哪里有专业网站建设公司,html5手机网站开发区别,山东省建设备案在哪个网站,wordpress主题合并MPP 架构#xff1a; MPP 架构的产品#xff1a; Impala ClickHouse Druid Doris 很多 OLAP 引擎都采用了 MPP 架构 批处理系统 - 使用场景分钟级、小时级以上的任务#xff0c;目前很多大型互联网公司都大规模运行这样的系统#xff0c;稳定可靠#xff0c;低成本。…MPP 架构 MPP 架构的产品 Impala ClickHouse Druid Doris 很多 OLAP 引擎都采用了 MPP 架构 批处理系统 - 使用场景分钟级、小时级以上的任务目前很多大型互联网公司都大规模运行这样的系统稳定可靠低成本。 MPP系统 - 使用场景秒级、毫秒级以下的任务主要服务于即席查询场景对外提供各种数据查询和可视化服务。 MPP 架构针对问题 MPP解决方案的最原始想法就是消除共享资源。每个执行器有单独的CPU内存和硬盘资源。一个执行器无法直接访问另一个执行器上的资源除非通过网络上的受控的数据交换。这种资源独立的概念对于MPP架构来说很完美的解决了可扩展性的问题。 MPP的第二个主要概念就是并行。每个执行器运行着完全一致的数据处理逻辑使用着本地存储上的私有数据块。在不同的执行阶段中间有一些同步点(我的理解了解Java Gc机制的可以对比GC中stop-the-world,在这个同步点所有执行器处于等待状态)这些同步点通常被用于进行数据交换(像Spark和MapReduce中的shuffle阶段)。这里有一个经典的MPP查询时间线的例子 每个垂直的虚线是一个同步点。例如同步阶段要求在集群中”shuffle”数据以用于join和聚合(aggregations)操作,因此同步阶段可能执行一些数据聚合表join数据排序的操作而每个执行器执行剩下的计算任务。 每个节点内的 CPU 不能访问另一个节点的内存节点之间的信息交互是通过节点互联网络实现的这个过程称为数据重分配。 NUMA 架构和 MPP 架构很多时候会被搞混其实区别还是比较明显的。 首先是节点互联机制不同NUMA 的节点互联是在同一台物理服务器内部实现的MPP 的节点互联是在不同的 SMP 服务器外部通过 I/O 实现的。 其次是内存访问机制不同在 NUMA 服务器内部任何一个 CPU 都可以访问整个系统的内存但异地内存访问的性能远远低于本地内存访问因此在开发应用程序时应该尽量避免异地内存访问。而在 MPP 服务器中每个节点只访问本地内存不存在异地内存访问问题。 MPP 架构的优势 任务并行执行; 数据分布式存储(本地化); 分布式计算; 横向扩展支持集群节点的扩容; Shared Nothing完全无共享架构。 MPP的设计缺陷 所有的MPP解决方案来说都有一个主要的问题——短板效应。如果一个节点总是执行的慢于集群中其他的节点整个集群的性能就会受限于这个故障节点的执行速度(所谓木桶的短板效应)无论集群有多少节点都不会有所提高。这里有一个例子展示了故障节点(下图中的Executor 7)是如何降低集群的执行速度的。 大多数情况下除了Executor 7 其他的所有执行器都是空闲状态。这是因为他们都在等待Executor 7执行完成后才能执行同步过程这也是我们的问题的根本。比如当MPP系统中某个节点的RAID由于磁盘问题导致的性能很慢或者硬件或者系统问题带来的CPU性能问题等等都会产生这样的问题。所有的MPP系统都面临这样的问题。 如果你看一下Google的磁盘错误率统计报告你就能发现观察到的AFR(annualized failure rate,年度故障率)在最好情况下磁盘在刚开始使用的3个月内有百分之二十会发生故障。 如果一个集群有1000个磁盘一年中将会有20个出现故障或者说每两周会有一个故障发生。如果有2000个磁盘你将每周都会有故障发生如果有4000个将每周会有两次错误发生。两年的使用之后你将把这个数字乘以4也就是说一个1000个磁盘的集群每周会有两次故障发生。 事实上在一个确定的量级你的MPP系统将总会有一个节点的磁盘队列出现问题这将导致该节点的性能降低从而像上面所说的那样限制整个集群的性能。这也是为什么在这个世界上没有一个MPP集群是超过50个节点服务器的。 MPP和批处理方案如MapReduce之间有一个更重要的不同就是并发度。并发度就是同一时刻可以高效运行的查询数。MPP是完美对称的当查询运行的时候集群中每个节点并发的执行同一个任务。这也就意味着MPP集群的并发度和集群中节点的数量是完全没有关系的。比如说4个节点的集群和400个节点的集群将支持同一级别的并发度而且他们性能下降的点基本上是同样。下面是一个例子。 16个并行查询会话产生了整个集群最大的吞吐量。如果你将会话数提高到20个以上的时候吞吐量将慢慢下降到70%甚至更低。在此声明吞吐量是在一个固定的时间区间内(时间足够长以产生一个代表性的结果)执行的相同种类的查询任务的数量。Yahoo团队调查Impala并发度限制时产生了一个相似的测试结果。