首页
/ Apache DataFusion 中 Duration 类型聚合性能优化实践

Apache DataFusion 中 Duration 类型聚合性能优化实践

2025-05-31 17:33:18作者:房伟宁

背景介绍

Apache DataFusion 是一个用 Rust 编写的现代化查询引擎,它提供了高性能的 SQL 查询执行能力。在数据分析领域,处理时间间隔(Duration)类型的聚合操作是一个常见需求,特别是在分析系统响应时间、处理延迟等场景下。

问题发现

在 DataFusion 项目中,开发团队注意到现有的 AVG 聚合函数在处理 Duration 类型数据时存在性能瓶颈。具体表现为:

  1. 缺乏针对 Duration 类型的专门优化实现
  2. 现有基准测试中没有覆盖 Duration 类型的聚合场景
  3. 当需要对时间差进行平均值计算时,性能表现不理想

技术解决方案

团队提出了两个主要的技术改进方向:

1. 实现专门的 GroupsAccumulator 优化

通过为 Duration 类型实现专门的 GroupsAccumulator,可以显著提高 AVG(duration) 操作的性能。这种优化利用了 Rust 的类型系统和 DataFusion 的执行框架,为特定数据类型提供定制化的聚合计算路径。

测试数据显示,优化后的实现在相同查询下性能提升了约 35%:

  • 优化前:约 0.478 秒
  • 优化后:约 0.306 秒

2. 添加基准测试用例

为了验证优化效果并防止性能回退,团队设计了两类基准测试查询:

简单分组查询

SELECT
  "OS",
  AVG(to_timestamp("ResponseEndTiming")-to_timestamp("ResponseStartTiming")) as avg_response_time,
  AVG(to_timestamp("ResponseEndTiming")-to_timestamp("ConnectTiming")) as avg_latency
FROM 'hits_partitioned'
GROUP BY "OS"
ORDER BY avg_latency DESC

这类查询产生约 91 个分组,适合测试基础聚合性能。

复杂分组查询

SELECT
  "RegionID",
  "UserAgent",
  "OS",
  AVG(to_timestamp("EventTime") - '2013-07-01T20:00:00'::timestamp) as a_start,
  AVG(to_timestamp("EventTime") - '2013-07-01T20:00:00'::timestamp) as a_end
FROM 'hits_partitioned'
GROUP BY "RegionID", "UserAgent", "OS"
ORDER BY a_start, a_end DESC

这类查询会产生更多分组(约 138,826 个),能够更好地测试系统在高基数分组下的聚合性能。

业务场景应用

这些优化特别适用于以下业务分析场景:

  1. 系统性能分析:计算不同操作系统(OS)的平均响应时间和延迟
  2. 用户行为分析:分析不同地区、用户代理组合的时间模式
  3. 服务质量监控:识别响应时间异常的区域-设备组合

例如,通过分析不同 OS 的响应时间差异,可以识别出性能问题:

+-----+-------------------------------------------+------------------------------------------+
| OS  | avg_response_time                         | avg_latency                              |
+-----+-------------------------------------------+------------------------------------------+
| 103 | 0 days 0 hours 13 mins 47.509466437 secs  | 0 days 0 hours 13 mins 47.509466437 secs |
| 74  | 0 days 0 hours 12 mins 51.287431013 secs  | 0 days 0 hours 13 mins 47.184892702 secs |
| 49  | 0 days 0 hours 13 mins 9.107811258 secs   | 0 days 0 hours 13 mins 42.811185779 secs |
...

技术实现要点

  1. Duration 类型处理:通过时间戳相减得到 Duration 类型
  2. 聚合优化:为 Duration 实现专门的累加器,避免通用实现的性能开销
  3. 基准测试设计:覆盖不同分组基数场景,确保优化效果可测量

总结

DataFusion 通过对 Duration 类型聚合的专门优化,显著提升了时间相关分析查询的性能。这一改进不仅体现在技术指标上,更能为实际业务分析提供更高效的支持。通过精心设计的基准测试,团队确保了优化效果的可靠性和可持续性。

这种针对特定数据类型的优化思路,也为 DataFusion 处理其他复杂数据类型提供了可借鉴的经验。随着越来越多的企业需要处理时间序列数据,这类优化将发挥越来越重要的作用。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
860
511
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
259
300
kernelkernel
deepin linux kernel
C
22
5
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
595
57
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K