YMatrix 王健：从Greenplum 到下一代数仓

yMatrix 2024-07-05

340

前言

Greenplum 宣布闭源为中国数据仓库市场带来了新的挑战和机遇，驱动着企业向下一代数据仓库的创新发展。【墨天轮数据库沙龙】邀请到 YMatrix 售前负责人王健，为大家带来《从 Greenplum 到下一代数仓》主题分享，以下为演讲实录。

王健
YMatrix 售前负责人

逐渐成熟的中国数仓市场

在谈到中国数仓的发展时，我们必须提到一些关键企业，它们在技术引入和推广方面扮演了至关重要的角色，推动了整个行业的迅速成长。中国数仓市场最早由 Teradata 推动，1997年 Teradata 进入中国市场，迅速占据了中国金融市场约 50% 的份额。它凭借其强大的技术实力和市场经验，在中国市场取得了显著的成功。2014年，Teradata 在中国区的营收达到了 27 亿美元，展示了其在数据仓库领域的巨大影响力。然而，由于本地化支持不足、国产化浪潮的兴起以及技术创新停滞，Teradata 在 2023 年退出了中国市场。这一退出标志着一个时代的结束，同时也为本土数据仓库解决方案提供了发展的契机。

与 Teradata 不同，Greenplum 被誉为数仓的普及者。它将数仓的能力普及到更多的开发者、中小型公司甚至个人用户。它的优势和特点包括免费开源、广泛的用户基础、灵活性和易用性，其中 Greenplum 的一个重大举措是在 2015 年开源，并提供免费的数仓产品。这一举措极大地推动了其在商业客户和社区用户中的普及。然而，值得注意的是，Greenplum 在 2024 年初宣布闭源，这一举措可能会对其社区用户产生一定的影响，但其在数据仓库普及方面的贡献仍然不可忽视。

图1 Greenplum 特性与优势

Greenplum 闭源市场的影响是双重的：一方面，它为有研发能力的厂商提供了创新和竞争的机会，可以利用闭源后的Greenplum作为一个参照，通过开发出独特的功能和创新技术，来填补市场空白并拉开与竞争对手的距离。另一方面，它对缺乏研发能力的厂商和普通用户提出了更高的要求，需要他们适应新环境并寻找新的应对策略。

下一代数仓是什么

目前，数仓方案主要分为两种：传统 Hadoop 方案和基于 Greenplum 方案。

一、传统的数仓方案

Hadoop 方案

Hadoop 方案由多个组件组成，每个组件对应特定的功能模块。例如：

HDFS（Hadoop 分布式文件系统）：用于存储文件，类似于存储系统。
Hive：将文件转换为表，通过 SQL 查询和展示结果。
Spark：进行批处理，生成 DWD（数据仓库详细层）或 DIS（数据集成服务）。
Flink：用于实时数据链路展示和分析。
HBase：进行高频数据检查。
MySQL/PG：用于实时报表展示。

图2 传统 Hadoop 方案

这种方案的问题在于架构复杂、数据链路长，每个环节如果出现问题都会影响上下游，变更和调整也会带来很大的影响。此外，Hadoop 方案主要按批次写入，尽管引入 Flink 可以实现实时写入，但整体架构依然复杂，查询性能不佳，数据存储压缩比低。

基于 Greenplum 方案

Greenplum 方案更多地利用云端关系数据库数据，通过定期（如T+1）将数据抽取过来，进行扩围、聚集和清洗，然后将数据导入 MySQL 或 PG 中进行数据展示。这种方案支持 T+1 的分析，适应了对数据时效性要求越来越高的需求。数据的新鲜度决定了其价值，用户更关注当前数据而非历史数据。

图3 基于 Greenplum 方案

Greenplum 方案的不足在于并发能力较弱，更新和删除操作效率低，需要独立的 ADS 服务来进行数据报告展示。此外，多层架构导致数据冗余，扩容不友好，需要停机，不利于应对大规模数据增长需求。

二、一栈式数仓架构

因此，下一代数仓需要适应现代数据处理的复杂环境和多样化需求，推动企业在数据时代的快速发展。YMatrix 的一栈式数据仓库架构具有多项功能和优化，提供了显著的性能提升和稳定的扩展性。

在数据加工方面，YMatrix 与 Greenplum（GP）完全兼容，并在向量化处理和行业标准方面进行了多项优化，大幅提升了整体性能。对于复杂计算任务，我们通过 PR Python 在库内进行机器学习分析，显著提高了数据处理和分析的效率。YMatrix 架构具有良好的并发处理能力，在单表查询或 TPCP 测试中，它的性能可以达到单机 PostgreSQL 的水平，保持高并发情况下的稳定性能。我们的一栈式架构支持不停机扩容，所有数据节点能够自动故障切换，解决了 Greenplum 无法自动切换的问题，提升了系统的高可用性和稳定性。

此外，架构通过数据抽取和实时写入的方式，构建 ODS、DR、DWS 等数据层，并在数据集市层进行展示和访问。支持关系型数据库、时序数据和 JSON 数据的处理，满足多样化的数据需求。此外，架构具备行列混存的能力，提供了高效的压缩比和良好的压缩效果，在数据查询和检索分析过程中表现出色。支持关系型数据、时序数据和 JSON 数据的多模数据处理，确保灵活应对各种数据类型和需求。

