HTAP的發(fā)展現(xiàn)狀和未來趨勢

這個(gè)報(bào)告主體上分為5個(gè)章節(jié)，分別是：

背景介紹。

HTAP Databases：分享最新的 HTAP 數(shù)據(jù)庫技術(shù)，總結(jié)它們主要的應(yīng)用場景與優(yōu)缺點(diǎn)，并根據(jù)存儲架構(gòu)對它們進(jìn)行分類。

HTAP Tecniques：介紹主流的 HTAP 數(shù)據(jù)庫關(guān)鍵技術(shù)，包括事務(wù)處理技術(shù)、查詢分析技術(shù)、數(shù)據(jù)組織技術(shù)、數(shù)據(jù)同步技術(shù)、查詢優(yōu)化技術(shù)以及資源調(diào)度技術(shù)等。

HTAP Benchmarks：介紹目前現(xiàn)有的主流 HTAP 基準(zhǔn)測試。

Challenges and Open Problems：討論 HTAP 技術(shù)未來的研究方向與挑戰(zhàn)。

本文僅作精選分享，會省略一些非必要內(nèi)容，如想了解更多，請閱讀原報(bào)告。

背景介紹

1Motivation

開頭還是一個(gè)老生常談的 HTAP 起源動機(jī)問題，這個(gè)其實(shí)大家看過我們之前的文章《什么是真正的HTAP？背景篇》，也就很清楚了：HTAP（Hybrid Transactional/Analytical Processing）的概念和定義是 Gartner 在 2014 年第一次給出的，注意，這里特別提到了in-memory技術(shù)，在其定義中，HTAP 是通過內(nèi)存計(jì)算技術(shù)在同一份內(nèi)存數(shù)據(jù)上同時(shí)支持事務(wù)和分析的處理。

Motivation

如上圖所示，左邊是傳統(tǒng)架構(gòu)，要做OLAP必須先得把OLTP的數(shù)據(jù)通過ETL導(dǎo)過去，很麻煩，復(fù)雜度高、延遲高、運(yùn)維難度大，總之一系列水深問題，一般人把握不住。

但是右邊的HTAP架構(gòu)就很酷了，我一個(gè)數(shù)據(jù)庫采用行列共存的方式，同時(shí)進(jìn)行事務(wù)和分析的處理，So easy，老板再也不用擔(dān)心我做個(gè)BI報(bào)表需要“T+1”甚至“T+N”了，數(shù)據(jù)一進(jìn)來就能做到實(shí)時(shí)地分析，沒錯(cuò)，這就是我們常說的 Real-Time。

Gartner envisioned that, HTAP techniques willbe widely adopted in the business applicationswith real-time data analytics by 2024.

Gartner 預(yù)計(jì) HTAP 這個(gè)技術(shù)將會在 2024 年被需要實(shí)時(shí)分析的商業(yè)應(yīng)用廣泛采用，因?yàn)樗诤芏嘈袠I(yè)都有應(yīng)用場景，包括電商、財(cái)務(wù)、銀行和風(fēng)控等等。這里舉兩個(gè)栗子：

在購物節(jié)這種高并發(fā)的情形下，如果電商賣家能夠?qū)崟r(shí)地分析用戶行為數(shù)據(jù)，并根據(jù)分析結(jié)果針對性地投放品類廣告，這無疑會給賣家?guī)砀嗟氖找妗?/p>

銀行在線上處理用戶事務(wù)時(shí)還能實(shí)時(shí)地分析數(shù)據(jù)，從而檢測判斷該用戶及其行為是否異常或者存在風(fēng)險(xiǎn)，這會讓風(fēng)控系統(tǒng)更加智能化。

實(shí)現(xiàn)上述的應(yīng)用，HTAP 技術(shù)就是不可或缺的基礎(chǔ)設(shè)施底座。

可以看到，過去10年里，HTAP數(shù)據(jù)庫不斷涌現(xiàn)，本篇報(bào)告作者這里根據(jù) HTAP 數(shù)據(jù)庫發(fā)展時(shí)間線梳理成三個(gè)階段：

第一階段（2010-2014）：HTAP 數(shù)據(jù)庫主要是采用主列存（primary column store）的方式。如SAP HANA、HyPer、DB2和BLU等。

