摘要： 前言 在《數據庫系統(tǒng)中的Code Generation技術介紹》中，我們簡單介紹了一下Code Generation技術及其在大規(guī)模OLAP系統(tǒng)，特別是大規(guī)模分布式OLAP系統(tǒng)中的重要性。MaxCompute采用了Code Generation技術來提高計算效率。在MaxCompute

前言

在《數據庫系統(tǒng)中的Code Generation技術介紹》中，我們簡單介紹了一下Code Generation技術及其在大規(guī)模OLAP系統(tǒng)，特別是大規(guī)模分布式OLAP系統(tǒng)中的重要性。MaxCompute采用了Code Generation技術來提高計算效率。在MaxCompute2.0中，我們又引入了基于LLVM的JIT(Just In Time) Code Generation技術。結合向量化的執(zhí)行引擎，基于SIMD技術的執(zhí)行效率優(yōu)化等方式，較之MaxCompute 1.0，MaxCompute 2.0在性能方便有了較大的提升，具體可以參照《MaxCompute2.0性能評測：更強大、更高效之上的更快速》。

MaxCompute 1.0中的Code Generation

如上圖，MaxCompute 1.0采用了靜態(tài)的Code Generation技術，工作主要在MaxCompute控制集群中名為“Executor”的角色上完成。其流程如下：
用戶的SQL語句在Executor上經過Parsing和Optimization之后，生成對應的查詢計劃。

Executor調用g++將“mapred.cpp”編譯成一個動態(tài)庫，并將其下發(fā)到計算集群中的每一個Worker上。

被調度起來的Worker會Load該動態(tài)庫，調用相應的Process()方法以完成計算邏輯。

可以看到，利用Code Generation技術，對于每一個SQL來說執(zhí)行時代碼都是經過定制的，因此執(zhí)行效率較傳統(tǒng)的Volcano Model更好。但是，其中也有一些問題。
g++ 編譯還是比較消耗CPU/內存的，特別是當優(yōu)化選項開到O2以上的時候。特別是用戶SQL比較復雜的情況下（有些SQL在SELECT語句中有多達上千個表達式，或者表達式的嵌套計算特別深入），生成的C++源文件也比較大，編譯更加耗時。在實際生產中，我們見過編譯耗時數十秒，消耗上G內存的情況。

生成的動態(tài)庫在控制集群和計算集群之間傳輸也會有帶來一定的網絡開銷。因為這個動態(tài)庫的與SQL邏輯緊密相關的，因此無法復用，因此每個SQL都會經歷編譯，下發(fā)的過程，在任務提交比較頻繁的情況下，控制集群的穩(wěn)定性會收到一定挑戰(zhàn)。

因為較高的編譯時開銷，這種Code Generation的方式在處理復雜的語句加中小數據規(guī)模查詢的場景，比如service mode下，overhead太大。

MaxCompute 2.0中的Code Generation

MaxCompute 2.0采用了基于LLVM的JIT Code Generation技術。所謂JIT，就是程序在運行期間根據需要動態(tài)生成相應的機器指令。這樣，整個Code Generation的工作由控制集群移交到了真正執(zhí)行計算邏輯的計算集群各個Worker上。其流程如下：

和MaxCompute 1.0中一樣，用戶的SQL語句在Executor上經過Parsing和Optimization之后，生成對應的查詢計劃。
查詢計劃直接被發(fā)送到計算集群各個Worker上。
MaxCompute 2.0執(zhí)行引擎的Code Generation模塊Load查詢計劃，并利用LLVM C++ API生成相應的機器碼。Code Generation模塊返回一個函數指針作為調用的入口。
Worker通過調用Code Generation模塊返回的函數指針以完成計算邏輯。

與MaxCompute 1.0相比，MaxCompute 2.0中Code Generation速度有明顯提升。在1.0中，一個SQL的平均Code Generation耗時大概在2-3s左右，這個時間在2.0中被縮短到100 - 200ms。因為在2.0中Code Generation都在計算集群的Worker上完成，因此相對來說減輕了控制集群的壓力，有助于MaxCompute控制集群的穩(wěn)定性。此外，因為MaxCompute 2.0的執(zhí)行引擎是復用的（不因為SQL不同而不一樣），因此無需像1.0中一樣，在控制集群與計算集群之間傳輸動態(tài)庫，降低了控制集群與計算機群之間的網絡負載。

后續(xù)工作

目前，MaxCompute 2.0 的執(zhí)行引擎還是以Volcano Model為基礎。只是在Volcano Model中各個算子之間以Batch模式傳遞數據，并且以列式執(zhí)行的方式提高執(zhí)行速度。基于LLVM的JIT Code Generation現在主要用在表達式計算，Streamline等熱點部分。之后，我們準備嘗試Full Stage的Code Generation, 類似http://www.hyper-db.com/。 有興趣的同學可以看看這個：http://www.vldb.org/pvldb/vol4/p539-neumann.pdf。 附件中的PDF結合了《數據庫系統(tǒng)中的Code Generation技術介紹》和本文的部分內容，有興趣的同學可以作為參考。

原文鏈接

干貨好文，請關注掃描以下二維碼：

總結

以上是生活随笔為你收集整理的MaxCompute 中的Code Generation技术简介的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。