更高性能表现、更低资源占用，高精度计算数据类型 DecimalV3 揭秘｜新特性解读

数值运算是数据库中十分常见的需求，例如计算数量、重量、价格等，为了适应多样化运算场景，数据库系统通常支持精准的数字类型和近似的数字类型，当我们需要精确地表示小数并计算小数时，通常会考虑使用 Decimal 数据类型。区别于浮点小数，Decimal 作为定点小数类型，可以支持高精度的小数运算，因此适用于各种高精度计算的场景，常见的应用场景有以下几种：

• 金融行业：在金融交易中经常涉及到小数，比如利息、金额的计算，金融场景对数字准确的要求极高，因此精确的小数运算是必要的。

• 财务软件：财务软件通常需要进行复杂的财务计算，Decimal 类型可以提供精确的小数计算，避免计算过程中产生的舍入误差。

• 科学计算、工程计算等其他场景。

在 Apache Doris 1.2.1 之前的版本中，我们已对 Decimal(precision, scale)(precision<=27) 数据类型进行了支持，随着 Apache Doris 用户的持续增长，银行、证券、基金等金融领域的用户也随之快速增长，对高精度的小数计算场景也提出了更高的要求，老版本的 Decimal 数据类型已无法满足。因此，我们在 Apache Doris 1.2.1 推出了精度更高、速度更快的 DecimalV3(precision, scale)(precision<=38)，实现了真正意义上的高精度定点数，相比于老版本的 Decimal ，DecimalV3 有以下核心优势：

• 可表示范围更大。DECIMALV3 对 Precision 和 Scale 的取值范围进行扩充。

• 内存占用更低，性能更高。老版本的 Decimal 需要占用 16 Bytes 的内存，而 DecimalV3 对内存可进行自适应调整，如下所示。

+----------------------+-------------------+
|     precision        | 占用空间（内存/磁盘）|
+----------------------+-------------------+
| 0 < precision <= 8   |      4 bytes      |
+----------------------+-------------------+
| 8 < precision <= 18  |      8 bytes      |
+----------------------+-------------------+
| 18 < precision <= 38 |     16 bytes      |
+----------------------+-------------------+

• 更完备的精度推演。

Apache Doris 1.2.1 下载地址：https://github.com/apache/doris/releases/tag/1.2.1-rc01

   四则运算

• 加法 减法：DECIMALV3(a, b) + DECIMALV3(x, y) -> DECIMALV3(max(a - b, x - y) + max(b, y), max(b, y))，即整数部分和小数部分都分别使用两个操作数中较大的值。

• 乘法：DECIMALV3(a, b) * DECIMALV3(x, y) -> DECIMALV3(a + x, b + y)

• 除法：DECIMALV3(a, b) DECIMALV3(x, y) -> DECIMALV3(a + y, b)

   聚合运算

• SUM MULTI_DISTINCT_SUM：SUM(DECIMALV3(a, b)) -> DECIMALV3(38, b)

• AVG：AVG(DECIMALV3(a, b)) -> DECIMALV3(38, max(b, 4))（说明：鉴于每个系统 AVG 精度不同，且不同用户对精度的需求也不同，经调研，决定选择与 SQLServer 相同的策略，选择“4”既能保证较好的性能，也不会有较大的精度损失。）

   默认规则

除上述提到的函数外，其余表达式都使用默认规则进行精度推演。即对于表达式 expr(DECIMALV3(a, b))
，结果类型同样也是 DECIMALV3(a, b)。

上述几种规则为当前 Doris 的默认行为，而不同场景对 DECIMALV3 的精度要求各不相同，远超出以上几种规则。当用户有不同的精度需求，可以通过以下方式进行精度调整：

• 当期望的结果精度大于默认精度时，可通过调整入参精度来调整结果精度。例如用户期望计算AVG(col)
  得到 DECIMALV3(x, y) 作为结果，其中col
  的类型为 DECIMALV3(a, b)，则可以改写表达式为AVG(CAST(col as DECIMALV3(x, y))) 
  。

• 当期望的结果精度小于默认精度时，可通过对输出结果求近似得到想要的精度。例如用户期望计算AVG(col)
  得到 DECIMALV3(x, y) 作为结果，其中col
  的类型为 DECIMALV3(a, b)，则可以改写表达式为ROUND(AVG(col), y)
  。

这里我们采用 Bitcoin 的数据集对 DecimalV3 进行演示。Bitcoin 数据集：https://www.kaggle.com/datasets/prasoonkottarathil/btcinusd

