tencent cloud

文档反馈

Bucket Shuffle Join

最后更新时间:2024-06-27 11:11:46
    Bucket Shuffle Join 旨在为某些 Join 查询提供本地性优化,来减少数据在节点间的传输耗时,来加速查询。它的设计、实现和效果可以参阅 ISSUE 4394

    名词解释

    FE:Frontend,Doris 的前端节点。负责元数据管理和请求接入。
    BE:Backend,Doris 的后端节点。负责查询执行和数据存储。
    左表:Join 查询时,左边的表。进行 Probe 操作。可被 Join Reorder 调整顺序。
    右表:Join 查询时,右边的表。进行 Build 操作。可被 Join Reorder 调整顺序。

    原理

    Doris 支持的常规分布式 Join 方式包括了 shuffle join 和 broadcast join。这两种 join 都会导致不小的网络开销: 举个例子,当前存在A表与B表的 Join 查询,它的 Join 方式为 HashJoin,不同 Join 类型的开销如下:
    Broadcast Join:如果根据数据分布,查询规划出A表有3个执行的 HashJoinNode,那么需要将B表全量的发送到3个 HashJoinNode,那么它的网络开销是3B,它的内存开销也是3B
    Shuffle Join:Shuffle Join会将A,B两张表的数据根据哈希计算分散到集群的节点之中,所以它的网络开销为 A + B,内存开销为 B
    在 FE 之中保存了 Doris 每个表的数据分布信息,如果 join 语句命中了表的数据分布列,我们应该使用数据分布信息来减少 join 语句的网络与内存开销,这就是 Bucket Shuffle Join 的思路来源。
    
    上面的图片展示了 Bucket Shuffle Join 的工作原理。SQL 语句为 A 表 join B 表,并且 join 的等值表达式命中了 A 的数据分布列。而 Bucket Shuffle Join 会根据 A 表的数据分布信息,将 B 表的数据发送到对应的 A 表的数据存储计算节点。Bucket Shuffle Join 开销如下:
    网络开销: B < min(3B, A + B)
    内存开销: B <= min(3B, B)
    可见,相比于 Broadcast Join 与 Shuffle Join, Bucket Shuffle Join 有着较为明显的性能优势。减少数据在节点间的传输耗时和 Join 时的内存开销。相对于 Doris 原有的 Join 方式,它有着下面的优点:
    Bucket-Shuffle-Join 降低了网络与内存开销,使一些 Join 查询具有了更好的性能。尤其是当 FE 能够执行左表的分区裁剪与桶裁剪时。
    同时与 Colocate Join 不同,它对于表的数据分布方式并没有侵入性,这对于用户来说是透明的。对于表的数据分布没有强制性的要求,不容易导致数据倾斜的问题。
    它可以为 Join Reorder 提供更多可能的优化空间。

    使用方式

    设置 Session 变量

    将 session 变量enable_bucket_shuffle_join设置为true,则FE在进行查询规划时就会默认将能够转换为 Bucket Shuffle Join 的查询自动规划为 Bucket Shuffle Join。
    set enable_bucket_shuffle_join = true;
    在 FE 进行分布式查询规划时,优先选择的顺序为 Colocate Join > Bucket Shuffle Join > Broadcast Join > Shuffle Join。但是如果用户显式 hint 了 Join 的类型,如:
    select * from test join [shuffle] baseall on test.k1 = baseall.k1;
    则上述的选择优先顺序则不生效。 该 session 变量在0.14版本默认为true, 而0.13版本需要手动设置为true

    查看 Join 的类型

    可以通过explain命令来查看Join是否为Bucket Shuffle Join:
    | 2:HASH JOIN |
    | | join op: INNER JOIN (BUCKET_SHUFFLE) |
    | | hash predicates: |
    | | colocate: false, reason: table not in the same group |
    | | equal join conjunct: `test`.`k1` = `baseall`.`k1`
    在 Join 类型之中会指明使用的 Join 方式为:BUCKET_SHUFFLE

    Bucket Shuffle Join 的规划规则

    在绝大多数场景之中,用户只需要默认打开 seesion 变量的开关就可以透明的使用这种 Join 方式带来的性能提升,但是如果了解 Bucket Shuffle Join 的规划规则,可以帮助我们利用它写出更加高效的 SQL。
    Bucket Shuffle Join 只生效于 Join 条件为等值的场景,原因与 Colocate Join 类似,它们都依赖 hash 来计算确定的数据分布。
    在等值 Join 条件之中包含两张表的分桶列,当左表的分桶列为等值的 Join 条件时,它有很大概率会被规划为 Bucket Shuffle Join。
    由于不同的数据类型的 hash 值计算结果不同,所以 Bucket Shuffle Join 要求左表的分桶列的类型与右表等值 join 列的类型需要保持一致,否则无法进行对应的规划。
    Bucket Shuffle Join 只作用于 Doris 原生的 OLAP 表,对于 ODBC,MySQL,ES 等外表,当其作为左表时是无法规划生效的。
    对于分区表,由于每一个分区的数据分布规则可能不同,所以 Bucket Shuffle Join 只能保证左表为单分区时生效。所以在 SQL 执行之中,需要尽量使用where条件使分区裁剪的策略能够生效。
    假如左表为 Colocate 的表,那么它每个分区的数据分布规则是确定的,Bucket Shuffle Join 能在 Colocate 表上表现更好。

