简介： Spark SQL 作为 Spark 用来处理结构化数据的一个基本模块，已经成为多数企业构建大数据应用的重要选择。但是，在大规模连接（Join）、聚合（Aggregate）等工作负载下，Spark 性能会面临稳定性和性能方面的挑战。
Spark SQL 作为 Spark 用来处理结构化数据的一个基本模块，已经成为多数企业构建大数据应用的重要选择。但是，在大规模连接（Join）、聚合（Aggregate）等工作负载下，Spark 性能会面临稳定性和性能方面的挑战。
为了提升 Spark SQL 的性能，用户可以选择使用英特尔® 优化分析包（Optimized Analytics Package，OAP）以及英特尔® 傲腾™ 持久内存和新一代英特尔® 至强® 处理器来改善典型 Spark SQL 工作负载的运行效率。
Spark SQL 面临多场景性能瓶颈
IDC 报告显示，全球数据规模将从2019年的45 ZB 增长到2025年的175 ZB ，2020年创建、捕获和消耗的数据量估计过 59 ZB。在数据快速移动、迅猛增长的趋势下，企业需要使用先进的分析技术来实时处理数据以获得实时的业务洞察力。大数据分析技术的新发展与革命性新硬件的问世，显著提高了大数据分析性能，使得数据科学家、分析师和业务用户能够获得更深刻的业务洞察。
作为面向大规模数据处理而设计的快速通用的计算引擎，Spark 具有开源、经济、灵活等优点，常用来构建大型、低延迟的数据分析应用程序。但是，Spark 在特定场景下依然会面临性能挑战，特别是当处理特大规模数据及交互式查询时。例如，由于缺少高性能缓存方案，数据 I/O 很容易成为瓶颈。此外，Spark Shuffle 也常常因为大量的较小随机磁盘 IO、序列化、网络数据传输成为性能瓶颈，导致作业延迟大幅增加，进而影响工作负载性能。
新兴的硬件技术可以帮助解决这些挑战。例如，高级矢量扩展（AVX）功能使 Spark 能够利用 SIMD 同时处理更多的数据来加快执行速度，而英特尔® 傲腾™ 持久内存可以利用其高性能，大容量和低延迟创新的突破性组合来提高 Spark SQL 性能。OAP（优化分析包）是英特尔和社区开发的一个开源项目，旨在借助先进的英特尔处理器、内存和存储以及网络技术，通过数据源缓存、SQL 索引、Native SQL 引擎、MLlib 优化等创新软件功能提高 Spark 性能，以解决 Spark 核心和相关组件面临的计算和 I/O挑战。
英特尔 Spark 优化分析包（OAP）
英特尔® 优化分析包（OAP）是英特尔和社区开发的开源项目，旨在提高 Spark 性能。它基于先进的英特尔硬件技术，提供了多种功能来改善 Spark 高速缓存、Shuffle、执行和机器学习性能。如下图1显示了 OAP 架构，它包括以下组件：OAP 数据源高速缓存、Native SQL 引擎、Arrow 数据源、OAP MLlib、RDD 高速缓存、RPMem Shuffle 和远端 Shuffle。
- SQL 数据源高速缓存： 一种优化的扩展包，通过在 Spark SQL 数据源层使用高速缓存技术来提升 Spark SQL 性能。
- Native 执行引擎： Spark SQL 的 Native 引擎将 Spark 行数处理转为列式处理，并借助矢量化 SIMD 以及 Arrow 数据格式进行加速。
- MLlib： Vanilla Spark MLlib 的替代版本，通过oneDAL、oneMKL 和 oneCCL 进行了优化。
- RDD 高速缓存、RPMem Shuffle 等功能：通过借助持久内存的大容量、高性能等特点来避免存储溢出（包括 RDD 高速缓存、溢出、中间数据），提高 Spark 性能。
- 远端 Shuffle： 支持远端 Shuffle 和基于持久内存的 Shuffle。
OAP 数据源高速缓存
数据源高速缓存（SQL DataSource Cache）旨在利用用户定义的索引和智能细粒度内存数据高速缓存来提高 Spark SQL 性能（如图2所示），主要目的是解决交互式查询和批处理作业的性能问题。
- 交互式查询
大多数用户使用 Spark SQL 作为批处理引擎。但作为一个统一处理引擎，很难与非批处理区分。交互式查询需要在几秒、甚至几亚秒内返回数据，而非批处理所需的几分钟、甚至几小时。这对于当前的 Spark SQL 数据处理来说是一个很大的挑战。交互式查询通常处理较大的数据集，但在通过特定条件过滤后只返回一小部分数据。通过为关键列创建和存储完整的 B+ 树索引，并使用智能细粒度内存数据高速缓存策略，Spark SQL 交互式查询处理时间可以显著缩短
- 批处理作业
对于在数据仓储中使用 Spark SQL 进行业务分析的用户，OAP SQL 数据源高速缓存可以通过两种可配置的高速缓存策略来加速批处理作业：
• 自动高速缓存热数据。
• 专门高速缓存热表。
SQL 索引和数据源高速缓存为不同列式存储格式提供统一的高速缓存表示形式，并设计了针对 RowGroup 中单列的细粒度高速缓存单元。同时，它为两种列存储文件格式 Parquet 和 ORC 设计了兼容的适配器层，索引和高速缓存都构建在统一表示形式和适配器之上。
