KingbaseES 数据库并行查询

背景：随着硬件技术的提升，磁盘的IO能力及CPU的运算能力都得到了极大的增强，如何充分利用硬件资源为运算加速，是数据库设计及使用过程中必须考虑的问题。数据库是IO和CPU密集型的软件，大规模的数据访问需要大量的IO，大数据量的连接操作需要大量的CPU运算。并行查询可以通过在数据的读和计算上，通过把Join、聚合、排序等操作分解成多个子任务实现并行。

一、并行查询功能

在讲述并行前，我们先来看个并行的执行计划：本例启动了4个worker，加上gather，共5个worker。

test=# explain analyze select max(id) from test;QUERY PLAN
-------------------------------------------------------------------------------------------------------------------------------------------Finalize Aggregate  (cost=95945.78..95945.79 rows=1 width=4) (actual time=573.226..574.809 rows=1 loops=1)->  Gather  (cost=95945.36..95945.77 rows=4 width=4) (actual time=567.567..574.794 rows=5 loops=1)Workers Planned: 4Workers Launched: 4->  Partial Aggregate  (cost=94945.36..94945.37 rows=1 width=4) (actual time=558.113..558.113 rows=1 loops=5)->  Parallel Seq Scan on test  (cost=0.00..88695.29 rows=2500029 width=4) (actual time=0.069..317.337 rows=2000000 loops=5)Planning Time: 0.059 msExecution Time: 574.839 ms
(8 rows)

KingbaseES 的并行化包含三个重要组件：进程本身(leader进程)、gather、workers。查询执行是从leader进程开始。一旦开启了并行，就会分配一个gather节点和多个worker线程。relation blocks在各个workers线程之间划分。workers的数量受KingbaseES 的配置参数或对象参数控制。每个进程在内部称之为1个worker，这些worker可以动态地创建、销毁。

当用户输入一个查询语句时，查询分析、查询重写以及查询规划都和原来一样，只有到执行时，才开始真正进入并行查询环节。Gather 节点只是执行计划的一个子节点，属于执行计划的一部分，当查询执行走到Gather 节点时，会话进程会申请一定数量的worker 进程（根据配置参数，以及成本确定）来进行并行查询过程。Gather 进程充当leader worker 的角色，负责收集汇总各个worker 进程查询的结果。该leader worker 进程也会根据查询的数据量大小承担部分的并行查询部分。

Leader worker 进程和其他worker 进程通过动态共享内存进行通信，在每个worker初始化时就为每个worker分配共享内存，用于worker各自获取计划数据和缓存中间结果。其他worker 进程（包括leader worker 进程）把分担查询的结果存储到共享内存中，然后由leader worker 进程进行汇总整个查询的结果。所以需要注意的是，由于并行查询需要使用了动态共享内存，所以dynamic_shared_memory_type 参数需要设置为none 以外的值。

下图截取自网络：

二、优化器与并行

查询优化器会根据表或索引大小减少或增加工作线程的数量，min_parallel_table_scan_size 和 min_parallel_index_scan_size 控制此行为。每当表比 min_parallel_(index|table)_scan_size 大 3 倍时，KingbaseES就会添加一个工作线程。Worker的数量不是基于成本的，相反，优化器使用简单的规则，这些规则在生产中可以调整的，可以使用 ALTER TABLE ... SET (parallel_workers = N) 修改特定表的Worker数量。

与worker 数量基于简单规则不同，优化器会基于cost，确认是否使用并行：

parallel_setup_cost 该参数可以避免并行执行短查询。它对内存设置、进程启动和初始通信所花费的时间进行建模。
parallel_tuple_cost , leader 和 worker 之间的通信可能需要很长时间，时间与worker发送的元组数量成正比。该参数对通信成本进行建模。

