阿里雲數據庫產品HybridDB簡介——OLAP數據庫，支持行列混合存儲，基於數據庫Greenplum的開源版本，而且吸取PostgreSQL精髓

爲何會有HybridDB的誕生？它經歷了怎樣的研發歷程？它的應用場景和狀況是怎樣的？帶着這些問題，InfoQ對阿里雲的數據庫專家兼Postgres中國社區/中國用戶會主席蕭少聰先生進行了採訪，如下文字整理自採訪文稿。

業界早期使用數據時，尤爲是OLTP場景下，一般選擇非分佈式的關係型數據庫，如MySQL、SQLServer、Oracle、PostgreSQL便可知足大部份的需求。

OLAP中主流數據庫遭遇瓶頸

從技術角度而言，OLAP場景，不只涉及的數據量大並且要求分析的結果實時返回，對應的SQL查詢十分複雜。如何作到技術性能和業務功能權衡，對於數據庫而言是一個重大考驗。

已有的兩個主流開源數據庫，MySQL和PostgreSQL都是針對OLTP環境的，在OLAP在線分析需求下它們的性能明顯不足。特別是MySQL在大規模分析操做時多表Join的性能是當前互聯網用戶的一大痛點。

在OLAP發展的早期，其操做並無專門的數據庫支撐，直接就與OLTP業務放在同一個數據庫中完成。但隨着業務量的增長，OLAP每次要分析的數據量愈來愈大，這樣的分析操做執行時就會致使數據庫的業務交易降低。所以業界開始將OLTP、OLAP拆分紅兩套不一樣的數據庫進行處理，OLTP數據庫中的數據經過ETL軟件持續或按期抽取到OLAP數據庫，讓業務交易與報表分析進行分離。

而新的問題很快又到來了，聯互網爆發後數據量也激增，OLTP的業務庫能夠保存比較少的數據量如3個月到半年，但OLAP的數據量將可能要保存幾年甚至更多。單臺服務服務的性能上限已經沒法知足OLAP分析數據持續增長所帶來的壓力，所以催生出如阿里HybridDB這樣的大規模並行處理（Massive Parallel Processing，MPP）分佈式OLAP數據庫。

新的分佈式OLAP數據庫

在提供HybridDB方案以前，咱們會給用戶提供如分庫分表等處理方案，但這樣的方案對於SQL查詢內容不肯定的OLAP業務並不友好。當用戶須要進行多個數據表的組合操做時，因爲數據須要跨服務器進行大規模的聚合，性能十分低下。這個問題在HybridDB中也一樣會出現，所幸的是，Greenplum Database開源項目中藉助平行的數據擴展技術及interconnect的專用協議，經過自定義的網絡協議有效地解決了網絡瓶頸的問題。這也是咱們選擇基於Greenplum Database開源項目的緣由之一。

簡單來講，MPP是一種平衡的性能擴張模型。以HybridDB的模型爲列，每一個節點可存放的數據量及計算能力爲1Core / 8GB Mem / 80GB SSD（即將開放500GB HDD版本），若是用戶80GB之內的數據在這樣的計算單元中，能夠在毫秒內查詢出結果，那將數據計算能力及容量平衡擴展到上百TB甚至PB時，用戶查詢「等比」數據量時依然能夠達到毫秒級別。

MPP分佈式OLAP數據庫系統架構已經發展了有10多年之久，十分紅熟，當前使用這類系統的企業都是中大型公司。OLAP是一個很大的市場，有別於如同EMR(Hadoop)的大數據分析市場，它要求海量數據的SQL查詢在幾分鐘、幾秒，甚至毫秒級返回結果，所以對於服務器、網絡及數據庫軟件自己的架構都提出了很高的要求。

技術攻堅之路

2015年10月Greenplum Database由Pivotal開源後，阿里雲PostgreSQL內核團隊便開始進行深度的調研，於2016年開始進行產品的研發工做，到今年7月份咱們對用戶開放了公測邀請並準備正式商業化的工做。

揭祕HybridDB方案

HybridDB基於開源Greenplum Database(內核實際上就是PostgreSQL)項目的MPP分佈式數據倉庫，與PostgreSQL不一樣，HybridDB能夠實現橫向擴展，提供用戶須要的百GB到百TB的高性能分析能力。

HybridDB最大的三個特點：

1. 基於成熟的GPDB及PostgreSQL生態，軟開發合做夥伴進行一次軟件開發，便可在雲上雲下一樣使用，免去遷移的煩惱，更容易實現混合雲中的數據分析支持。

2. 支持多種混合數據類型（多達23種）的SQL統一查詢，包括：

   傳統數據類型：字符、數字、浮點、日期等；

   非結構化數據：JSON、XML；

   特殊功能數據類型：GIS地理信息數據、IPv4/v6網絡數據、HyperLogLog預估分析數據。

3. 支持混合的數據存儲，包括：行存、列存、SSD/HDD本地存儲、OSS雲存儲，將來更將支持「存儲計算分離」，用戶能夠更爲靈活在進行資源的購買及分配。

那麼，HybridDB在OLAP讀取中都作了哪些優化？

優化方面從引擎底層咱們針對阿里雲的硬件及網絡特色，進行的源碼級別的深度優化，特別是在網絡調度上進行了針對性的處理，提升跨網絡數據節點的吞吐能力。同時在用戶業務層中對特殊數據類型進行擴展，若是物聯網中的JSON數據類型是Greenplum Database所不支持的，HybridDB經過直接支持這一數據類型，避免用戶自行進行非結果化的解析，同時提供基於函數的JSON屬性級索引，提升數據庫處理JSON的檢索性能。

數據存儲

一、本地存儲

HybridDB的本地存儲分爲行儲存和列存儲兩種方式。行存儲和列存儲各有長處。行存適合於近線數據的分析，特別是要求查詢結果返回表中某幾跳符合條件記錄的全部字段的狀況。列存適合用於數據的統計分析。

那麼二者的適用狀況是怎樣的呢？舉例說明：在行存的狀況下，若是一個用於存放用戶的表中有20個字段，但咱們只要統計用戶年齡的平均值，這時數據庫要對用戶表進行全表掃描，遍歷全部行的全部數據；但若是使用列存，數據庫只要定位到這一列，而後只掃描這一列的數據就能夠獲得全部的結果，性能上相比列存理論上就會直接快20倍，加上HybridDB將數據分佈式存儲到多個計算節點，性能將再次提升幾倍，達到100倍性能提高是十分常見。

HybridDB是混合二者搭配使用的。用戶能夠配搭進行使用，定義不一樣的表使用不一樣的存儲方式，讓用戶適應不一樣的業務場景，並進行數據生態週期的管理。如6個月內的數據可能要常常獲取全行數據，所以使用行存儲，6個月後的數據經過列存儲進行保存提升分析彙總操做的查詢性能。

二、外部存儲

高性能的數據分析是在本地存儲完成的。OSS做爲外部存儲，HybridDB能夠將OSS中的CSV格式化文本做爲外部表進行數據查詢，同時還能夠對這些外部表進行寫入操做。寫入到OSS的數據能夠提供給RDS for PostgreSQL或EMR等雲數據庫服務進行讀取及處理，所以也同時實現了數據的無縫打通。

同時咱們也將支持「存儲計算分析」的模型，在這樣模型上咱們平時甚至能夠只經過OSS進行數據的存儲，當須要進行計算時再開啓足夠的計算節點進行數據分析處理，計算處理結束後關閉計算節點資源以節省使用成本。

。。。

 

轉自：http://www.infoq.com/cn/news/2016/12/MySQL-PostgreSQL-Greenplum