提升查询速度。
      • 明细模型中, 可以指定部分的维度列为排序键; 而聚合模型和更新模型中, 排序键只能是全体维度列

    4、数据模型的选择建议

    • 因为数据模型在建表时就已经确定,且无法修改。所以,选择一个合适的数据模型非常重要
    • Aggregate 模型可以通过预聚合,极大地降低聚合查询时所需扫描的数据量和查询的计算量,非常适合有固定模式的报表类查询场景。但是该模型对 count(*) 查询很不友好。同时因为固定了 Value 列上的聚合方式,在进行其他类型的聚合查询时,需要考虑语意正确性。
    • Uniq 模型针对需要唯一主键约束的场景,可以保证主键唯一性约束。但是无法利用 ROLLUP 等预聚合带来的查询优势(因为本质是 REPLACE,没有 SUM 这种聚合方式)
    • Duplicate 适合任意维度的 Ad-hoc 查询。虽然同样无法利用预聚合的特性,但是不受聚合模型的约束,可以发挥列存模型的优势(只读取相关列,而不需要读取所有 Key 列)

     5、ROLLUP 小结:

    • ROLLUP 最根本的作用是提高某些查询的查询效率无论是通过聚合来减少数据量,还是修改列顺序以匹配前缀索引)。因此 ROLLUP 的含义已经超出了 “上卷” 的范围。这也是为什么我们在源代码中,将其命名为 Materized Index(物化索引)的原因。
    • ROLLUP 是附属于 Base 表的,可以看做是 Base 表的一种辅助数据结构。用户可以在 Base 表的基础上,创建或删除 ROLLUP,但是不能在查询中显式的指定查询某 ROLLUP。是否命中 ROLLUP 完全由 Doris 系统自动决定
    • ROLLUP 的数据是独立物理存储的。因此,创建的 ROLLUP 越多,占用的磁盘空间也就越大。同时对导入速度也会有影响(导入的ETL阶段会自动产生所有 ROLLUP 的数据),但是不会降低查询效率(只会更好)。
    • ROLLUP 的数据更新与 Base 表示完全同步的。
    • ROLLUP 中列的聚合方式,与 Base 表完全相同。在创建 ROLLUP 无需指定,也不能修改。
    • 查询能否命中 ROLLUP 的一个必要条件(非充分条件)是,查询所涉及的所有列(包括 select list 和 where 中的查询条件列等)都存在于该 ROLLUP 的列中。否则,查询只能命中 Base 表。
    • 某些类型的查询(如 count(*))在任何条件下,都无法命中 ROLLUP
    • 可以通过 EXPLAIN your_sql; 命令获得查询执行计划,在执行计划中,查看是否命中 ROLLUP
    • 可以通过 DESC tbl_name ALL; 语句显示 Base 表和所有已创建完成的 ROLLUP
    • 这里Rollup说明的补充Rollup

    Flag:

    • 比较适合于Once Write 的场景
    • 交易订单存在多次更新的场景,同时也存在着按维度聚合的场景,好象并不适合此组件?

    参考资料


  • 相关阅读:
    感想篇:4)越来越精简的机械设计
    标准结构篇:5)热(散热)设计
    标准结构篇:4)EMC电磁兼容
    标准结构篇:2)O型橡胶密封圈
    进阶篇:1)制造发展阶段与对设计的要求
    标准结构篇:1)选用标准化的结构
    高阶篇:8.2)注塑模具讨论要点(讨模评审)
    基础篇:2.1)设计的深度-最小特征
    高阶篇:8.3)塑胶件试模
    高阶篇:8)注射模具开模流程总章
  • 原文地址:https://www.cnblogs.com/tgzhu/p/14752926.html
Copyright © 2020-2023  润新知