StarRocks 在 3.0 版本正式引入了存算分离架构，从 shared-nothing 走向 shared-data，实现了架构上的重大升级。这一升级受到许多用户的高度期待，因为它不仅是企业降本增效的关键，也是 StarRocks 迈向云原生的必经之路。因此，在 StarRocks 3.0 版本发布初期，StarRocks 号召了社区用户响应存算分离的测试活动，以便用户通过实际测试来反映最真实的使用体验和性能。
在用户测试报告中，StarRocks 存算分离在数据导入性能、查询性能都与存算一体达到了一致；在冷数据查询的场景的性能也只有 50% 左右的性能下降。此外，在查询性能扩展能力上，我们通过测试报告可以看到随着计算节点的增加，查询性能会接近线性增长。
以下是此次征文活动的摘录内容，完整的用户测试报告请查看：https://forum.mirrorship.cn/t/topic/7110
数据导入
❗️通过多种方式模拟真实的写入场景，包括历史数据的批量写入以及实时数据的持续写入。经测试 StarRocks 存算分离的写入吞吐与存算一体基本相当。
**数据小黑@浪潮：**总的来说，在我们的实际测试中，由于我们使用了自建的 MinIO，存算一体和存算分离在导入性能上基本保持一致。
导入方式：stream load （total bytes 7711779006）；
张了了@聚水潭：资源稳定的情况下，存算分离开启本地缓存和存算一体写入基本持平。异步写入参数对于写入性能有较大影响，关闭后对于写入性能有大约 7 倍左右的提升。
导入方式：stream load
**杨荣：**单表同步任务使用 Flink 实时持续写入，单 BE 最高吞吐 120MB/s 左右。部分列更新场景写入峰值可达 11.8 w records/s，平时可以到 5w records/s 以上，满足业务对导数性能的需求。在近 50 个写入并发下，存算分离集群运行整体平稳。
导入方式：Flink 实时写入
rink@天道金科：使用 StarRocks 存算分离表相较于原有的 txt 数据存储到 OSS 的数据同步方式，写入吞吐有一倍左右的性能提升。
导入方式：DataX
**Richard@芒果TV：**导入性能符合预期
导入方式：stream load /routine load /SQL insertRoutine load 导入峰值12万 QPS，数据 json 格式，单条大小 300B 左右。Stream load 导入峰值15万 QPS，数据 json 格式，单条大小 100B 左右。
SQL insert 使用 Hive catalog，将 Hive ORC 表数据 insert 到 OLAP 表，按照 Hive 天分区导入，4000 万数据导入耗时 90S 左右。
查询性能
❗️StarRocks 存算分离的版本通过 cache 机制达到了与存算一体版本相同的查询性能。
**张了了@聚水潭：**对于单 SQL 查询来看，开启本地缓存后有明显优化，查询性能基本和存算一体表持平，根据回放测试表现来看，基本都可以符合在 100 左右的 QPS。
测试方法：50s 发送 5000 个查询
rink@天道金科：对比 Spark，Trino 的查询框架，StarRocks 存算分离在 cache 命中的情况下有数十倍的性能优势。未命中 cache 的情况下也有数倍的性能提升。
杨荣： local 表与 cloud native 表的查询性能基本持平，q1 在 10 并发以上的场景下 cloud native 表都比 local 表查询性能要好。
**任伟：**简单查询场景下，存算分离的查询并发响应时间优于存算一体。复杂查询的场景下两者基本持平。
**Richard@芒果TV：**存算分离内表查询性能相比于 Presto 有 5 倍以上的性能提升，部分查询性能可以提升数十倍。
冷数据查询性能
❗️存算分离的优势之一是，存储可以独立于计算资源单独扩容。但是首次查询或者是大批量的历史数据查询时 cache 容量有限，需要对远端存储的冷数据进行分析。通过测试验证表明，存算分离的冷数据查询性能对比热数据（cache 命中）只有 50% 左右的性能下降。
**任伟：**冷热数据（本地是否有磁盘 cache）SSB 全部 SQL 有2.5倍左右的性能差距，TPC-H 全部 SQL 有1.5倍左右的性能差距。
查询性能扩展能力
❗️通过水平扩容的方式验证存算分离版本的查询性能提升。通过测试可以看到随着计算节点的增加，查询的响应时间会接近线性下降。
**任伟：**可以看到不论是单表的简单查询还是多表的复杂查询，随着 BE 节点的增加查询性能均有明显的提升。
未来规划
未来，StarRocks 将继续坚定不移地优化存算分离架构，并会在以下方面持续发力：
-
Cache 能力的持续优化：StarRocks 将使用自研的 Cache 来优化性能和效率
-
Multi-warehouse：一份数据，多处计算。通过 multi-warehouse 技术实现真资源隔离，进一步提升业务系统稳定性
-
实时场景优化：我们在3.1版本将开启对主键模型表的存算分离能力支持，并且将继续优化存算分离场景下的实时能力
-
继续优化存算分离架构下的弹性能力：配合 multi-warehouse，在 multi-warehouse 内引入智能化的自动弹性能力，在业务峰谷期实现资源的自动伸缩，降本增效，省人也省事
-
继续深化推进存算分离：在 BE 存算分离基础上进一步实现 FE 的存算分离
想要再深入了解更多关于 StarRocks 存算分离架构吗？欢迎利用以下资源：
存算分离用户小组：
💬 StarRocks Feature Group 正式成立，欢迎入群对特定 feature 进行深入交流！
下方添加小助手，回复关键字"存算分离"即可加入 StarRocks 存算分离用户小组，开启你的降本增效之旅！