第二階段（2014-2020）：HTAP 數(shù)據(jù)庫主要是擴(kuò)展了以前主行存的技術(shù)，在行存上加上了列存。如SQL Server，Oracle和L-store等。

第三階段（2020-present）：HTAP 數(shù)據(jù)庫主要是開啟了分布式的架構(gòu)實(shí)現(xiàn)，滿足高并發(fā)的請求。如SingleStore、MySQL Heatwave和Greenplum等。

PS：StoneDB 屬于第三階段，是具有分布式架構(gòu)、內(nèi)存計(jì)算和行列混存的HTAP數(shù)據(jù)庫。

在數(shù)據(jù)庫領(lǐng)域，有兩個(gè)公認(rèn)的經(jīng)驗(yàn)法則：

行存（Row Store）：比較適合OLTP。

Row-wise，update-heavy（重更新），short-lived transactions（短時(shí)延事務(wù)）

列存（Column Store）：比較適合OLAP。

column-wise，read-heavy，bandwidth-intensive queries（帶寬敏感查詢）

在本篇報(bào)告主要研究采用行列共存的HTAP數(shù)據(jù)庫。

2A trade-off for HTAP databases

HTAP 數(shù)據(jù)庫也有需要解決的問題，正所謂魚和熊掌不可兼得，很多時(shí)候我們需要找到一個(gè)權(quán)衡點(diǎn)，既然是權(quán)衡，就有天平的兩端，在HTAP數(shù)據(jù)庫領(lǐng)域里，主要討論的是工作負(fù)載隔離（Workload isolation） 和 數(shù)據(jù)新鮮度（Data freshness） 這兩個(gè)重要特性的權(quán)衡。

工作負(fù)載隔離，就是指OLTP和OLAP之間的負(fù)載隔離程度；數(shù)據(jù)新鮮度，就是指OLAP到底能讀到多新的事務(wù)性數(shù)據(jù)。

從現(xiàn)有的觀測數(shù)據(jù)來看：

高的工作負(fù)載隔離會導(dǎo)致較低的數(shù)據(jù)新鮮度

低的工作負(fù)載隔離會獲得較高的數(shù)據(jù)新鮮度

Trade-off for workload isolation and data freshness
這里關(guān)于Trade-off的相關(guān)思考我們之前在對外的分享會上也屢次提及，感興趣的同學(xué)可以前往B站觀看我們最近一期的線上Meetup視頻：

視頻地址：https://m.bilibili.com/video/BV1jB4y1577G

3Challenges for HTAP databases

作者這里提出了HTAP數(shù)據(jù)庫面臨的四大挑戰(zhàn)，這里也和我們的第二篇文章《什么是真正的HTAP？挑戰(zhàn)篇》里的觀點(diǎn)不謀而合，可以說完全在我們提出的8點(diǎn)挑戰(zhàn)范圍之內(nèi)：