图4 YMatrix 一栈式数据仓库架构示意图

三、 MatrixGate 数据高速实时入仓

在现代数据仓库架构中，高速实时入仓能力至关重要。YMatrix 一栈式数据仓库架构通过创新的组件和技术，实现了高效的数据写入和处理。

传统的 Greenplum（GP）写入方式需要通过 Maas 节点进行数据分发，然后写入到对应的存储节点。虽然 Greenplum 也有 GPS 的方式，能够直接写入存储节点，但其本质上仍然是一种批处理方式。

YMatrix 架构引入了 MatrixGate 组件进行流处理，具体来说，我们将大的批处理拆分成多个小的子批次（VP），这使得数据的写入和可见性大大提升。例如，当写入 1 亿行数据时，传统方式可能需要全部写入完毕才能看到结果，而我们的方式则是每写入 100 条数据就能立即看到这 100 条数据的结果，极大地提高了数据的时效性。

在许多场景中，我们的架构能够实现数百万行数据的高速写入。除此之外，我们还支持 upsert（更新插入）语义，确保在数据传输和写入过程中，数据不会出现重叠、错误或丢失的情况，达到数据的一致性和完整性。这些创新使得 YMatrix 架构能够更好地满足现代企业对高速实时数据处理的需求。

图5 MatrixGate 数据高速实时入仓示意图

四、 MARS3 存储引擎

YMatrix 在存储引擎方面进行了一些重要的优化，以解决 Greenplum（GP）常见的仅适合大批量数据导入、操作效率低下等问题。

YMatrix 引入了行列混存（Hybrid Row-Column Storage）的概念。在我们的表格内，部分数据按列存储，但整行数据能够在数据块内定位，避免了查询单行数据时需要读取大量数据文件的问题。此外，我们对数据块进行有序排序（Sorted Columns），通过指定排序字段，使数据块内的数据有序，从而提高压缩比和检索效率。

我们还针对每一列、每一范围，甚至每一数据块，采用自适应压缩算法（Adaptive Compression Algorithms），自动识别数据特征并选择最合适的压缩算法，从而提高压缩比。预聚集裁剪信息（Block Header Metadata）也存储在数据块头部，包括数据范围（如最大值和最小值）等统计信息，从而提高检索效率。通过预聚集信息实现阶段跳过（Segment Skipping），在筛选特定数据范围时，可以跳过不符合条件的数据块，加快数据筛选速度。

图6 MARS3 存储引擎示意图

五、 MXVector 向量化计算引擎

在讲到向量化引擎时，我们先了解下标量化与向量化的区别。标量化需要多次指令周期来计算例如 a 加 b 等于 c，而向量化则利用 CPU 的指令集，在单个指令周期内处理多个数据输入，例如同时计算三组 a 加三组 b，直接得出三组 c，显著提升了性能效率，通常达到指数级的提升。

通过引入 MXVector 向量化计算引擎，我们在查询性能优化方面取得了显著成效。对于一个带有复杂条件的查询，关闭向量化时可能需要 5 秒钟完成，但开启向量化后，仅需 30 毫秒即可完成，性能提升效果非常明显。

当前市场上许多厂商已经提供了向量化的解决方案，但在 PG 或 GP 领域，YMatrix 是第一家提供完整向量化能力的厂商，拥有非常完善的向量化算子，支持包括聚集、索引、过滤、聚集排序、窗口函数等各种操作，全面满足了各种复杂场景的需求。

图7 MXVector 向量化计算引擎示意图

六、异地容灾

此外，针对金融级客户，尤其是对高可用性要求极为关键的客户群体，YMatrix 提供了先进的异地容灾解决方案。作为首个引入这项技术的提供商，YMatrix 能够支持两套 1x 集群之间的数据同步，客户可以选择同步或异步模式，以满足不同业务需求。不仅如此，基于我们强大的读取能力，确保即使在灾难恢复模式下，客户也能够无缝访问和处理数据。

图8 YMatrix 异地容灾解决方案

Greenplum 迁移

最后和大家来分享一下 YMatrix 的金融替换案例，我们在某国有大行进行了 Greenplum 4.3 版本的替换，实现了重要的滚动迁移，取得了显著的成果。

我们采用分阶段迁移的方法。首先我们对集群业务进行了梳理，并迁移了关键业务，识别了增量字段，同步了增量数据。这其中的迁移效果显著，完全替换了旧系统，提升了加工和处理能力。原本需要数分钟的任务现在只需数秒完成，单任务处理提升至至少 20 个并行任务，原本多表关联超时的问题大幅改善，大表关联处理时间从 13 分钟降至 50 秒。

在高可用性方面，我们实现了全节点自动故障切换，解决了原有系统中手动切换的故障问题。迁移效率也显著提高。我们支持点对点节点直连，提升并发迁移速度，支持异构和同构迁移以及增量迁移。

图9 从 Greenplum 迁移到 YMatrix 过程

在具体迁移过程中，原架构使用的是 x86+3 通道服务器，迁移到鲲鹏信号体系后，节点数量从 32 台减少到 10 台。整个迁移过程耗时 5 小时，迁移了 2 万多张表和 24TB 据。在分布式写入方面，我们充分利用了系统性能，达到了满负载写入。此外，我们还支持条件筛选、数据分布策略调整、数据一致性校验以及结果确认。此次迁移显著提升了系统的性能和稳定性，为金融行业提供了可靠的数据处理解决方案。如果大家 YMatrix产品感兴趣，欢迎添加小助手。

我今天的分享就到这里，谢谢大家！