Impala是一个基于Hadoop的MPP引擎。因此从根本上来说较低的并发度是MPP方案必须承担的以提供它的低查询延迟和高数据处理速度。 MPP 架构的 OLAP 引擎 采用 MPP 架构的 OLAP 引擎分为两类一类是自身不存储数据只负责计算的引擎一类是自身既存储数据也负责计算的引擎。 只计算不存储数据 Impala Apache Impala 是采用 MPP 架构的查询引擎本身不存储任何数据直接使用内存进行计算兼顾数据仓库具有实时批处理多并发等优点。 提供了类 SQL类 Hsql语法在多用户场景下也能拥有较高的响应速度和吞吐量。它是由 Java 和 C实现的Java 提供的查询交互的接口和实现C实现了查询引擎部分。 Impala 支持共享 Hive Metastore但没有再使用缓慢的 HiveMapReduce 批处理而是通过使用与商用并行关系数据库中类似的分布式查询引擎由 Query Planner、Query Coordinator 和 Query Exec Engine 三部分组成可以直接从 HDFS 或 HBase 中用 SELECT、JOIN 和统计函数查询数据从而大大降低了延迟。 Impala 经常搭配存储引擎 Kudu 一起提供服务这么做最大的优势是查询比较快并且支持数据的 Update 和 Delete。 Presto Presto 是一个分布式的采用 MPP 架构的查询引擎本身并不存储数据但是可以接入多种数据源并且支持跨数据源的级联查询。Presto 是一个 OLAP 的工具擅长对海量数据进行复杂的分析但是对于 OLTP 场景并不是 Presto 所擅长所以不要把 Presto 当做数据库来使用。 Presto 是一个低延迟高并发的内存计算引擎。需要从其他数据源获取数据来进行运算分析它可以连接多种数据源包括 Hive、RDBMSMysql、Oracle、Tidb 等、Kafka、MongoDB、Redis 等。 计算 存储数据 ClickHouse ClickHouse 是近年来备受关注的开源列式数据库主要用于数据分析OLAP领域。 它自包含了存储和计算能力完全自主实现了高可用而且支持完整的 SQL 语法包括 JOIN 等技术上有着明显优势。相比于 hadoop 体系以数据库的方式来做大数据处理更加简单易用学习成本低且灵活度高。当前社区仍旧在迅猛发展中并且在国内社区也非常火热各个大厂纷纷跟进大规模使用。 ClickHouse 在计算层做了非常细致的工作竭尽所能榨干硬件能力提升查询速度。它实现了单机多核并行、分布式计算、向量化执行与 SIMD 指令、代码生成等多种重要技术。 ClickHouse 从 OLAP 场景需求出发定制开发了一套全新的高效列式存储引擎并且实现了数据有序存储、主键索引、稀疏索引、数据 Sharding、数据 Partitioning、TTL、主备复制等丰富功能。以上功能共同为 ClickHouse 极速的分析性能奠定了基础。 Doris Doris 是百度主导的根据 Google Mesa 论文和 Impala 项目改写的一个大数据分析引擎是一个海量分布式 KV 存储系统其设计目标是支持中等规模高可用可伸缩的 KV 存储集群。 Doris 可以实现海量存储线性伸缩、平滑扩容自动容错、故障转移高并发且运维成本低。部署规模建议部署 4-100台服务器。 Doris3 的主要架构 DTData Transfer负责数据导入、DSData Seacher模块负责数据查询、DMData Master模块负责集群元数据管理数据则存储在 Armor 分布式 Key-Value 引擎中。Doris3 依赖 ZooKeeper 存储元数据从而其他模块依赖 ZooKeeper 做到了无状态进而整个系统能够做到无故障单点。 Druid Druid 是一个开源、分布式、面向列式存储的实时分析数据存储系统。 Druid 的关键特性如下 亚秒级的 OLAP 查询分析采用了列式存储、倒排索引、位图索引等关键技术 在亚秒级别内完成海量数据的过滤、聚合以及多维分析等操作 实时流数据分析Druid 提供了实时流数据分析以及高效实时写入 实时数据在亚秒级内的可视化 丰富的数据分析功能Druid 提供了友好的可视化界面 SQL 查询语言 高可用性与高可拓展性Druid 工作节点功能单一不相互依赖Druid 集群在管理、容错、灾备、扩容都很容易 MPP架构和其他架构数据库的场景对比 Hadoop和MPP两种技术的特定和适用场景为 Hadoop在处理非结构化和半结构化数据上具备优势尤其适合海量数据批处理等应用要求。 MPP适合替代现有关系数据机构下的大数据处理具有较高的效率。 MPP适合多维度数据自助分析、数据集市等Hadoop适合海量数据存储查询、批量数据ETL、非机构化数据分析(日志分析、文本分析)等。 适合场景 有上百亿以上离线数据不更新结构化数据需要各种复杂分析的sql语句 不需要频繁重复离线计算不需要大并发量 几秒、几十秒立即返回分析结果即即席查询。例如sumcountgroup byorder