Apache Kylin查询性能优化

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，最初由eBay Inc. 开发并贡献至开源社区，可在亚秒内查询巨大的Hive表。

在Apache Kylin的实际部署过程中，SQL查询有时并不能如预期在很短的时间内完成，需要开发人员进行有针对性的分析和优化。

在进行分析、优化之前，我们需要先了解Apache Kylin查询的整个生命周期。这一周期主要分为三个阶段：第一阶段的SQL解析阶段，第二阶段的SQL查询阶段，以及第三阶段的数据集中和聚合阶段。接下来，我们将分阶段为大家解析应如何分析和优化Apache Kylin的查询性能。

第一阶段：SQL解析

在收到SQL请求后，Kylin Query Server会调用Calcite对SQL语句进行解析，Calcite的工作流程如下图。

首先，Calcite会将SQL语句通过范式编译器解析为一颗抽象语义树（AST）。

然后Calcite对这棵AST树进行优化，将Project（select部分）和Filter（where部分）Push down至Hadoop集群。

接着定义implement plan，共有两种方式：HepPlanner（启发式优化）和VolcanoPlanner（基于代价的优化）。目前Kylin只启用了一些必要的HepPlanner规则，大部分使用的是VolcanoPlanner。

第二阶段：SQL查询

针对子查询，UNION等场景，Calcite将SQL分解为多个OLAPContext，同时执行Filter Pushdown和Limit Pushdown等优化手段，然后提交到HBase上执行。

第三阶段：数据集中和聚合

HBase上的查询任务执行完成后，数据返回至Kylin Query Server端，由Calcite聚合多个OLAP Context的查询结果后，最后返回给前端BI。在了解Apache Kylin的查询生命周期以后，碰到一些查询速度较慢的情况，就能够有针对性地进行分析和优化了。

1、从模型设计角度，需要合理调整RowKey中维度的排列顺序，原则是把过滤字段（例如PART_DT等日期型字段）和高基维（例如BUYER_ID，SELLER_ID等客户字段）放在Rowkey的前列，这样能够显著提升【第二阶段SQL查询】在HBase上数据扫描和I/O读取的效率。

2、Kylin遵循的是“Scatter and gather”模式，而有的时候在【第二阶段SQL查询】时无法实现Filter Pushdown和Limit Pushdown等优化手段，需要等待数据集中返回Kylin后再筛选数据，这样数据吞吐量会很大，影响查询性能。优化方法是重写SQL语句。

例如，该SQL查询的筛选条件（斜体加粗部分）放在子查询中，因此无法实现Filter Pushdown。

select KYLIN_SALES.PART_DT, sum(KYLIN_SALES.PRICE)
from KYLIN_SALES
inner join (select ACCOUNT_ID, ACCOUNT_BUYER_LEVEL from KYLIN_ACCOUNT where ACCOUNT_COUNTRY = ‘US’ ) as TT
on KYLIN_SALES.BUYER_ID = TT.ACCOUNT_ID
group by KYLIN_SALES.PART_DT

正确的写法应该是：

select KYLIN_SALES.PART_DT, sum(KYLIN_SALES.PRICE)
from KYLIN_SALES
inner join KYLIN_ACCOUNT as TT on KYLIN_SALES.BUYER_ID = TT.ACCOUNT_ID
where TT.ACCOUNT_COUNTRY = ‘US’
group by KYLIN_SALES.PART_DT

如下图所示，可以在日志中查看Filter Pushdown是否成功。

3、查看后台日志，如果查询击中了Base Cuboid，则【第三阶段数据集中和聚合】将会花费大量时间，优化方法是调整模型中聚合组，联合维度，必要维度的设计。

相关优化方法可以参考以下技术文章：

Apache Kylin高级设置：聚合组（Aggregation Group）原理解析

Apache Kylin高级设置：必要维度 （Mandatory Dimension）原理解析

在日志中可以看到查询击中的Cuboid组合，如下图红框中的131071，将其转换为二进制数值是0x1 1111 1111 1111 1111，从右至左，共有17个1，表示该Cuboid中包含了17个维度（这里从右至左指代的维度的对应顺序是Cube模型中Rowkey中自下而上定义的维度），而Cube模型中所有维度的数量是17，说明击中了Base Cuboid。

4、从Kylin Query Server处理效率角度，需要实时监控Kylin节点的CPU占有率和内存消耗，如果两者很高的话可能导致【第一阶段SQL解析】的效率下降，优化方法是增加Kylin节点CPU和JVM配置。

具体方法是修改setenv.sh中的KYLIN_JVM_SETTINGS配置项。

5、监控BI前端，Kylin Query Server节点和Hadoop集群之间的网络通信状态，大数据集传输可能引起网络堵塞，尤其是在多并发查询的情况下更容易发生网络堵塞，进而对查询性能产生显著影响。优化方法是确保BI前端、Kylin节点、Hadoop集群之间的网络通畅，一个简单的方法是用PING命令查看网络之间的延迟。

6、对于一些复杂的SQL语句，如果包含子查询的话，尽量避免Left Join操作，尤其是Join的两个数据集都较大的情况下，会对查询性能有显著的影响。建议将SQL的数据处理逻辑放在ETL阶段，而前端SQL逻辑保持简单明了。