性能全面飙升！StarRocks 在贝壳找房的极速统一实践
作者：王少瑞，贝壳找房资深研发工程师
StarRocks 在贝壳的应用现状
01
01
Kylin、Druid：用于高 QPS 的指标查询、报表系统等
Presto、Impala：基于 Hive 数据分析
ClickHouse ：用于支撑用户分析、风控等实时业务
（图 1）
随着使用规模的扩大，维护成本越来越高，在扩展引擎数量的同时，必须考虑上下游配套产品的兼容性改造，由于每个引擎的特殊性，适配的开发成本也很高，随着引擎数量增加和特性迭代，这方面的工作量越来越大。尽管数据开发平台已经在很大程度上屏蔽了引擎的使用细节，但随着业务的深入使用，某些场景可能需要使用引擎的高级特性支持。一些业务逻辑需要沉淀到引擎底层，增加了业务模型的开发维护成本。
02
02
离线场景：最初使用 Kylin 进行指标分析，Kylin 是一种空间换时间的方案，并且依赖于 HDFS 和 HBase。此外，Kylin 在维度计算方面需要较长的构建时间，查询性能受到 HBase 的限制，调优成本较高。Druid 的引入虽然解决了以上问题，但 Druid 本身也存在一些局限性，比如 SQL 能力较弱，不支持 JOIN 操作。对于数据分析产品来说，如果只能使用宽表模型，那产品的灵活性就会受到一定的限制。
实时场景：ClickHouse 主要是支撑实时分析场景，但在更新操作、高并发和 Join 等场景有诸多限制。
（图 2）
从总体来看面临以下比较严重问题：
复杂、灵活的业务模型要求 高性能的查询和高稳定性 多引擎的高运维成本
03
03
带着这些问题开始调研市场上新兴的 OLAP 技术，发现 StarRocks 能够完全解决以上痛点。2021 年 StarRocks 在贝壳落地，截止 2022 年底，StarRocks 在占据了近 70% 的流量份额。生产环境共有 10 集群在使用，大规模集群 BE 节点 40 个，小规模集群 BE 节点数 5~10 个。
图 3
规模：
存储总量 80TB 日均写入的数据量 12TB，离线 7TB，实时 5TB 日均的查询量 1400 万次
StarRocks 在贝壳的分析实践
引入 StarRocks 最主要的目标是解决多引擎的问题，接下来通过 3 个场景来介绍各引擎如何统一到 StarRocks 上：
01
01
指标开发为 3 个阶段：
数据准备：数据开发人员准备 Hive 表和 StarRocks 表 指标开发：基于元数据进行模型和指标开发 模型构建：将模型转化到具体引擎的实现
（图 4）
在构建阶段，使用 Spark 任务将 Hive 数据同步到 StarRocks 中，使用 Flink 同步 Kafka 中的数据。
在指标分析场景中引入 StarRocks ，需要关注的主要问题有两个：
建表：
离线场景：数据来源于 Hive，可以进行数据内容探测，根据数据量自动计算分桶数。根据实践经验，慢查询 SQL 中有很大一部分是模型问题导致，智能化建表模式能更好的适配业务。 实时场景：虽然可以预估数据规模来生成表模型，但是业务的增长和发展是难以预估的。因此，对实时表通过添加定期巡检任务进行周期性的检测，根据历史数据规模评估表的分区和分桶是否合理，定时向用户反馈，协助用户进行模型优化。
数据导入:
临时分区：采用临时分区来解决导入期间无法查询的问题 预聚合：在 Spark 阶段对数据进行部分计算，以降低导入过程中 BE 节点的资源消耗。由于大量的导入通常发生在晚上 0 点至凌晨 6 点之间，并伴随着离线导入的高峰期，提前进行聚合可以减轻 compaction 的压力
（图 5）
高基数字符列精确去重：需要兼容之前的字符精确去重场景（ Kylin、 Druid）使用 Hive 的全局字典来实现去重列编码。去重计数列使用 bitmap 类型，查询性能提高约 3～4 倍，在高 QPS 场景下，集群吞吐能力提升更加明显。
（图 6）
02
02
ClickHouse 不支持直接的 update 操作，因此需要通过使用视图和 argMax() 函数计算最新数据以达到实时更新的目的。对一个复杂的模型而言，需要为每一张表都创建对应的视图，最终要多张表和视图才能实现，如图 7 所示：