三、并行相关参数

max_parallel_workers_per_gather 定义了每个并发操作可以使用的 worker的最大数量。该参数为0表示不使用并行。
max_parallel_workers 定义并行池中所有 worker的数量，也就是整个实例最大并行进程数量。不能大于参数 max_worker_processes 值。
max_worker_processes 定义了后台worker进程的总数量。
min_parallel_table_scan_size 表的存储空间至少大于等于该值，才有可能触发并行，默认值8MB。
min_parallel_index_scan_size 索引存储空间至少大于等于该数值，才有可能触发并行。默认256 KB。
force_parallel_mode：强制开启并行模式的开关
dynamic_shared_memory_type 必须被设置为除none之外的值。并行查询要求动态共享内存以便在合作的进程之间传递数据。
parallel_setup_cost ：以避免并行执行短查询。它对内存设置、进程启动和初始通信所花费的时间进行建模
parallel_tuple_cost ：leader 和 worker 之间的通信可能需要很长时间。时间与工作人员发送的元组数量成正比。该参数对通信成本进行建模。

四、主要并行操作

1、并行顺序扫描

顺序扫描是在表上进行的扫描，在该表中一个接一个的块顺序地被评估。顺序扫描允许并行化，这样，整个表将在多个workers线程之间顺序扫描。

test=# explain analyze select * from test where id>9999000;QUERY PLAN
--------------------------------------------------------------------------------------------------------------------------Gather  (cost=1000.00..96045.36 rows=1000 width=19) (actual time=320.617..329.582 rows=1000 loops=1)Workers Planned: 4Workers Launched: 4->  Parallel Seq Scan on test  (cost=0.00..94945.36 rows=250 width=19) (actual time=304.470..304.544 rows=200 loops=5)Filter: (id > 9999000)Rows Removed by Filter: 1999800Planning Time: 0.091 msExecution Time: 329.732 ms
(8 rows)test=# set max_parallel_workers_per_gather=0;    --关闭并行
SET
test=# explain analyze select * from test where id>9999000;QUERY PLAN
--------------------------------------------------------------------------------------------------------------Seq Scan on test  (cost=0.00..188696.44 rows=1000 width=19) (actual time=871.033..871.126 rows=1000 loops=1)Filter: (id > 9999000)Rows Removed by Filter: 9999000Planning Time: 0.075 msExecution Time: 871.168 ms
(5 rows)

以上例子从1000万条数据中返回1000条，使用并行相比于不使用并行，效率得到了很大提升。

注意：如果顺序扫描结果返回了大量的行，并行扫描的效率可能更低。请看以下例子：

test=# explain analyze select * from test where id>1000000;QUERY PLAN
--------------------------------------------------------------------------------------------------------------------Seq Scan on test  (cost=0.00..188696.44 rows=8991074 width=19) (actual time=91.963..1173.468 rows=9000000 loops=1)Filter: (id > 1000000)Rows Removed by Filter: 1000000Planning Time: 0.055 msExecution Time: 1452.951 ms
(5 rows)test=# set force_parallel_mode=on;   --强制使用并行
SET
test=# explain analyze select * from test where id>1000000;QUERY PLAN
--------------------------------------------------------------------------------------------------------------------------Gather  (cost=1000.00..1088803.84 rows=8991074 width=19) (actual time=97.620..4899.234 rows=9000000 loops=1)Workers Planned: 1Workers Launched: 1Single Copy: true->  Seq Scan on test  (cost=0.00..188696.44 rows=8991074 width=19) (actual time=91.083..1803.754 rows=9000000 loops=1)Filter: (id > 1000000)Rows Removed by Filter: 1000000Planning Time: 0.046 msExecution Time: 5578.338 ms
(9 rows)

以上例子由于返回了90%的，强制开启并行后，执行效率更低了。

2、并行聚合

KingbaseES 通过两个阶段的聚合来支持并行聚合。

每个参与查询计划 worker 执行一个聚合步骤，为自身所负责的分组产生一个部分结果。这在计划中反映为一个 PartialAggregate节点。
部分结果被通过Gather 节点传输给 leader。最后，领导者对所有 worker 的部分结果进行重聚合以得到最终的结果。这在计划中反映为一个FinalizeAggregate节点。

具体见以下执行计划：

test=# explain analyze select max(id1) from t1 where id1>100000;QUERY PLAN
------------------------------------------------------------------------------------------------------------------------------------------Finalize Aggregate  (cost=117450.53..117450.54 rows=1 width=4) (actual time=805.452..809.364 rows=1 loops=1)->  Gather  (cost=117450.31..117450.52 rows=2 width=4) (actual time=805.337..809.355 rows=3 loops=1)Workers Planned: 2Workers Launched: 2->  Partial Aggregate  (cost=116450.31..116450.32 rows=1 width=4) (actual time=799.425..799.425 rows=1 loops=3)->  Parallel Seq Scan on t1  (cost=0.00..106139.24 rows=4124427 width=4) (actual time=5.677..543.455 rows=3300000 loops=3)Filter: (id1 > 100000)Rows Removed by Filter: 33333Planning Time: 0.115 msExecution Time: 809.518 ms
(10 rows)

