指如疾風，勢如閃電-StarRocks Fast Schema Evolution in V3.3.0

前言

使用 StarRocks 存算分離功能的同學可能之前常常被 DDL （常見的如增加列等）所困擾，主要在於 DDL 的執行時間過長並可能由此引發的一系列問題（如超時失敗等），使用者可能有時候不得不采用其他方式來替代（如按照新的 Schema 來重建表並重新匯入數據）。

幸運的是，我們在 3.3.0 版本中即將推出的 Fast Schema Evolution 能力讓這一困擾我們許久的問題徹底變為歷史。

Fast Schema Evolution 是現代大數據處理系統中至關重要的功能。它能夠在無需重寫整個數據集的情況下高效地修改表結構，顯著提升數據管理的靈活性和敏捷性。在即將釋出的 3.3.0 版本中，我們將為存算分離版本引入全新設計實作的 Fast Schema Evolution 能力，幫使用者極大地提升了DDL的效率。

Fast Schema Evolution 的關鍵在於無需重寫歷史數據，而是只需要向物件儲存中寫入少量Tablet 後設資料即可完成 DDL，這帶來了顯著的效能提升，尤其是針對處理包含大量歷史數據的表時。

本文章將會透過真實測試來展示全新設計的 Fast Schema Evolution 的效能表現。

測試環境

硬體規格

測試中使用1 FE + 4 CN 配置，FE例項規格如下：

CN 例項規格如下：

軟體版本

測試中分別使用 3.3.0-rc02 和 3.2.7 版本進行對比測試。

數據集

使用 TPC-DS 1TB 標準數據集，針對 store_sales 表進行加列（add column）操作並對比兩個版本耗時。壓縮後儲存數據量如下：

mysql> show data;+-------------+----------------+---------------------+| TableName | Size | ReplicaCount |+-------------+----------------+---------------------+| store_sales | 133.431 GB | 256 || Total | 133.431 GB | 256 |+-------------+----------------+---------------------+4 rows in set (0.01 sec)

原始表結構如下：

mysql> show create table store_sales\G*************************** 1. row *************************** Table: store_salesCreate Table: CREATE TABLE `store_sales` (`ss_sold_date_sk`int(11) NULL COMMENT "",`ss_item_sk`int(11) NOT NULL COMMENT "",`ss_ticket_number` bigint(20) NOT NULL COMMENT "",`ss_sold_time_sk`int(11) NULL COMMENT "",`ss_customer_sk`int(11) NULL COMMENT "",`ss_cdemo_sk`int(11) NULL COMMENT "",`ss_hdemo_sk`int(11) NULL COMMENT "",`ss_addr_sk`int(11) NULL COMMENT "",`ss_store_sk`int(11) NULL COMMENT "",`ss_promo_sk`int(11) NULL COMMENT "",`ss_quantity`int(11) NULL COMMENT "",`ss_wholesale_cost` decimal(7, 2) NULL COMMENT "",`ss_list_price` decimal(7, 2) NULL COMMENT "",`ss_sales_price` decimal(7, 2) NULL COMMENT "",`ss_ext_discount_amt` decimal(7, 2) NULL COMMENT "",`ss_ext_sales_price` decimal(7, 2) NULL COMMENT "",`ss_ext_wholesale_cost` decimal(7, 2) NULL COMMENT "",`ss_ext_list_price` decimal(7, 2) NULL COMMENT "",`ss_ext_tax` decimal(7, 2) NULL COMMENT "",`ss_coupon_amt` decimal(7, 2) NULL COMMENT "",`ss_net_paid` decimal(7, 2) NULL COMMENT "",`ss_net_paid_inc_tax` decimal(7, 2) NULL COMMENT "",`ss_net_profit` decimal(7, 2) NULL COMMENT "") ENGINE=OLAP DUPLICATE KEY(`ss_sold_date_sk`, `ss_item_sk`, `ss_ticket_number`)COMMENT "OLAP"DISTRIBUTED BY HASH(`ss_item_sk`, `ss_ticket_number`) BUCKETS 256PROPERTIES ("compression" = "LZ4","datacache.enable" = "true","enable_async_write_back" = "false","replication_num" = "1","storage_volume" = "builtin_storage_volume");1 row in set (0.00 sec)

測試結果

Fast Schema Evolution vs Old Schema Evolution

以下結果展示了 Fast Schema Evolution 和 老版本的效能對比：

mysql> alter table store_sales add column new_column varchar(16);
Query OK, 0 rows affected (0.03 sec)
mysql> show alter table COLUMN from tpcds\G
*************************** 1. row ***************************
JobId: 10362
TableName: store_sales
CreateTime: 2024-06-10 14:50:30
RewriteFinishTime: 2024-06-10 14:50:38
FinishTime: 2024-06-10 14:50:38
IndexName: store_sales
IndexId: 10099
OriginIndexId: 10099
SchemaVersion: 1:0
TransactionId: 6
State: FINISHED
Msg:
Progress: NULL
Timeout: 86400
Warehouse: default_warehouse
1 row in set (0.00 sec)

mysql> show alter table COLUMN from tpcds\G
*************************** 1. row ***************************
JobId: 10352
TableName: store_sales
CreateTime: 2024-06-10 15:51:30
FinishTime: 2024-06-10 16:02:49
IndexName: store_sales
IndexId: 10353
OriginIndexId: 10090
SchemaVersion: 0:0
TransactionId: 6
State: FINISHED
Msg:
Progress: NULL
Timeout: 86400
1 row in set (0.00 sec)



可以看到，在只有 130 GB 數據規模情況下，加列的延遲降低了 85 倍（8s VS 680s）。如果數據量進一步提升，提升的振幅會更加顯著。

不同 Tablet 時 DDL 效能對比

StarRocks 存算分離的 Fast Schema Evolution 在實作時是只為每個 Tablet 寫入後設資料資訊，其耗時與 Tablet 數量息息相關，本著嚴謹的原則補充測試了不同 Tablet 規模下的加列效能。

這裏調整了部份預設參數值 ：

# 控制 FE 後台排程執行 DDL Task 周期，預設為10sadmin set frontend config("alter_scheduler_interval_millisecond"="1000");# 控制 CN 執行 ddl 任務的並列度，預設為 4update information_schema.be_configs setvalue = 4wherename = "max_update_tablet_meta_threads";

不同並列度下 DDL 效能對比

StarRocks 存算分離的 Fast Schema Evolution 在實作時是只為每個 Tablet 寫入後設資料資訊，其耗時與 Tablet 數量息息相關，本著嚴謹的原則補充測試了不同 Tablet 規模下的加列效能，透過調整如下參數來調整工作執行緒數量：

update information_schema.be_configs setvalue = x wherename = "max_update_tablet_meta_threads";

另外測試中也調大了 publish 工作執行緒池數量：

update information_schema.be_configs setvalue = 512wherename = "transaction_publish_version_worker_count";

總結

Fast Schema Evolution 能力的釋出，也意味著 StarRocks 存算分離也基本補齊了成為未來湖倉分析新範式的一塊巨大短板，必定給使用者體驗帶來極大的提升，感興趣的朋友也歡迎嘗試該能力並提寶貴的建議。