嘉宾：范文臣
Databricks 开源组技术主管，Apache Spark Committer、PMC成员，Spark开源社区核心开发之一。
视频地址：https://developer.aliyun.com/live/245461
正文：
Databricks最新开发的一款基于Spark的高性能向量化查询引擎——Delta，是基于ApacheSpark 3.0构建、完全兼容Spark API，并且能够通过以下方式加快SQL和DataFrame工作负载：
1、改进的查询优化器
2、本机矢量化执行引擎
3、缓存
一、优化器
优化器是基于Spark的CPU和实时运行动态优化打造的。Databricks内部利用更加高级的统计信息来提升性能，例如star schema workload可以达到最高18倍的性能提升。
二、缓存层
缓存层可以自动帮用户缓存积累的数据，它是基于MVMe SSDs打造的，可以把数据转化成内存优化的格式放在SSD中，然后可以更快的加速CPU性能，这个特点可以让workload有5倍性能提升。
三、本地化执行引擎
Databricks近几年一直在致力于提升引擎性能，要达到这样的目的，可以从两个层面来看。
第一是硬件趋势，这是做性能优化的基础；第二是用户场景，这是性能优化的目标，有效的性能优化是可以给客户带来收益的。
第一、硬件趋势
2015年基于Spark Summit调研显示（如下图），2010年硬件的基本情况是存
50+MB/s（HDD），网络是1Gpbs，CPU是～3GHz；五年后，存储和网络都有了10倍以上的提升，但是CPU却并没有什么变化。
基于这样的调研结果，Databricks推出了钨丝计划，目标就是让引擎加速CPU，充分调动CPU性能。CPU有自己的缓存，CPU访问缓存和内存中间有巨大的性能鸿沟，所以充分调动CPU性能就是，如何设置数据结构让内存数据进到CUP缓存更加高效。要达到这样的目的，可以让代码生成得更加精简。另外一个方法就是以do one来降低局势的消耗。
2020年，硬件的变化让io性能有了进一步提升。SSD有了NVMe接口，同时有了超高速网络，但CPU仍然是3赫兹。那么当下我们的挑战是在这样的硬件条件下，如何最大化CPU性能。
第二、用户场景趋势
当下企业越来越强调敏捷性，业务需要适用市场变化而不停的变化。在这种用户场景下，数据模型就没有精力和时间去仔细打磨，往往会造成刚刚设计好的数据模型，因为业务的变化而全部推翻了。同时，数据限制也没有设置，更为灵活的字符串类型受到追捧。
在这种情况下，当数据越来越多，中间还夹杂着半结构化和非结构化，如何在保证敏捷性的前提下提升性能呢？Photon，即本地化执行引擎，就是解决上面问题的产品。
Photon是Datastricks用C++写的引擎，利用了向量化技术在技术层面和指令层面实现向量化；也会针对用户的敏捷需求，在半结构化和非结构化的前提下对数据做优化。
如何用CPU数据并行的特性改写执行引擎？
首先如下图所示，列式存储更高效，它的优势是：其一因为每一列的数据式一个类型，可以直接被压缩为存储；其次内存访问顺序是线性的，这样CPU就可以预估即将要访问的数据并提前加载到缓存里，从而达到提升性能目的。
另外当对不同列进行操作时候，所使用的简单的代码也更容易被反编译为机器码，也就是可以用CPU特性去执行代码。
如何利用指令并行改写执行引擎？
Hash Table是一个在SQL引擎中非常重要的数据结构。如下图举例，假设有group by这样的query，它是怎么实现的呢？首先构建一个Hash Table，然后用for循环去访问数据，并对每个数据算出Hash值，并确定在Hash Table的哪个位置存数据。然后比较数据是否正确，如果没问题就可以加起来。
上图简单的代码瓶颈在绿色部分，即访问数组。因为每个数据的Hash值是随机的，每次算出来都不一样，这种访问方式是非常低效的。其实在这期间大部分CPU的时间都在等待数据从内存进到CPU缓存，这个转换时间占了2/3，这对于Group by的操作是非常浪费的事情。
基于这样的情况，如何优化呢？
由上图可以看出，这段代码分做了四件事情。第一是算Hash值，第二是访问内存拿到Key，第三是把Key做比较，第四是做加法。最慢的是访问Key，而且整个循环体也非常大，会导致CPU比较难优化。基于这种情况，实现优化的方法就是可以将循环变得简单些。
如下图可以将一个循环拆成3个循环，反而能够让这个过程变得更快。原因是，将上文提到的绿色代码瓶颈做成一个循环，就可以完成CPU的优化。
上述简单的操作完成后，内存诊断时间可以降低1/4，同时内存时间也降低了。
这样调整后，通过测试可以发现系统优化后整体性能可以提升3倍。
关于如何优化结构化和半结构化数据，主要展开介绍下如何针对String类型优化。
第一个方法是用C++将自定义函数全部重写一遍，性能可以提高1-2两倍，但是这样的提升不大；
在将第二个方法前，先介绍一下背景知识。当下主流的字符串是编码格式，这种编码格式的特点是变长，比如字母是一个字符，中文是三个字符。这样的编码方式不浪费空间，空间利用高效，但是计算比较低效。
假设用户数据中大部分是英文字符，掺杂着中文字符或其他字符，这种场景如何优化呢？可以将String优化分为两步。 
第一步，确认String是不是ASCII编码；通过String优化后，可以达到60GB/s/核的处理性能。
第二步，如果不是ASCII编码，那么可以按照C++编码格式一个个处理。
通过以上的处理，性能提升会非常明显。
总结
Photon是用本地语言写的向量化执行引擎，它主要利用了数据向量化技术；并且能够针对用户敏捷需求做业务场景优化；
Engine产品结果主要包括优化基层、存储缓存层和本地化执行层；其中本地化执行层还在内测阶段，用户需要跟销售联系才能拿到内测资格，其他资源都是公开的，可以通过阿里云获取，在阿里云上叫DDI（阿里云批流一体大数据分析引擎）
关于Databricks
Databricks是属于 Spark 的商业化公司，由美国伯克利大学 AMP 实验室的 Spark 大数据处理系统多位创始人联合创立。Databricks 致力于提供基于 Spark 的云服务，可用于数据集成和数据管道等任务。
欢迎交流
对阿里云E-MapReduce感兴趣的朋友可以申请加群交流，加入钉钉群（如下）@扬流
