SQL優化器原理 - Auto Hash Join

摘要： 在MaxCompute中，Join操作符的實現演算法之一名為"Hash Join"，其實現原理是，把小表的數據全部讀入內存中，並拷貝多份分發到大表數據所在機器，在 map 階段直接掃描大表數據與內存中的小表數據進行匹配。

這是MaxCompute有關SQL優化器原理的系列文章之一。我們會陸續推出SQL優化器有關優化規則和框架的其他文章。

本文主要描述MaxCompute優化器實現的Auto Hash Join的功能。

簡介

在MaxCompute中，Join操作符的實現演算法之一名為"Hash Join"，其實現原理是，把小表的數據全部讀入內存中，並拷貝多份分發到大表數據所在機器，在 map 階段直接掃描大表數據與內存中的小表數據進行匹配。Hash join執行方式效率很高，但是要求小表數據足夠小以便放到內存中，假如小表數據太大，則任務在執行過程中會報OutOfMemory錯誤。

在MapCompute中，可以使用MapJoin關鍵字來實現Hash join，如下所示：

但是這種通過使用hint的方式還是不夠智能。另外對於query複雜的情況，用戶很可能因為無法確定join的某一路數據量大小而放棄使用mapjoin。在最新的MaxCompute SQL 2.0中，基於代價的優化器（Cost Based Optimizer，CBO）包含了一個自動優化join為hash join的優化規則。

實現原理

在CBO中會對所有的operator的cost進行估計，這個cost包含rowcount、cpu、內存等等。有了各個operator的cost，就能估計其對應輸出數據量的大小,公式可以簡單的認為是：data_size = rowcount * averageRowSize。有了dataSize之後，就可以很容易知道這個任務是否適合使用HashJoin，其判定方法就是計算各個parent operator的data size之和是否小於某個閾值。假如估算出的data size在閾值範圍之內，則會產生一個包含HashJoin的計劃。同時對於Join，CBO也會產生一個普通的包含MergeJoin的計劃，最後在這兩個計劃中選擇cost最小的作為最優計劃。

簡單說來，在CBO中是否選擇HashJoin作為最優計劃的步驟有兩個：

• Step1：估算join的輸入數據量大小，判定是否產生一個包含HashJoin的計劃
• Step2：對比HashJoin、MergeJoin相關計劃的cost，選擇cost最小的計劃作為最優計劃

舉例，對如下sql進行優化：

上述sql在CBO中會翻譯生成如下operator tree:

從上可以看到，join的parent operator有兩個：

其中id為1的project其輸出記錄數是4行，且其輸出列只有1列（bad_tpch_customer表中有5列），估算其輸出數據量，認為其適合使用HashJoin，因此其產生的計劃中包含兩種：

• 計劃1：HashJoin

• 計劃2：MergeJoin

比較上述兩個計劃的cost，明顯計劃1的cost更小，因此選擇包含HashJoin的計劃1作為最優計劃。

總結

AutoHashJoin的一個很大的好處是能讓用戶免參與的進行這個優化，同時對於一些複雜的query也更有可能使用HashJoin。但是，因為CBO無法完美估計數據量，會出現誤判從而導致任務OOM的情況。針對這種情況，MaxCompute也進行了相應的調整，對於CBO誤判導致HashJoin OOM的任務會關閉HashJoin rule來重試。

目前CBO中使用HashJoin的閾值比較保守，默認是25MB。主要原因是CBO對於數據量的估計有偏差，無法完美估計數據量，而估計不準的原因有兩個：

• 數據是壓縮存儲的，CBO拿到的statistics不準
• CBO的估計演算法有偏差

這兩個問題也是CBO致力解決的問題。

作者：勿凡，阿里計算平台事業部數據研發工程師

原文鏈接：SQL優化器原理 - Auto Hash Join

更多技術乾貨敬請關注云棲社區知乎機構號：阿里云云棲社區 - 知乎

推薦閱讀：