挑戰(zhàn)一：數(shù)據(jù)組織（Data Organization）

挑戰(zhàn)二：數(shù)據(jù)同步（Data Synchronization）

挑戰(zhàn)三：查詢優(yōu)化（Query Optimization）

挑戰(zhàn)四：資源調(diào)度（Resource Scheduling）

Challenges for HTAP databases

HTAP 數(shù)據(jù)庫

這一章節(jié)主要調(diào)研現(xiàn)有 HTAP 數(shù)據(jù)庫的主要架構(gòu)，作者這里分成了四大架構(gòu)：

主行存儲+內(nèi)存中列存儲（Primary Row Store + InMemory Column Store）

分布式行存儲+列存儲副本（Distributed Row Store + Column Store Replica）

磁盤行存儲+分布式列存儲（Disk Row Store + Distributed Column Store）

主列存儲+增量行存儲（Primary Column Store + Delta Row Store）

1主行存儲+內(nèi)存中列存儲

主行存儲+內(nèi)存中列存儲

這類 HTAP 數(shù)據(jù)庫利用主行存儲作為 OLTP 工作負(fù)載的基礎(chǔ)，并使用內(nèi)存列存儲處理 OLAP 工作負(fù)載。所有數(shù)據(jù)都保存在主行存儲中。行存儲也是內(nèi)存優(yōu)化的，因此可以有效地處理數(shù)據(jù)更新。更新也會附加到增量存儲中，增量存儲將合并到列存儲中。例如，Oracle 內(nèi)存雙格式數(shù)據(jù)庫結(jié)合了基于行的緩沖區(qū)和基于列的內(nèi)存壓縮單元 (IMCU) 來一起處理 OLTP 和 OLAP 工作負(fù)載。文件和更改緩存在快照元數(shù)據(jù)單元 (SMU) 中。另一個(gè)例子是 SQL Server，它在 Hekaton 行引擎中的內(nèi)存表上開發(fā)了列存儲索引 (CSI)，以實(shí)現(xiàn)實(shí)時(shí)分析處理。這種類型的 HTAP 數(shù)據(jù)庫具有高吞吐量，因?yàn)樗泄ぷ髫?fù)載都在內(nèi)存中處理。

優(yōu)勢：

TP 吞吐量高

AP 吞吐量高

數(shù)據(jù)新鮮度高

劣勢：

AP 擴(kuò)展能力低

負(fù)載隔離性低

應(yīng)用：

高吞吐、低擴(kuò)展（比如需要實(shí)時(shí)分析的銀行系統(tǒng)）

案例研究1：Oracle Dual-Format

Lahiri, Tirthankar, et al. "Oracle database in-memory: A dual format in-memorydatabase." In ICDE, 2015.

SIMD：單指令多數(shù)據(jù)

Max-Min Zone Map

Vector Group By：向量化

案例研究2：SQL Server

Larson, Per-?ke, et al. "Real-time analytical processing withSQL server.” PVLDB 8(12), 2015: 1740-1751.

Persistent Column Store：持久化列存

Updatable：可更新

總結(jié)

架構(gòu)(a)的兩個(gè)HTAP數(shù)據(jù)庫對比

2分布式行存儲+列存儲副本

分布式行存儲+列存儲副本

此類別依賴于分布式架構(gòu)來支持 HTAP。主節(jié)點(diǎn)在處理事務(wù)請求時(shí)將日志異步復(fù)制到從節(jié)點(diǎn)。主存儲為行存儲，選擇一些從節(jié)點(diǎn)作為列存儲服務(wù)器進(jìn)行查詢加速。事務(wù)以分布式方式處理以實(shí)現(xiàn)高可擴(kuò)展性；復(fù)雜查詢在具有列存儲的服務(wù)器節(jié)點(diǎn)中執(zhí)行。

優(yōu)勢：

負(fù)載隔離性高

擴(kuò)展性高

劣勢：

數(shù)據(jù)新鮮度低

應(yīng)用：

對TP和AP擴(kuò)展性要求比較高，同時(shí)能夠容忍相對較低的數(shù)據(jù)新鮮度（比如需要實(shí)時(shí)分析的大規(guī)模電商系統(tǒng)）

案例研究：F1 Lightning

Yang, Jiacheng, et al. "F1 Lightning: HTAP as a Service." PVLDB 13(12), 2020: 3313-3325.

總結(jié)

架構(gòu)(b)的兩個(gè)HTAP數(shù)據(jù)庫對比

3磁盤行存儲+分布式列存儲

磁盤行存儲 + 分布式列存儲

這種數(shù)據(jù)庫利用基于磁盤的 RDBMS 和分布式內(nèi)存列存儲 (IMCS) 來支持 HTAP。RDBMS 保留了 OLTP 工作負(fù)載的全部容量，并且深度集成了 IMCS 集群以加速查詢處理。列數(shù)據(jù)從行存儲中提取，熱數(shù)據(jù)駐留在 IMCS 中，冷數(shù)據(jù)將被驅(qū)逐到磁盤。例如，MySQL Heatwave將 MySQL 數(shù)據(jù)庫與稱為 Heatwave 的分布式 IMCS 集群相結(jié)合，以實(shí)現(xiàn)實(shí)時(shí)分析。事務(wù)在 MySQL 數(shù)據(jù)庫中完全執(zhí)行。經(jīng)常訪問的列將被加載到 Heatwave。當(dāng)復(fù)雜查詢進(jìn)來時(shí)，可以下推到IMCS引擎進(jìn)行查詢加速。