OAP 数据源高速缓存架构设计
数据源高速缓存可以高速缓存已解压缩和已解码的矢量化数据以及二进制原始数据。一般来说，DRAM 通常在 Spark 集群中用作高速缓存介质，但在 OAP 数据源高速缓存中，英特尔® 傲腾™持久内存也可以用作高速缓存介质，以提供高性能、高成本效益的高速缓存解决方案。如下图3显示了英特尔® 傲腾™ 持久内存用作高速缓存介质时的 OAP 数据源高速缓存的架构设计。
OAP 数据源高速缓存提供以下主要功能：
- 覆盖内置的 Parquet/ORC 文件格式。
- 在分布式集群中提供本地 cache（需要外部 KV 存储以支持元数据持久性）。
- NUMA 绑定以提供更高性能（若启用英特尔® 傲腾™ 持久内存的 snoopy 模式，则不需要 NUMA 绑定）。
- 基于 Plasma 的实现，从而支持多个 spark 执行单元同时访问缓存。
OAP RPMem Shuffle
Spark 旨在为不同的工作负载（如即席查询、实时流和机器学习）提供高吞吐量和低延迟的数据处理。但是，在某些工作负载（大规模数据连接/聚合）下，由于 Shuffle 需要在本地 Shuffle 磁盘读取/写入中间数据并将其通过网络传输，Spark 可能会出现性能瓶颈。英特尔® 傲腾™ 持久内存是一种创新型内存技术，相较于 DRAM，其在同等价位下一般可提供更大的容量，并且支持数据的持久性。同时，远程直接内存访问（RDMA）技术支持在不同计算机之间进行独立于操作系统的直接内存访问，从而提供高吞吐量、低延迟的网络性能。使用高性能英特尔® 傲腾™ 持久内存和 RDMA 网络可以帮助在一定程度上化解 Shuffle 挑战。
OAP RPMem Shuffle 提供了一个名为 RPMem Shuffle 扩展的可插拔模块，该模块可通过修改配置文件覆盖默认的 Spark Shuffle 管理器，无需更改 Spark 代码即可使用。使用此扩展，Spark shuffle 可以充分利用英特尔® 傲腾™ 持久内存和 RDMA Shuffle 解决方案，相较于传统的基于磁盘的 shuffle 方式，可以显著提高 Shuffle 性能。
OAP RPMem Shuffle 架构设计
如前文所述，Spark Shuffle 是一项成本高昂的操作，需要大量的小型随机磁盘 IO、序列化、网络数据传输等步骤，因此会大幅增加作业延迟，并且很容易成为工作负载性能的瓶颈。通常，Spark Shuffle 将从底层存储加载数据并作为 Mapper 的输入，然后 Mapper 将根据某种规则处理数据，例如根据特定的 Key 将数据分组到不同的分区中。每个 Mapper 的输出都会持久化到本地存储中，即 Shuffle 写操作。然后 Reducer 会尝试读取不同 Mapper 的输出数据，即 Shuffle 读操作，再将读入的数据进行排序等聚合操作，并最终输出结果。可以看到，一个经典的 Shuffle 操作包括数据在磁盘的读写和在网络的传输，而这二者在大数据集下都可能成为工作负载的性能瓶颈。
OAP RPMem Shuffle 旨在解决 Shuffle 瓶颈。如下图4所示，OAP RPMem Shuffle 可以通过附加库的形式覆盖现有的 Spark Shuffle 实现。在底层，它使用英特尔® 傲腾™ 持久内存作为 Shuffle 介质，并在用户空间通过 libpmemobj 对英特尔® 傲腾™持久内存进行访问，作为 PMDK 的重要组件，libpmemobj 在英特尔® 傲腾™ 持久内存上提供了事务对象存储。OAP RPMemShuffle 扩展使用 Java Native Interface 对 libpmemobj 进行封装，并通过 Spark Shuffle Manager 以插件的方式接入Spark。
RDMA 网卡是 RPMem Shuffle 扩展的可选项，它可以增加网络带宽，降低网络延迟和通信节点的 CPU 利用率。HPNL4 作为一款高性能网络库，支持各种网络协议，如 TCP/IP、RoCE、iWRAP、OPA 等，它为 RPMem Shuffle 提供网络通信支持。如下图5显示了 Vanilla Spark Shuffle 和 OAP RPMem Shuffle 的设计。
在 Vanilla Spark Shuffle 设计中，需要首先将数据序列化到堆外内存，然后写入机械硬盘或固态盘上的本地文件系统，并最终通过 TCP-IP 网络传输数据。这一过程涉及大量上下文切换和文件系统开销，因此如果不对现在的 Spark shuffle 实现进行更改，就无法充分利用英特尔® 傲腾™ 持久内存的能力。
OAP RPMem Shuffle 使用 libpmemobj 库将数据直接写入英特尔® 傲腾™ 持久内存，然后通过将 RDMA 内存区域注册在英特尔® 傲腾™ 来传输数据。此实现方案减少了上下文切换开销，消除了文件系统开销，并可充分利用 RDMA 实现零拷贝来进一步降低延迟和 CPU 利用率。
原文链接
本文为阿里云原创内容，未经允许不得转载。