3、并行hashjoin

test=# explain analyze select count(*) from t1,t2 where id1=id2;                     QUERY PLAN
-----------------------------------------------------------------------------------------------------------------------------------------------Finalize Aggregate  (cost=113042.81..113042.82 rows=1 width=8) (actual time=1073.606..1075.476 rows=1 loops=1)->  Gather  (cost=113042.59..113042.80 rows=2 width=8) (actual time=1073.235..1075.466 rows=3 loops=1)Workers Planned: 2Workers Launched: 2->  Partial Aggregate  (cost=112042.59..112042.60 rows=1 width=8) (actual time=1066.525..1066.532 rows=1 loops=3)->  Hash Join  (cost=584.79..112020.57 rows=8811 width=0) (actual time=7.975..1066.007 rows=6667 loops=3)Hash Cond: (t1.id1 = t2.id2)->  Parallel Seq Scan on t1  (cost=0.00..95722.40 rows=4166740 width=4) (actual time=0.036..422.131 rows=3333333 loops=3)->  Hash  (cost=320.46..320.46 rows=21146 width=4) (actual time=7.622..7.623 rows=20000 loops=3)Buckets: 32768  Batches: 1  Memory Usage: 960kB->  Seq Scan on t2  (cost=0.00..320.46 rows=21146 width=4) (actual time=0.029..3.258 rows=20000 loops=3)Planning Time: 0.140 msExecution Time: 1075.664 ms

执行计划里可以看到，在做并行查询时，额外创建了2个worker进程，加上原来的master进程，总共3个进程。Join的外表（t1）数据被平均分配了3份，通过并行scan分散了I/O操作，之后跟hash表数据分别做Join。这里需要注意的是hash表对于每个worker都是完整的一份数据，需要扫描t2 表3次（loops=3）。

以上例子中，hash table由于比较小，并没有采取并行扫描。如果hash table比较大，也可能采用并行hash操作。如下例：

test=# explain analyze select count(*) from t1,t2 where id1=id2;                       QUERY PLAN
------------------------------------------------------------------------------------------------------------------------------------------------Finalize Aggregate  (cost=116941.21..116941.22 rows=1 width=8) (actual time=1535.865..1537.732 rows=1 loops=1)->  Gather  (cost=116941.00..116941.21 rows=2 width=8) (actual time=1534.903..1537.723 rows=3 loops=1)Workers Planned: 2Workers Launched: 2->  Partial Aggregate  (cost=115941.00..115941.01 rows=1 width=8) (actual time=1528.120..1528.122 rows=1 loops=3)->  Parallel Hash Join  (cost=3860.19..115722.34 rows=87462 width=0) (actual time=29.306..1523.523 rows=66667 loops=3)Hash Cond: (t1.id1 = t2.id2)->  Parallel Seq Scan on t1  (cost=0.00..95722.40 rows=4166740 width=4) (actual time=0.089..447.474 rows=3333333 loops=3)->  Parallel Hash  (cost=2316.75..2316.75 rows=123475 width=4) (actual time=28.407..28.407 rows=66667 loops=3)Buckets: 262144  Batches: 1  Memory Usage: 9920kB->  Parallel Seq Scan on t2  (cost=0.00..2316.75 rows=123475 width=4) (actual time=0.031..10.664 rows=66667 loops=3)Planning Time: 0.183 msExecution Time: 1537.846 ms
(13 rows)