優(yōu)勢：

負(fù)載隔離性高

AP吞吐量和擴(kuò)展性高

劣勢：

數(shù)據(jù)新鮮度不高

Medium（On-premise）：部署在本地，在不同機(jī)器上會有數(shù)據(jù)新鮮度的犧牲

Low（Cloud-based）：部署在云端，網(wǎng)絡(luò)延遲會影響數(shù)據(jù)新鮮度

應(yīng)用：

對AP擴(kuò)展性要求比較高，同時(shí)能夠容忍相對較低的數(shù)據(jù)新鮮度（比如需要實(shí)時(shí)分析的IoT應(yīng)用）

案例研究1：MySQL Heatwave

MySQL Heatwave. Real-time Analytics for MySQL Database Service, August 2021, Version 3.0

Auto-pilot service：自動調(diào)優(yōu)（一些云服務(wù)，可以在系統(tǒng)中自動幫客戶實(shí)現(xiàn)數(shù)據(jù)分區(qū)、查詢優(yōu)化和資源調(diào)度等等）

Auto-Sunc：自動同步（可實(shí)現(xiàn)定時(shí)定量同步數(shù)據(jù)）

案例研究2：Oracle RAC

Lahiri, Tirthankar, et al. "Oracle database in-memory: A dual format in-memorydatabase." In ICDE, 2015.

Auto-Sunc：自動同步（基于閾值的方式）

總結(jié)

架構(gòu)(c)的兩個(gè)HTAP數(shù)據(jù)庫對比

4主列存儲+增量行存儲

主列存儲+增量行存儲

此類數(shù)據(jù)庫利用主列存儲作為 OLAP 的基礎(chǔ)，并使用增量行存儲處理 OLTP。內(nèi)存中的 delta-main HTAP 數(shù)據(jù)庫將整個(gè)數(shù)據(jù)存儲在主列存儲中。數(shù)據(jù)更新附加到基于行的增量存儲。OLAP 性能很高，因?yàn)榱写鎯κ歉叨茸x取優(yōu)化的。但是，由于 OLTP 工作負(fù)載只有一個(gè)增量行存儲，因此 OLTP 的可伸縮性很低。一個(gè)代表是 SAPHANA 。它將內(nèi)存中的數(shù)據(jù)存儲分為三層：L1-delta、L2-delta 和 Main。L1-delta以逐行格式保持?jǐn)?shù)據(jù)更新。當(dāng)達(dá)到閾值時(shí)，將 L1-delta 中的數(shù)據(jù)附加到 L2-delta。L2-delta 將數(shù)據(jù)轉(zhuǎn)換為列數(shù)據(jù)，然后將數(shù)據(jù)合并到主列存儲中。最后，將列數(shù)據(jù)持久化到磁盤存儲。

優(yōu)勢：

數(shù)據(jù)新鮮度高

AP吞吐量高

劣勢：

TP可擴(kuò)展性不高

負(fù)載隔離性不高

應(yīng)用：

高AP吞吐量、高數(shù)據(jù)新鮮度（比如需要實(shí)時(shí)分析的風(fēng)控系統(tǒng)）

案例1：SAP HANA

Sikka, Vishal, et al. "Efficient transaction processing in SAP HANA database: the end of a column store myth.” In SIGMOD. 2012.

案例2：Hyper（Column）

Neumann, Thomas, Tobias Mühlbauer, and Alfons Kemper. "Fast serializable multi-version concurrencycontrol for main-memory database systems." In SIGMOD ,2015.

總結(jié)

架構(gòu)(d)的兩個(gè)HTAP數(shù)據(jù)庫對比

5四種架構(gòu)HTAP數(shù)據(jù)庫的對比

HTAP 相關(guān)技術(shù)

HTAP的相關(guān)技術(shù)包括（1）事務(wù)處理；(2)分析處理；(3) 數(shù)據(jù)同步；(4) 查詢優(yōu)化；(5)資源調(diào)度。這些關(guān)鍵技術(shù)被最先進(jìn)的 HTAP 數(shù)據(jù)庫采用。然而，它們在各種指標(biāo)上各有利弊，例如效率、可擴(kuò)展性和新鮮度等等。