[kylin]Kylin 快速数据立方算法揭秘

Apache Kylin是一个开源的分布式分析引擎，提供Hadoop之上的SQL查询接口及多维分析（OLAP）能力以支持超大规模数据。它能在亚秒内查询巨大的Hive表。本文将详细介绍Apache Kylin 1.5中的Fast-Cubing算法。

Fast Cubing，也称快速数据立方算法， 是一个新的Cube算法。我们知道，Cube的思想是用空间换时间， 通过预先的计算，把索引及结果存储起来，以换取查询时候的高性能 。在Kylin v1.5以前，Kylin中的Cube只有一种算法：layered cubing，也称逐层算法：它是逐层由底向上，把所有组合算完的过程。

图1是一个四维Cube，有维度A、B、C、D；它会需要五轮的Map－Reduce来完成：第一轮MR的输入是源数据， 这一步会对维度列的值进行编码，并计算ABCD组合的结果。接下来的MR以上一轮的输出为输入，向上聚合计算三个维度的组合： ABC, BCD, ABD, 和ACD；依此类推，直到算出所有的维度组合。

这个算法的优势是每一轮MR以上一轮的输出为结果，这样可以减少重复结算；当计算到后半程的时候，随着数据的减小，计算会越来越快 。 逐层Cube算法的主要优点是简单：Cube聚合的过程就是把要聚合掉的维度从key中减掉组成新的key交给Map-Reduce，由Map-Reduce框架对新key做排序和再聚合，计算结果写到HDFS。这个算法很好地利用了Map-Reduce框架。得益于Hadoop/Map－Reduce的成熟，此算法的稳定性已经非常高。

经过不断的实践，开发团队也发现了此算法的局限：我们知道，当数据量大的时候，Hadoop主要利用外存（也就是磁盘）做排序，数据在Mapper和Reducer之间还需要洗牌（shuffle）。在计算Cube的时候，集群的IO使用率往往很高; 在运行一些大的任务时，瓶颈会出现在网络传输和磁盘读写上，而CPU和内存的使用率比较低。此外, 因为需要递交N+1次Map－Reduce任务；每次递交任务，都需要检查集群是否有可用的节点能否满足资源要求，如果没有还需等待其它任务释放资源；反复的任务递交，给Hadoop集群带来额外的调度开销。特别是当集群比较繁忙的时候，等待的时间常常会非常可观，这些都导致 了Cube构建的时间比较长 。

带着这个问题开发团队做了不断分析和尝试，结合了若干研究者的论文，于是有了开发新算法的设想。新算法的核心思想是清晰简单的，就是最大化利用Mapper端的CPU和内存，对分配的数据块，将需要的组合全都做计算后再输出给Reducer；由Reducer再做一次合并（merge），从而计算出完整数据的所有组合。如此，经过一轮Map-Reduce就完成了以前需要N轮的Cube计算。图2是此算法的概览。

在Mapper内部， 也可以有一些优化，图3是一个典型的四维Cube的生成树；第一步会计算Base Cuboid（所有维度都有的组合），再基于它计算减少一个维度的组合。基于parent节点计算child节点，可以重用之前的计算结果；当计算child节点时，需要parent节点的值尽可能留在内存中； 如果child节点还有child，那么递归向下，所以它是一个深度优先遍历。当有一个节点没有child，或者它的所有child都已经计算完，这时候它就可以被输出，占用的内存就可以释放。

如果内存够的话，可以多线程并行向下聚合。如此可以最大限度地把计算发生在Mapper这一端，一方面减少shuffle的数据量，另一方面减少Reducer端的计算量。

Fast Cubing的优点：

• 总的IO量比以前大大减少。 

• 此算法可以脱离Map-Reduce而对数据做Cube计算，故可以很容易地在其它场景或框架下执行，例如Streaming 和Spark。

Fast Cubing的缺点：

• 代码比以前复杂了很多： 由于要做多层的聚合，并且引入多线程机制，同时还要估算JVM可用内存，当内存不足时需要将数据暂存到磁盘，所有这些都增加复杂度。

• 对Hadoop资源要求较高，用户应尽可能在Mapper上多分配内存；如果内存很小，该算法需要频繁借助磁盘，性能优势就会较弱。在极端情况下（如数据量很大同时维度很多），任务可能会由于超时等原因失败；

要让Fast-Cubing算法获得更高的效率，用户需要了解更多一些“内情”。

首先，在v1.5里，Kylin在对Fast-Cubing请求资源时候，默认是为Mapper任务请求3Gb的内存，给JVM2.7Gb。如果Hadoop节点可用内存较多的话，用户可以让Kylin获得更多内存：在conf/kylin_job_conf_inmem.xml文件，由参数“mapreduce.map.memory.mb”和“mapreduce.map.java.opts”设定 。

其次，需要在并发性和Mapper端聚合之间找到一个平衡。在v1.5.2里，Kylin默认是给每个Mapper分配32兆的数据；这样可以获得较高的并发性。但如果Hadoop集群规模较小，或可用资源较少，过多的Mapper会造成任务排队。这时，将数据块切得更大，如 64兆，效果会更好。数据块是由Kylin创建Hive平表时生成的， 在kylin_hive_conf.xml由参数dfs.block.size决定的。从v1.5.3开始，分配策略又有改进，给每个mapper会分配一样的行数，从而避免数据块不均匀时的木桶效应：由conf/kylin.properteis里的“kylin.job.mapreduce.mapper.input.rows”配置，默认是100万，用户可以示自己集群的规模设置更小值获得更高并发，或更大值减少请求的Mapper数。

通常推荐Fast-Cubing 算法，但不是所有情况下都如此。举例说明，如果每个Mapper之间的key交叉重合度较低，fast cubing更适合；因为Mapper端将这块数据最终要计算的结果都达到了，Reducer只需少量的聚合。另一个极端是，每个Mapper计算出的key跟其它 Mapper算出的key深度重合，这意味着在reducer端仍需将各个Mapper的数据抓取来再次聚合计算；如果key的数量巨大，该过程IO开销依然显著。对于这种情况，Layered-Cubing更适合。

用户该如何选择算法呢?无需担心，Kylin会自动选择合适的算法。Kylin在计算Cube之前对数据进行采样，在“fact distinct”步，利用HyperLogLog模拟去重，估算每种组合有多少不同的key，从而计算出每个Mapper输出的数据大小，以及所有Mapper之间数据的重合率，据此来决定采用哪种算法更优。在对上百个Cube任务的时间做统计分析后，Kylin选择了8做为默认的算法选择阀值(参数kylin.cube.algorithm.auto.threshold)：如果各个Mapper的小Cube的行数之和，大于reduce后的Cube行数的8倍，采用Layered Cubing, 反之采用Fast Cubing。如果用户在使用过程中，更倾向于使用Fast Cubing，可以适当调大此参数值，反之调小。