如何选择数据仓库开发方法（干货大厂运维必备技能）

【摘要】 众所周知，数据量大了之后，性能是大家关注的一点，所以我们在业务开发的时候，特别关注性能，做为一个架构师，必须对性能要了解，要懂。才能设计出高性能的业务系统。

一、GaussDB分布式架构

所谓集群是将多台物理服务器组建成一个逻辑平台，对外展现一个集群平台的形式。

所谓分布式架构是将数据分而治之。以逻辑进行划分，将数据存放在不同的物理节点。

CN:协调节点 负责接收来自应用的访问请求，并向客户端返回执行结果。Coordinator负责分解任务，并调度任务分片在DataNode上并行执行。

CN：SQL语句的解析和任务规划，把具体的任务下发给DN结构

GTM：生成和维护全局事务ID、事务快照、时间戳等需要全局唯一的信息。

DN:数据节点，负责存储业务数据(支持行存、列存、混合存储)、执行数据查询任务以及向Coordinator返回执行结果。【不单存储还负责计算】

一台物理机【2-4个DN】

Coorinator做任务的规划 分发，规划完之后，把具体的任务抛给计算节点。

Crew3 Worker1和Crew3 Worker2就是任务树中的叶节点就是数据的扫描任务，接受下级任务的数据输入，向上级任务输出数据。

Crew2 Worker1和Crew2 Worker2中间的节点就是各种数据运算任务,如Hash计算，Join操作，聚集操作和排序操作。接受下级任务的数据输入，向上级任务输出数据。

在非阻塞的任务流程中，上级任务不需要等待下级完成全部任务返回整体结果级才启动，下级任务生成一条结果记录就可以传递给上级。

阻塞情况下，上级任务需要等待下级任务完成所有数据处理工作。

二、调优原则与流程

说白了，就是少花钱，多办事，资源利用最大化，比如我们在点查询场景的时候尽量使用索引扫描。如果实在不能索引扫描，我们会读取每一条元组和点查询条件进行匹配。

在没有资源瓶颈的情况下,尽量充分利用资源，比如在数据排序的时候，尽量使数据不下盘，在内存进行排序。因为在磁盘中读写的速度，肯定是不如内存的。

• 静态调优一般架构师会根据业务特征确定集群部署方案，表定义，行列存，复制/哈希分布等设计的过程。方案和表一般确定下来，后期如果要改动，代价很大。

• 可能作为有经验的人来说,收集统计信息，sql改写，数据库参数配置，plan hint等手段基本都做过，它属于执行态调优。但是没有经验的人可能只知道理论，不知道如何操作，久而久之，理论都忘记了。

1. 防止单点(单个DN)数据多， 导致整个集群有效容量下降。
2. 防止单点扫描，压力过大。
3. 通过，分区，索引，局部聚簇实现。（后面会有实践操作）
4. 选择关联列，做为分布列，比如用id关联，将id做为分布列，这样查询的时候，避免跨计算接点的数据流动，减少网络压力。

局部聚簇是列存储下独有的手段，通过把表数据按照指定列排序后存储，配合稀疏索引，可以实现表数据的快速扫描。【华为独有的科技】

三、伴随场景介绍

发现一个犯罪嫌疑人，还有他的车辆，我怎么通过数据挖掘来找到犯罪团伙的场景。

四、调优实践

Plan Information:在sql语句执行的时候，perf语句会包含非常多的执行动作,也会消耗很多的资源，我们通过perf把这些信息都记录下来。常用的是前2个。Plan 执行过程中每个算子的执行概要信息。比如:scan,join等。另外一个是算子，with信息。

Predicate Information: 算子信息，每条数据扫描，伴随的filter条件，join伴随的关联字段。

1. 会对数据类似于分区，然后进行局部排序
2. 并通过元数据信息记录这个区间的最大值和最小值。

CUNone:0我忽略了多少个数据段

CUSome:6我需要扫描多少个数据段

Scan的性能提升的两个主要策略

1)减少实际IO

a)索引

b)pck

c)分区

2)Scan压力均衡

a)调整分布列

数据批量入库的时候，按字段做一些排序。排完序之后，再入库。

导入表数据和统计信息。

Time:10.422ms

不包含PCK大概花了23.902ms

pck建立的场景和索引的建立场景是有点像的。

nestloop的在特定场景下，性能会非常好，比如小表join大表的时候，

hashjoin在大多数场景下，性能最优。大表join大表

hash join一般期望数据量小的表做内表,

hash join:137ms

merge join:775ms

nestloop:1137.9ms

问题总结:

1.truncate和delete快

答： truncate 整个文件都不读 delete标记元组 删除

2.PCK对入库的数据做局部排序影响较小。

3.MPP数据库性能瓶颈在哪些?

答:数据库性能瓶颈在具体数据处理业务场景，分布式架构场景下，业务CPU吃满了，瓶颈在CPU，内存吃满了，瓶颈在内存。

,