向量化执行使表达式性能提升10倍成为可能
向量化执行使表达式性能提升10倍成为可能
查询执行引擎对数据库系统性能非常重要。 TIDB 是一个开源兼容 MySQL 的 HTAP 数据库，部署广泛使用的火山模型来执行查询。不幸的是， 当查询一个大库时，向量化模型会造成较高的解释开销以及较低的 CPU CACHE 命中率 。
受 MonetDB/X100: Hyper-Pipelining Query Execution 论文启发，在 TIDB 中部署向量化执行引擎以提高查询性能。（建议学习 Andy Pavlo 的 Query Execution 课程，其中详细介绍了有关执行模型和表达式计算的原理）。
2017 年年末，我们对 TIDB 的 SQL 执行引擎完成了 3 项优化：
1) 在执行引擎中完成列式存储。类似 Apache 的 Arrow 。参考 pull request (PR) #4856 ： https://github.com/pingcap/tidb/pull/4856 。
2) 将一次一个 tuple 的迭代模式（火山模型）改成一次一批（ 1024 个 tuple ），参考： https://github.com/pingcap/tidb/pull/5178
3) 基于向量化执行原则，优化各种查询操作符： https://github.com/pingcap/tidb/pull/5184
得益于这些优化，与 TIDB1.0 相比， TIDB2.0 显著提升了查询分析的性能。可以查看 TPC-H 性能：
最近我们 release 了 TiDB2.1 和 3.0 ，向量化执行引擎更加稳定。现在正在开发 TiDB4.0 ，包括向量化表达式。
本文，深入分析了为什么使用向量化引擎，如何实现它以及如何与社区贡献者合作完成多于 360 个函数的向量化，还有对未来的看法。
为什么使用向量化
之前 TiDB 实现了火山模型的执行引擎。这个迭代模型使用标准数据访问接口。在各个算子之间执行 open()-next()-close() ，一行一行处理数据。火山模型简单且可扩展。
但是， 当执行大型查询时，火山模型会带来较高的解析代价。另外，也不能重复你利用现代 CPU 硬件的特性，如 CPU CACHE 、分支预测、指令流水线 。
向量化执行使用单指令在内存中执行一组连续的相似的数据项。与火山模型相比， 向量化模型大大降低了解释开销 。因此我们选择了向量化执行引擎。
本节中，使用表达式 colA*0.8 + colB 来展示基于行的执行和基于向量化执行之间的开销差距。
TIDB 根据算术运算符和运算符优先级，将此表达式解析为表达式求值树。在这个树中，每个非叶子节点代表一个算术运算符，叶节点代表数据源。每个非叶节点要么是一个常量如 0.8 ，要么是表中的一个字段如 colA 。节点之间的父子关系表示计算上的依赖关系：子节点的结算结果是父节点的输入数据。
表达式求值树
每个节点的计算逻辑可以抽象成下面接口：
type Node interface {
evalReal(row Row) (val float64, isNull bool)
}
以 * ， 0.8 ， col 节点为例， 3 个节点都实现了上面的接口，伪代码如下：
func (node *multiplyRealNode) evalReal(row Row) (float64, bool) {
v1, null1 := node.leftChild.evalReal(row)
v2, null2 := node.rightChild.evalReal(row)
return v1 * v2, null1 || null2
}
func (node *constantNode) evalReal(row Row) (float64, bool) {
return node.someConstantValue, node.isNull // 0.8 in this case
}
func (node *columnNode) evalReal(row Row) (float64, bool) {
return row.GetReal(node.colIdx)
}
基于行执行的解释开销
和火山模型类似，上面讨论的表达式实现是对行进行迭代。
逐行迭代的解释开销是多少？下面我们来看一个函数在 TiDB 中的实现。
builtinArithmeticMultiplyRealSig 函数实现 2 个浮点数相乘。下面的代码块描述了这个函数的实现。右边的数组表示对应行的汇编指令数，是代码汇编后得到的。要注意，此块仅包含在正常条件下迭代的行，并忽略错误处理的逻辑：
下面列出了 builtinArithmeticMultiplyRealSig 每个功能任务及执行它的汇编指令数量。
每次这个函数执行乘法时， 82 条指令中仅有 8 条在执行“真正的”乘法，这仅占总指令的 10% 左右，其他 90% 被视为解释开销。一旦将这个函数向量化，它的性能提高了仅 9 倍。参见： https://github.com/pingcap/tidb/pull/12543
向量化减少解释开销
和 SQL 算子的向量化优化一样，我们可以一次处理并返回一批数据。这减少了表达式计算过程中的解释开销。
假设一批数据有 1024 行，优化后每次调用一个函数处理这 1024 行数据，然后返回。函数调用的解释开销变成原来的 1/1024.
