首页
/ CrateDB中字符串列存储压缩优化的探索与实践

CrateDB中字符串列存储压缩优化的探索与实践

2025-06-15 18:26:15作者:虞亚竹Luna

背景与问题分析

在CrateDB的存储引擎实现中,团队长期维护着一个Lucene90DocValuesFormat的分支版本,该版本移除了术语字典(terms dictionary)的压缩功能。这一修改带来了显著的性能提升,特别是在处理高基数字符串列值的流式读取场景下。然而,这种定制化分支也带来了维护成本——无法自动获取Lucene主线的性能改进和新功能(如Lucene 10中引入的稀疏索引特性)。

性能测试表明,在select/hash_join基准测试中(涉及两个表通过字符串列进行连接操作),使用主线的压缩格式会导致严重的性能下降。特别当该字符串列被定义为主键时(意味着值唯一性),对术语字典的访问呈现完全随机模式,这对基于压缩块存储的数据结构极为不利——每次访问都可能命中不同的压缩块,使得解压缩开销无法分摊。

解决方案探索

团队尝试了多种技术方案来优化这一场景:

  1. 预取优化:在BinaryColumnReference中实现prefetch方法,尝试按术语字典顺序批量加载1024个文档ID的值。虽然相比基线有所改善,但在大数据集下仍比分支版本慢约两倍,因为随机分布的文档ID仍会命中不同的压缩块。

  2. 混合存储策略:考虑仅对主键列使用分支格式,其他字符串列回归主线格式。但这样会牺牲主键字符串列的稀疏索引功能。

  3. 索引排序优化:实验性地对主键列实施索引排序,在小数据集场景表现优异,但在大规模流式处理时反而造成性能下降。测试数据显示:

    • 小数据集查询延迟降低128%
    • 但百万级数据查询延迟反而增加81.73%
  4. 存储字段替代方案:尝试从存储字段而非排序集合文档值中获取主键值。虽然存储字段在顺序访问时可能有优势,但实测性能反而下降约5倍。

技术决策与最终方案

经过多轮验证,团队确定了最优技术路线:

  1. 采用BinaryDocValues:相比SortedSetDocValues,BinaryDocValues在大规模顺序访问场景下展现出明显优势:

    • 在百万级数据查询中性能提升52.21%
    • 内存分配率从1570.07MB/s提升至2552.79MB/s
    • 显著减少GC压力(Young GC次数减少,平均耗时降低)
  2. 存储空间权衡:虽然BinaryDocValues方案会使字段数据增长21%,但术语字典大小仅增加5.28%,总体存储空间增加约2.54%,在可接受范围内。

  3. 保留定制化分支:鉴于实际业务场景中大量存在需要流式读取字符串数据的负载,最终决定暂时保留去除术语字典压缩的分支版本,同时将BinaryDocValues作为未来演进方向。

经验总结与未来方向

本次优化过程得出几个重要结论:

  1. 访问模式决定性能特征:随机访问与压缩存储的相性较差,在设计存储格式时必须考虑典型查询模式。

  2. 没有银弹方案:索引排序对小数据集有效但不利于流式处理,说明优化需要针对具体场景。

  3. 性能与空间的trade-off:在某些场景下,适度的存储空间增长换取性能提升是合理选择。

未来工作将聚焦于:

  • 全面转向BinaryDocValues的可行性验证
  • 研究如何平滑迁移现有数据格式
  • 探索对数值主键列应用索引排序以替代BKD索引的可能性

通过这次深入的性能优化实践,CrateDB团队对列式存储的底层机制有了更深刻的理解,为后续存储引擎的持续优化奠定了坚实基础。

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++
179
263
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
869
514
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
130
183
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
295
331
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
333
1.09 K
harmony-utilsharmony-utils
harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
18
0
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
kernelkernel
deepin linux kernel
C
22
5
WxJavaWxJava
微信开发 Java SDK,支持微信支付、开放平台、公众号、视频号、企业微信、小程序等的后端开发,记得关注公众号及时接受版本更新信息,以及加入微信群进行深入讨论
Java
829
22
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
601
58