Bitcoin 的数据集部分示例如下：

• Unix - 时间戳

• Date - 时间

• Symbol - 时间序列数据所指代的交易品种

• Open - 该时间段的开盘价

• High - 该时间段的最高价

• Low - 该时间段的最低价

• Close - 该时间段的收盘价

• Volume BTC - BTC 金额

• Volume USD - USD 金额

以下是在 Doris 中的建表存储数据，其中小数的列分别用 DecimalV3 进行存储：

CREATE TABLE `btc` (
  `unix` bigint(20) NOT NULL,
  `date` datetime NULL,
  `symbol` varchar(30) NULL,
  `open` decimalv3(8, 2) NULL,
  `high` decimalv3(8, 2) NULL,
  `low` decimalv3(8, 2) NULL,
  `close` decimalv3(7, 2) NULL,
  `Volume_BTC` decimalv3(10, 8) NULL,
  `Volume_USD` decimalv3(38, 30) NULL
) ENGINE=OLAP
DUPLICATE KEY(`unix`)
COMMENT 'OLAP'
DISTRIBUTED BY HASH(`unix`) BUCKETS 4
PROPERTIES (
"replication_allocation" = "tag.location.default: 1"
);

我们来计算一下 2022 年 1 月 1 日这一天的平均 Volume_BTC/Volume_USD 以及总的 Volume_BTC/Volume_USD：

mysql> select avg(Volume_BTC),avg(Volume_USD),sum(Volume_BTC),sum(Volume_USD) from btc where to_date(date)='2022-01-01';
+-------------------+--------------------------------------+-------------------+-----------------------------------------+
| avg(`Volume_BTC`) | avg(`Volume_USD`)                    | sum(`Volume_BTC`) | sum(`Volume_USD`)                       |
+-------------------+--------------------------------------+-------------------+-----------------------------------------+
|        0.51494486 | 24236.665942788256243957638888888888 |      741.52060313 | 34900798.957615088991299000000000000000 |
+-------------------+--------------------------------------+-------------------+-----------------------------------------+

我们在两个库分别对新版 DecimalV3 和老版本 Decimal 进行建表，建表可参考：https://github.com/apache/doris/blob/master/tools/tpch-tools/ddl/create-tpch-tables.sql，建表完成如下：

tpch1 库为 DecimalV3

   执行速度

采用 TPC-H Benchmark 对执行速度进行测试：

SQL Q1：https://github.com/apache/doris/blob/master/tools/tpch-tools/queries/q1.sql

select /*+SET_VAR(exec_mem_limit=8589934592, parallel_fragment_exec_instance_num=16, enable_vectorized_engine=true, batch_size=4096, disable_join_reorder=false, enable_cost_based_join_reorder=false, enable_projection=false) */
    l_returnflag,
    l_linestatus,
    sum(l_quantity) as sum_qty,
    sum(l_extendedprice) as sum_base_price,
    sum(l_extendedprice * (1 - l_discount)) as sum_disc_price,
    sum(l_extendedprice * (1 - l_discount) * (1 + l_tax)) as sum_charge,
    avg(l_quantity) as avg_qty,
    avg(l_extendedprice) as avg_price,
    avg(l_discount) as avg_disc,
    count(*) as count_order
from
    lineitem
where
    l_shipdate <= date '1998-12-01' - interval '90' day
group by
    l_returnflag,
    l_linestatus
order by
    l_returnflag,
    l_linestatus;

tpch1 库（DecimalV3）的 SQL 执行结果为 6.38s

tpch2 库（老版本 Decimal）的 SQL 执行结果为 8.13s

SQL Q1 所查询的表是上述展示字段的表 Lineitem，我们可以看到在 DecimalV3 的情况下，查询速度较老版本有 27.4% 的提升。

   存储占用

tpch1 库（DecimalV3）的 Lineitem 表的存储占用为 18.475GB

tpch2 库（老版本 Decimal）的 Lineitem 表的存储占用为 20.893GB

可以看到在有四个字段由 Decimal 改为 DecimalV3 的情况下，存储占用有 13.1%的降低。

   内存占用

内存占用测试我们同样使用 Lineitem 表，采用自己改写的一条 SQL

select count(*) 
from 
(   select l_quantity,l_extendedprice,l_discount,l_tax 
    from lineitem 
    where l_shipdate < '1995-01-01' 
    group by l_quantity,l_extendedprice,l_discount,l_tax
)tmp;

分别在两个库执行上述 SQL

在 tpch1库（DecimalV3）下执行，内存占用峰值为 26.6GB

内存回落正常后，在 tpch2 库（老版本 Decimal）下执行，内存占用峰值为 30.8GB

李文强，SelectDB 数据库内核研发工程师，Apache Doris Committer

- End-

▼   点击阅读原文，给 Doris 点个赞吧！