因此，我们可以添加以下接口来向量化表达式计算：
type Node interface {
batchEvalReal(rows []Row) (vals []float64, isNull []bool)
}
我们的向量化处理接口长什么样？为什么？
真正的源代码和上面显示的模型并不完全一样。它看起来像这样：
type VecNode interface {
vecEvalReal(input *Chunk, result *Column)
}
想知道为什么？
为了说明原因，先介绍下 TiDB 的 chunk 结构。也就是查询执行阶段数据在内存中的表示。
2017 年底，在进行向量化优化，引入了 chunk 概念。一个 chunk 由多列组成。列由两种类型：
1) 固定长度的列，数据时固定长度，不能改变
2) 变长列，数据长度可变
不管数据长度是固定的还是变长的，列中数据在 Column.data 字段（即数组）中是连续存储在内存中的。如果数据长度变化， column.offset 记录数据偏移量。如果数据是固定长度，则不需要记录偏移量。
下图说明了我们最近为 chunk 引入的新向量访问接口：
1) 对于定长数据，如 int64 ， Golang 的 unsafe 包直接转换 column.data 为 []int64 （ []int64 中的 Int64s() ），返回结果。读取或更改 column.data 的用户可以直接操作这个数组。这是访问固定长度数据的最有效方式。
2) 对于变长数据，例如字符串，可以使用 GetString(rowIdx int) string 来获取对应行的数据，仅能以追加的方式更新。随机更改变长数据列中一个元素，需要移动后续所有数据。这会带来巨大开销。为了提升性能，此操作未在 column 中。
再返回来看下接口设计。
基于 chunk 的实现以及 Golang 的特性，我们优化了表达式计算以下几个方面：
1) 直接通过 *chunk 而不是 []Row ，避免创建大量 Row 对象。降低了 Golang 垃圾回收的压力并提高了性能
2) column.data 通过 column 而不是 Row ，减少函数调用次数。帮助减少解释开销和加速访问数据。
3) 将用于存储数据的列放到参数中并传递，而不是直接返回 []float64 和 []bool 数组。提高了内存利用率，减少了 Golang GC 开销。
基于这些优化，我们的向量化表达式计算接口变成了今天这个样子。
怎么实现向量化执行引擎?
本节介绍如何实现向量化。
以 multiplyRealNode 为例：
对于这个功能：
1) 前 2 行： cache pool 中的 ColumnBuffer 用于缓冲右孩子（第二个参数）的数据。左孩子的数据存储再 result 指针指向的内存中。
2) Columns.MergeNulls(cols...) 合并多列的 NULL 标签。这个方法类似 result.nulls[i] = result.nulls[i] || buf.nulls[i] 。 Column 内部使用一个 bitmap 来维护 NULL 标签。当调用这个函数时，一个列来做一个按位操作来核并 NULLs 。
3) 一个循环直接将左右字节的的数据相乘。
4) 再乘法过程中中，该函数调用左右子接口来获取他们的数据。
这种实现方式通过向量化减少了解释开销，对现代 CPU 更有利：
1) 顺序访问一个向量数据，减少了 CPU CACHE 的 miss
2) 大多数计算工作在一个简单循环中，有助于 CPU 分支预测与指令流水线。
向量化执行和基于行的执行引擎性能比较
本节使用 TiDB 源码进行基准测试，并比较向量化前后的性能。使用相同数据（ 2 列浮点数组成的 1024 行）分别 col0*0.8 + col1 计算：
上面的结果表明向量化执行比基于行的执行引擎快 4 倍。下图对比了 LT 向量化前后各种小于（ LT ）函数的性能。横轴表示 LT 用于测试的函数，纵轴表示完成操作持续的时间（单位纳秒）
下面比较了向量化前后算术函数的性能：
我们测试了 300 多个向量化函数后，发现这些函数中有超过 50% 的函数性能提高了 1 倍以上， 18.7% 的函数实现了 10 的性能提升。
如何将360+个内置函数向量化？