4、并行nestloop

test=# explain analyze select count(*) from t1,t2 where id1=id2;QUERY PLAN
---------------------------------------------------------------------------------------------------------------------------------------------------Finalize Aggregate  (cost=1409318.65..1409318.66 rows=1 width=8) (actual time=5809.673..5811.717 rows=1 loops=1)->  Gather  (cost=1409318.44..1409318.65 rows=2 width=8) (actual time=5809.422..5811.701 rows=3 loops=1)Workers Planned: 2Workers Launched: 2->  Partial Aggregate  (cost=1408318.44..1408318.45 rows=1 width=8) (actual time=5803.356..5803.357 rows=1 loops=3)->  Nested Loop  (cost=0.29..1408297.60 rows=8333 width=0) (actual time=0.229..5802.704 rows=6667 loops=3)->  Parallel Seq Scan on t1  (cost=0.00..95721.08 rows=4166608 width=4) (actual time=0.099..471.209 rows=3333333 loops=3)->  Index Only Scan using ind_t2_id2 on t2  (cost=0.29..0.31 rows=1 width=4) (actual time=0.001..0.001 rows=0 loops=10000000)Index Cond: (id2 = t1.id1)Heap Fetches: 0

outer table 分为3份，每份与inner table进行独立的连接，最后合并结果。

5、并行mergejoin

test=# explain analyze select count(*) from t1,t2 where id1=id2;QUERY PLAN
-----------------------------------------------------------------------------------------------------------------------------------------------------Finalize Aggregate  (cost=670764.90..670764.91 rows=1 width=8) (actual time=9288.707..9288.805 rows=1 loops=1)->  Gather  (cost=670764.69..670764.90 rows=2 width=8) (actual time=9288.697..9288.800 rows=3 loops=1)Workers Planned: 2Workers Launched: 2->  Partial Aggregate  (cost=669764.69..669764.70 rows=1 width=8) (actual time=8319.546..8319.547 rows=1 loops=3)->  Merge Join  (cost=669520.85..669743.86 rows=8333 width=0) (actual time=8292.466..8319.171 rows=6667 loops=3)Merge Cond: (t1.id1 = t2.id2)->  Sort  (cost=667780.84..678197.36 rows=4166608 width=4) (actual time=8281.889..8305.812 rows=6668 loops=3)Sort Key: t1.id1Sort Method: external merge  Disk: 51840kBWorker 0:  Sort Method: external merge  Disk: 41408kBWorker 1:  Sort Method: external merge  Disk: 43984kB->  Parallel Seq Scan on t1  (cost=0.00..95721.08 rows=4166608 width=4) (actual time=0.228..550.298 rows=3333333 loops=3)->  Sort  (cost=1737.77..1787.77 rows=20000 width=4) (actual time=8.703..9.907 rows=20000 loops=3)Sort Key: t2.id2Sort Method: quicksort  Memory: 1706kBWorker 0:  Sort Method: quicksort  Memory: 1706kBWorker 1:  Sort Method: quicksort  Memory: 1706kB->  Seq Scan on t2  (cost=0.00..309.00 rows=20000 width=4) (actual time=0.036..3.660 rows=20000 loops=3)Planning Time: 0.158 msExecution Time: 9298.753 ms

t1 是大表，scan and sort 都采用了并行；t2 是小表，只有sort 操作采用并行。

6、并行append

test=# explain select * from t1 where id>9999000 union select * from t2 where id>9999900;QUERY PLAN
-------------------------------------------------------------------------------------HashAggregate  (cost=232797.86..232817.86 rows=2000 width=36)Group Key: t1.id, t1.data->  Gather  (cost=1000.00..232787.86 rows=2000 width=36)Workers Planned: 2->  Parallel Append  (cost=0.00..231587.86 rows=2000 width=36)->  Parallel Seq Scan on t1  (cost=0.00..115778.93 rows=417 width=19)Filter: (id > 9999000)->  Parallel Seq Scan on t2  (cost=0.00..115778.93 rows=417 width=19)Filter: (id > 9999900)

用于union all 的场景。

五、并行使用总结

现在支持的并行场景主要是以下3种：

parallel sequential scan
parallel join
parallel aggregation

鉴于安全考虑，以下4种场景不支持并行：

公共表表达式（CTE）的扫描
临时表的扫描
外部表的扫描（除非外部数据包装器有一个IsForeignScanParallelSafeAPI）
对InitPlan或SubPlan的访问

使用并行查询，还有以下限制：

必须保证是严格的read only模式，不能改变database的状态
查询执行过程中，不能被挂起
隔离级别不能是SERIALIZABLE
不能调用PARALLEL UNSAFE函数