Apache DataFusion 排序执行中的 Tokio 阻塞线程优化
在 Apache DataFusion 项目中,SortExec 操作在处理大数据量时会将中间结果溢出(spill)到磁盘文件。当可用内存较少时,系统可能会生成大量溢出文件,这会导致 Tokio 运行时创建过多的阻塞线程,进而引发系统资源耗尽的问题。
问题的核心在于 SortExec 的合并(merge)阶段。当需要合并大量溢出文件时,每个文件都会被包装成一个由阻塞线程支持的流。例如,当有183个溢出文件需要合并时,系统会创建至少183个阻塞线程。这种设计在资源受限的环境下(如Comet运行时)会导致线程饥饿,使查询操作"挂起"。
针对这一问题,社区提出了多级合并的解决方案。传统的单级合并方式会一次性尝试合并所有溢出文件,而改进后的方案采用分阶段合并策略:
- 首先将大量溢出文件分组进行初步合并(例如将183个文件分成约18组,每组合并10个文件)
- 然后对初步合并后的结果文件进行最终合并
这种方案虽然会增加约一倍的I/O操作(因为每个数据行需要被读写两次),但能有效控制并发线程数量。更重要的是,初步合并阶段可以并行执行,充分利用系统资源。
该优化不仅适用于SortExec操作,同样适用于使用SortPreservingMergeStream的其他操作,如AggregateExec的row_hash聚合。这提示我们可以考虑将排序和哈希操作的溢出处理统一到相同的代码路径中,便于集中优化。
在实现层面,需要注意Tokio运行时对阻塞线程数量的隐式限制。虽然Tokio不直接暴露其配置的最大阻塞线程数,但在资源受限环境下(如Comet默认只配置10个阻塞线程),合理的并发控制尤为重要。
未来可能的优化方向包括预取(prefetch)机制的引入,以及更精细的I/O调度策略。同时,随着Comet运行时计划从"每个计划一个Tokio运行时"改为"每个执行器一个全局运行时",这种优化将变得更加重要。
这种多级合并策略代表了大数据处理中经典的"分而治之"思想,通过增加少量I/O开销换取系统稳定性和可扩展性的提升,是资源受限环境下处理大规模数据排序的有效解决方案。
GLM-4.6
GLM-4.6在GLM-4.5基础上全面升级:200K超长上下文窗口支持复杂任务,代码性能大幅提升,前端页面生成更优。推理能力增强且支持工具调用,智能体表现更出色,写作风格更贴合人类偏好。八项公开基准测试显示其全面超越GLM-4.5,比肩DeepSeek-V3.1-Terminus等国内外领先模型。【此简介由AI生成】Jinja00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0118AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile011
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
最新内容推荐
项目优选









