指如疾风，势如闪电-StarRocks Fast Schema Evolution in V3.3.0

锋哥聊DORIS数仓 2024-06-12

221

前言

使用 StarRocks 存算分离功能的同学可能之前常常被 DDL （常见的如增加列等）所困扰，主要在于 DDL 的执行时间过长并可能由此引发的一系列问题（如超时失败等），用户可能有时候不得不采用其他方式来替代（如按照新的 Schema 来重建表并重新导入数据）。

幸运的是，我们在 3.3.0 版本中即将推出的 Fast Schema Evolution 能力让这一困扰我们许久的问题彻底变为历史。

Fast Schema Evolution 是现代大数据处理系统中至关重要的功能。它能够在无需重写整个数据集的情况下高效地修改表结构，显著提升数据管理的灵活性和敏捷性。在即将发布的 3.3.0 版本中，我们将为存算分离版本引入全新设计实现的 Fast Schema Evolution 能力，帮用户极大地提升了DDL的效率。

Fast Schema Evolution 的关键在于无需重写历史数据，而是只需要向对象存储中写入少量Tablet 元数据即可完成 DDL，这带来了显著的性能提升，尤其是针对处理包含大量历史数据的表时。

本文章将会通过真实测试来展示全新设计的 Fast Schema Evolution 的性能表现。

测试环境

硬件规格

测试中使用1 FE + 4 CN 配置，FE实例规格如下：

硬件	规格说明
CPU	4 vCPU
内存	8 GB

CN 实例规格如下：

硬件	规格说明
CPU	16 vCPU
内存	64 GB

软件版本

测试中分别使用 3.3.0-rc02 和 3.2.7 版本进行对比测试。

数据集

使用 TPC-DS 1TB 标准数据集，针对 store_sales 表进行加列（add column）操作并对比两个版本耗时。压缩后存储数据量如下：

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

原始表结构如下：

mysql> show create table store_sales\G
*************************** 1. row ***************************
       Table: store_sales
Create 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 256 
PROPERTIES (
"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)

测试结果

Fast Schema Evolution vs Old Schema Evolution

以下结果展示了 Fast Schema Evolution 和老版本的性能对比：

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 数据规模情况下，加列的延迟降低了 85 倍（8s VS 680s）。如果数据量进一步提升，提升的幅度会更加显著。

不同 Tablet 时 DDL 性能对比

StarRocks 存算分离的 Fast Schema Evolution 在实现时是只为每个 Tablet 写入元数据信息，其耗时与 Tablet 数量息息相关，本着严谨的原则补充测试了不同 Tablet 规模下的加列性能。

这里调整了部分默认参数值：

# 控制 FE 后台调度执行 DDL Task 周期，默认为10s
admin set frontend config("alter_scheduler_interval_millisecond"="1000");


# 控制 CN 执行 ddl 任务的并行度，默认为 4


update information_schema.be_configs set value = 4 where name = "max_update_tablet_meta_threads";

Tablet 数量	Add Column 耗时 (s)
10	1
100	1
1000	2
10000	6

不同并行度下 DDL 性能对比

StarRocks 存算分离的 Fast Schema Evolution 在实现时是只为每个 Tablet 写入元数据信息，其耗时与 Tablet 数量息息相关，本着严谨的原则补充测试了不同 Tablet 规模下的加列性能，通过调整如下参数来调整工作线程数量：

update information_schema.be_configs set value = x where name = "max_update_tablet_meta_threads";

另外测试中也调大了 publish 工作线程池数量：

update information_schema.be_configs set value = 512 where name = "transaction_publish_version_worker_count";

并行度	Add Column 耗时 (s)
1	47
2	23
4	13
8	7
16	5
32	3

总结

Fast Schema Evolution 能力的发布，也意味着 StarRocks 存算分离也基本补齐了成为未来湖仓分析新范式的一块巨大短板，必定给用户体验带来极大的提升，感兴趣的朋友也欢迎尝试该能力并提宝贵的建议。

schema fast

文章转载自锋哥聊DORIS数仓，如果涉嫌侵权，请发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。