PG-Storm：让PostgreSQL在GPU上跑得更快

PostgreSQL的扩展PG-Storm允许用户自定义扫描方式，将CPU的密集型工作负载转移到GPU处理，从而利用GPU强大的并行执行能力完成数据任务。在处理器内核数量和RAM带宽上，GPU有得天独厚的优势。GPU通常有成百上千的处理器内核，RAM带宽也比CPU大几倍，可以并行处理大量数值计算，因此其运算十分高效。

PG-Storm基本基于两点思想：

• 运行中本地GPU代码生成
• 异步流水线执行模式

在查询优化阶段，PG-Storm检测给定查询是否完全或部分可以在GPU上执行，而后确定该查询是否可转移。如果该查询可以转移，那么PG-Storm则在运行中创建GPU本地二进制文件的源代码，在执行阶段前启动即时编译进程。接下来，PG-Storm将提取行集装载入DMA缓存（一个缓存区的大小默认为15MB），并异步启动DMA传输和GPU内核执行。CUDA平台允许这些任务在后台执行，因此PostgreSQL可以提前运行当前进程。通过GPU加速，这些异步相关切分也隐藏了一般延迟。

装载PG-Strom后，在GPU上运行SQL并不需要专门的指示。它允许允许用户自定义PostgreSQL的扫描方式，而且提供了可以在GPU上运行的扫描/联接逻辑的其他可行方案。如果预计费用合理可行，任务管理器则放入自定义扫描节点，而非内置查询执行逻辑。

下图是PG-Strom和PostgreSQL的基准测试结果，横坐标为表数量，纵坐标为查询执行时间。在此次测试中，所有相关的内部关系都可以一次性地加载到GPU RAM上，预聚集大大减小了CPU需要处理行数。测试代码详情可以查看这里。

从上图中可以看出，PG-Strom比单纯PostgreSQL快很多。

以下是几种可以提高PostgreSQL性能的方法：

• 同类纵向扩展
• 异类纵向扩展
• 横向扩展

PG-Strom使用的是异类纵向扩展方法，针对工作负载特性，最大限度地利用了硬件优势。换句话来说，PG-Strom在CPU内核上运行之前，在GPU设备上分配简单而大量的数值计算。

对于PG-Storm更多细节感兴趣的读者，可以参考NEC的专家KaiGai最近在PGCON 2015给出的Talk，文中详细解释了大数据所面临的挑战，为何引入GPU以及PG-Storm的原理和效率等内容。

感谢徐川对本文的审校。

给InfoQ中文站投稿或者参与内容翻译工作，请邮件至[email protected]。也欢迎大家通过新浪微博（@InfoQ，@丁晓昀），微信（微信号：InfoQChina）关注我们，并与我们的编辑和其他读者朋友交流（欢迎加入InfoQ读者交流群）。