    最佳实践

    基于现有 SQL 判断是否满足 Bucket Shuffle Join 条件。
    这里以 TPC-H 测试集的 sql3 为例子。
    select l_orderkey,
    sum(l_extendedprice * (1 - l_discount)) as revenue,
    o_orderdate, o_shippriorityfrom (
    select l_orderkey, l_extendedprice, l_discount, o_orderdate, o_shippriority, o_custkey
    from lineitem
    join orders
    where l_orderkey = o_orderkey
    and o_orderdate < date '1995-03-15'
    and l_shipdate > date '1995-03-15' ) t1
    join customer c on c.c_custkey = t1.o_custkey
    where c_mktsegment = 'BUILDING'
    group by l_orderkey, o_orderdate, o_shippriority
    order by revenue desc, o_orderdate
    limit 10;
    从 sql3 可以看到子查询使用的是 join条件是等值,满足其中一个条件,其他条件,我们可以在建表阶段满足。
    select l_orderkey, l_extendedprice, l_discount, o_orderdate, o_shippriority, o_custkey
    from lineitem
    join orderswhere l_orderkey = o_orderkeyand o_orderdate < date '1995-03-15'
    and l_shipdate > date '1995-03-15'

    检查环境变量开启

    MySQL [tpch_100_d]> show variables like "%enable_bucket_shuffle_join%";
    +----------------------------+-------+
    | Variable_name | Value |
    +----------------------------+-------+
    | enable_bucket_shuffle_join | true |
    +----------------------------+-------+
    1 row in set (0.00 sec)

    创建对应的表,保持两张表分桶列和其对应的类型一致

    
    CREATE TABLE `lineitem` (
    `l_shipdate` date NOT NULL,
    `l_orderkey` bigint(20) NOT NULL,
    `l_linenumber` int(11) NOT NULL,
    `l_partkey` int(11) NOT NULL,
    `l_suppkey` int(11) NOT NULL,
    `l_quantity` decimalv3(15, 2) NOT NULL,
    `l_extendedprice` decimalv3(15, 2) NOT NULL,
    `l_discount` decimalv3(15, 2) NOT NULL,
    `l_tax` decimalv3(15, 2) NOT NULL,
    `l_returnflag` varchar(1) NOT NULL,
    `l_linestatus` varchar(1) NOT NULL,
    `l_commitdate` date NOT NULL,
    `l_receiptdate` date NOT NULL,
    `l_shipinstruct` varchar(25) NOT NULL,
    `l_shipmode` varchar(10) NOT NULL,
    `l_comment` varchar(44) NOT NULL
    ) ENGINE=OLAP
    DUPLICATE KEY(`l_shipdate`, `l_orderkey`)COMMENT 'OLAP'
    DISTRIBUTED BY HASH(`l_orderkey`) BUCKETS 96
    PROPERTIES (
    "replication_allocation" = "tag.location.default: 3",
    "in_memory" = "false","storage_format" = "V2",
    "disable_auto_compaction" = "false"
    );
    
    CREATE TABLE `orders` (
    `o_orderkey` bigint(20) NOT NULL,
    `o_orderdate` date NOT NULL,
    `o_custkey` int(11) NOT NULL,
    `o_orderstatus` varchar(1) NOT NULL,
    `o_totalprice` decimalv3(15, 2) NOT NULL,
    `o_orderpriority` varchar(15) NOT NULL,
    `o_clerk` varchar(15) NOT NULL,
    `o_shippriority` int(11) NOT NULL,
    `o_comment` varchar(79) NOT NULL
    ) ENGINE=OLAP
    DUPLICATE KEY(`o_orderkey`, `o_orderdate`) COMMENT 'OLAP'
    DISTRIBUTED BY HASH(`o_orderkey`) BUCKETS 96
    PROPERTIES (
    "replication_allocation" = "tag.location.default: 3",
    "in_memory" = "false","storage_format" = "V2",
    "disable_auto_compaction" = "false"
    );

    通过 explain 分析业务 sql,确保 Bucket Shuffle Join 可以生效

    enter image description here
    
    联系我们

    联系我们,为您的业务提供专属服务。

    技术支持

    如果你想寻求进一步的帮助,通过工单与我们进行联络。我们提供7x24的工单服务。

    7x24 电话支持