迈向 4.0 的过程中，表达式向量化是一个巨大的工程。因为涉及 500 多个内置函数。开发人员相当少 - 完成相当困难。位更有效开发代码，使用 Golang 将尽可能多的内置函数向量化 test/template 。此模板生成向量化函数的源码。位让更多人参与这个项目，我们在开发者社区中成立了向量化表达式工作组。通过这种方法，社区贡献者承担了向量化过程中大部分工作。
在我们的努力下，重构了仅三分之二的内置函数，大部分都有显著的性能提升。有些甚至能有一两个数量级的性能提升。
使用一个模板进行向量化
当我们对内置函数进行向量化时，我们发现很多函数都有相似之处。例如，大多数 LT( <) 、 GT( >) 和 LE( <=) 函数具有相似的逻辑。它们仅使用的运算符不同。因此，可以使用模板来生成这些函数的代码。目前， Golang 不支持泛型类型和宏定义，所以我们使用 text/template 包来生成代码。基于 Golang 模板的语法，我们将要生成的函数抽象成模板。例如，这里是比较函数的模板，如 LTand GT ：
针对不同类型数据和算子，模板生成相应代码。这个模板在 expression/generator 包里。
社区帮助完成向量化
除了使用模板向量化内置函数外，还在社区开始了向量化活动，让更多人参与进来。编写了一个脚本，为所有内置函数生成向量化接口：
func (b *builtinCastStringAsIntSig) vecEvalInt(input *chunk.Chunk, result *chunk.Column) error {
return errors.Errorf("not implemented")
}
func (b *builtinCastStringAsDurationSig) vectorized() bool {
return false
}
保留函数接口可以避免合并代码时不同 pull request 同时修改同一个文档引起的冲突。我们还编写了一个测试框架。贡献者将函数向量化后，他们可以使用框架来测试内置函数的正确性和性能，只需编写几行简单的配置即可。
如下代码所示，贡献者只需要在 vecBuiltinArithemeticCases
接下来，它们可以按照我们编写的两个函数运行。然后，他们可以执行正确性和性能测试。
正确性和性能测试都直接生成随机数据，并比较向量化执行和基于行执行的性能。上述两个操作可以帮助贡献者轻松 向量 化我们的内置函数。在社区的帮助下，我们在短短两个月内对 360 多个函数进行了 向量 化处理。在此期间，我们的社区贡献者提交了 256 份 PR 。该活动还产生了九名活跃贡献者（他们在一年内合并了至少 8 个 PR ）和两个审阅者（他们在一年内合并了至少 30 个 PR ）。
下一步做什么
通过引入向量化执行，我们显着提高了表达式执行的性能。目前，默认情况下，我们的主分支上启用了向量化执行。一旦表达式的所有内置函数都支持向量化执行，该表达式将使用向量化执行。未来我们也会使用向量化执行来提升 TiDB 的 HTAP 能力。
请注意，上面的所有性能测试数据都在内存中。如果数据存储在磁盘上，读取它可能会导致高开销。在这种情况下，向量化执行的好处可能不太明显。但总的来说，向量化执行明显提升了 TiDB 表达式评估的性能。
此外，当我们对表达式进行向量化时，我们发现向量化执行可以应用于许多其他情况以提高性能。例如：
在哈希连接中，我们为内部数据（参见 PR #12076 ）和外部数据（参见 PR #12669 ）向量计算哈希键。在某些场景下，性能分别提升 7% 和 18% 。我们要感谢一位名叫 sduzh 的社区贡献者，他独自完成了这些改进。
在哈希聚合中，我们对数据进行了向量化编码。在本地测试中，性能比以前快了 20% 到 60% 。有关详细信息，请参阅 PR #12729 。
在 StreamAggregation 运算符中，我们将数据向量划分为组。在本地测试中，性能提升了约 60% 。有关详细信息，请参阅 PR #12903 。
原文
https://en.pingcap.com/blog/10x-performance-improvement-for-expression-evaluation-made-possible-by-vectorized-execution
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/31493717/viewspace-2856497/ ，如需转载，请注明出处，否则将追究法律责任。
