Apache Arrow DataFusion 内存管理优化：SpillManager 在聚合与排序合并连接中的应用

背景介绍

Apache Arrow DataFusion 是一个高性能的查询引擎，在处理大规模数据时，内存管理是一个关键问题。当内存不足时，系统需要将中间结果"溢出"（spill）到磁盘以避免内存耗尽。传统的溢出机制存在一些局限性，为此社区提出了新的 SpillManager 接口来优化这一过程。

传统溢出机制的不足

在 DataFusion 的物理执行计划模块中，原本通过三个核心函数处理溢出操作：

1. 创建溢出文件
2. 将记录批次写入溢出文件
3. 从溢出文件读取记录批次

这些函数虽然功能完整，但存在以下问题：

• 缺乏统一管理，难以跟踪所有溢出文件
• 资源清理不够完善
• 缺乏对溢出文件的统一生命周期管理
• 难以统计和监控溢出情况

SpillManager 的设计优势

新的 SpillManager 接口提供了更完善的溢出管理能力：

1. 集中管理所有溢出文件，避免文件泄漏
2. 提供统一的资源清理机制
3. 支持更好的监控和统计
4. 简化了溢出操作的API使用

具体优化方案

本次优化主要针对两个关键执行算子：

1. 聚合执行（AggregateExec）优化

在聚合操作中，当内存不足时，中间聚合结果需要溢出到磁盘。使用 SpillManager 后：

• 可以更精确地控制溢出文件的生命周期
• 减少临时文件管理的复杂性
• 提高聚合过程中内存使用的可控性

2. 排序合并连接（SortMergeJoinExec）优化

排序合并连接操作需要先对输入数据进行排序，当数据量大时也会产生溢出需求。新方案：

• 统一管理排序阶段的临时文件
• 优化连接过程中的内存使用峰值
• 提供更好的错误处理和资源清理

实现细节

技术实现上主要包含以下步骤：

1. 识别现有代码中使用旧溢出API的地方
2. 用 SpillManager 的等效功能替换
3. 逐步废弃旧的溢出API
4. 确保向后兼容性

预期收益

这一改进将为 DataFusion 带来以下好处：

• 更稳定的内存溢出处理
• 减少资源泄漏风险
• 更好的系统可观测性
• 为未来更复杂的内存管理策略奠定基础

总结

DataFusion 通过引入 SpillManager 统一接口，显著改进了聚合和排序合并连接操作中的内存管理能力。这一变化不仅解决了现有问题，还为系统未来的内存管理优化提供了更灵活的基础架构。对于处理大规模数据查询的场景，这种改进将带来更稳定和高效的性能表现。