Databend 聚合查询性能问题分析与解决方案

问题背景

Databend 是一款开源的云原生数据仓库系统，近期在 v1.2.670-nightly 版本中出现了一个影响生产环境的严重性能问题：某些简单的聚合查询在特定条件下无法正常返回结果。这个问题在集群规模为2个节点时表现尤为明显，而当集群扩展到3个节点时，相同的查询却能快速完成。

问题现象

用户报告了一个典型的聚合查询场景：当执行包含特定字段组合的聚合查询时，查询会长时间运行而不返回结果。日志显示查询最终因超过最大执行时间限制(默认20分钟)而被中止。值得注意的是：

1. 如果从聚合中移除某个特定字段，查询可以快速完成
2. 将数据导出到其他服务器执行相同查询也能正常工作
3. 问题不仅限于v1.2.670-nightly版本，在之前的版本中也存在

技术分析

从日志和开发团队的调查来看，这个问题与Databend的分布式执行引擎有关，特别是以下几个方面：

1. 数据分布问题：查询卡顿与数据在集群节点间的分布方式密切相关。当数据分布不均匀或特定分片处理不当时，可能导致某些节点负载过重。

2. 哈希聚合实现：问题最初怀疑与实验性的聚合哈希表实现有关，但禁用该功能(set enable_experimental_aggregate_hashtable = 0)并未解决问题。

3. 任务调度问题：日志中出现"Very slow processor async task"警告，显示某些处理任务(如ExchangeSourceReader和HashJoinProbe)长时间运行而没有工作线程分配，表明任务调度系统可能存在死锁或资源分配问题。

4. 节点数量影响：问题在2节点集群中重现，而在3节点集群中消失，说明问题与集群拓扑结构和任务分配算法有关。

解决方案

开发团队经过深入分析后，提出了以下解决方案：

1. 关键修复补丁：团队提交了专门的修复补丁(#17245)，解决了聚合查询在特定数据分布下的执行问题。测试表明，使用修复后的镜像(sundyli/databend-query:agg)后，原先卡顿的查询能在5秒内完成。

2. 临时解决方案：在等待官方修复版本发布期间，用户可以临时将集群扩展到3个节点来规避问题。

3. 后续优化：团队还修复了相关的内存泄漏问题(#17252)，这些修复将被包含在后续的nightly版本中。

最佳实践建议

对于使用Databend的用户，建议：

1. 对于生产环境中的关键查询，建议进行充分的性能测试，特别是在不同集群规模下的测试。

2. 关注查询执行计划，对于复杂的聚合操作，考虑优化查询结构或数据分布。

3. 及时升级到包含修复的版本，特别是当遇到类似查询性能问题时。

4. 对于性能敏感的部署环境，考虑使用3节点或以上规模的集群配置，以获得更稳定的性能表现。

总结

这次Databend聚合查询性能问题的解决过程展示了分布式查询引擎的复杂性。数据分布、任务调度和集群拓扑结构之间的微妙交互可能导致非直观的性能问题。开发团队通过深入分析问题根源，提供了有效的解决方案，同时也为系统未来的稳定性改进奠定了基础。