（图 7）
ClickHouse 涉及到本地表、分布式表和视图等不同层级的结构，最顶层的 view 相当于用户指标建模时所用的表，从开发角度来看相当复杂：
开发门槛较高：数据开发人员需要对 ClickHouse 有较高的掌握程度 维护迭代成本高：对于频繁迭代的业务来说，模型的修改和数据验证过程会变得比较复杂 底表数据量大：底层表存储了所有变更记录，在频繁变更的场景下，底表的数据量会变得很大 并发场景下 Scan 高：底层每次执行都需要扫描大量数据，导致集群的 I/O 压力较高，读写互相影响 Join 性能有限：在复杂场景下，多张表的关联查询性能不及预期
StarRocks 原生支持 update、高性能的 Join，高 QPS 这些特性可以解决以上所有痛点；针对目前 ClickHouse 中存量的模型，通过以下方式平滑迁移到 StarRocks：
模型：使用 Duplicate 模型对应 ClickHouse 中的 MergeTree 模型，StarRocks 中与 argMax() 函数对应的有 row_number() 查询：查询层通过查询服务直接转换到 StarRocks 语法结构
下图是迁移后查询性能对比结果，平均响应时间大幅下降。通过相同集群规模的并发压测，QPS 提升了 5 倍以上。
（图 8）
03
03
贝壳内部的 BI 产品 ODIN 分析平台中提供基于 Hive 的分析能力，底层通过 Presto 引擎查询，用户通过 PrestoSql 进行建模分析，模型和引擎耦合非常紧密，无法轻易的转换成到其他引擎的查询。
StarRocks 支持了 Hive 外表的功能，同时相比 Presto 有 3 倍以上的性能提升，使得 StarRocks 在贝壳有能力统一 OLAP 场景。目前已开始将分流到 StarRocks 做测试验证，后续随着 StarRocks Trino/Presto 兼容能力的进一步提升，会继续提升 StarRocks 的流量占比，实现 StarRocks 在分析层的完全统一。
（图 9）
未来规划
贝壳找房引入 StarRocks 已经有两年的时间了，从实践结果来看，StarRocks 能满足 90% 以上的需求场景。引入 StarRocks 对贝壳整个分析链路的建设起到了关键性作用，达到了极速统一的目标，并且带来了显著的性能收益，极大提升了 OLAP 分析场景的能力和效率。以下是未来的发展规划：
稳定性：对大规模集群的运维，需要从以下方面加强稳定性建设
细化监控维度，增加重要指标的监控告警。
集群上下游链路的阻断控制能力：阻断能力在稳定性保障中非常重要，监控的目的是更好地发现问题，一旦发现问题，就需要有效的手段来控制降级，比如查询降级，危险 SQL 拦截、写入限制等。
多集群数据源的故障恢复自动化：对于一些核心业务，已经建立了双链路保障策略，出现问题时能够自动切换不需要人工干预。
StarRocks 新特性采用：我们比较关注 StarRocks 新特性主要是物化视图、Trino 语法兼容和 LakeHouse 架构
物化视图在 OLAP 场景下对查询的性能提升非常大，目前社区在物化视图的多表、异步、自动更新等方面已经有了很丰富的功能支持。如何将这些功能结合业务场景，自动探测查询模式生成对应的物化视图将是未来的重点工作。 从 StarRocks 3.0 版本开始，StarRocks 支持 Trino 方言，这一点对存量的 Presto 模型迁移来说，降低了迁移和使用成本，同时有不错的查询性能提升。 LakeHouse 架构是 StarRocks3.0 的新架构模式，相比 2.0 版本的资源隔离能力，全新的存算分离架构支持硬资源隔离，这个特性使得现在的多个小规模集群模式可以统一成大规模集群，进一步降低资源和维护成本；弹性计算能力可以满足不同业务的使用场景。此外，StarRocks 也支持了 Apache Hudi、Apache Iceberg 和 Delta Lake 主流数据湖，统一湖仓查询场景不再是问题。
关于 StarRocks