第6.3章：StarRocks查询加速——Bucket Shuffle Join

一、StarRocks数据划分

[1.1 分区](#1.1 分区)

[1.2 分桶](#1.2 分桶)

[二、Bucket Shuffle Join实现原理](#二、Bucket Shuffle Join实现原理)

[2.1 Bucket Shuffle Join概述](#2.1 Bucket Shuffle Join概述)

[2.2 Bucket Shuffle Join工作原理](#2.2 Bucket Shuffle Join工作原理)

[2.3 Bucket Shuffle Join规划规则](#2.3 Bucket Shuffle Join规划规则)

三、应用案例

注：本篇文章阐述的是StarRocks-3.2版本的Bucket Shuffle Join

一、StarRocks数据划分

在介绍Bucket Shuffle Join之前，再回顾下StarRocks的数据划分及tablet多副本机制。

StarRocks支持两层的数据划分，第一层是Range Partition，第二层是Hash Bucket（Tablet）。 StarRocks的数据表按照分区分桶规则，被水平切分成若干个数据分片（Tablet，也称作数据分桶 Bucket）存储在不同的be节点上，每个tablet都有多个副本（默认是3副本）。各个 Tablet 之间的数据没有交集，并且在物理上是独立存储的。Tablet 是数据移动、复制等操作的最小物理存储单元。一个 Tablet 只属于一个数据分区（Partition），而一个 Partition 包含若干个 Tablet。

下图说明 Table、Partition、Bucket（Tablet）的关系：

Table按照Range的方式按照 date 字段进行分区，得到了 N 个Partition
每个 Partition 通过相同的 Hash 方式将其中的数据划分为 M个Bucket（Tablet）
从逻辑上来说，Bucket 1 可以包含 N 个 Partition 中划分得到的数据，比如下图中的 Tablet 11、Tablet 21、Tablet N1

1.1 分区

逻辑概念，分区用于将数据划分成不同的区间，主要作用是将一张表按照分区键拆分成不同的管理单元。查询时，通过分区裁剪，可以减少扫描的数据量，显著优化查询性能。

1.2 分桶

物理概念，StarRocks一般采用Hash算法作为分桶算法。在同一分区内，分桶键哈希值相同的数据会划分到同一个tablet（数据分片），tablet以多副本冗余的形式存储，是数据均衡和恢复的最⼩单位，数据导入和查询最终都下沉到所涉及的 tablet副本上。

二、Bucket Shuffle Join实现原理

2.1 Bucket Shuffle Join概述

StarRocks支持的常规分布式Join方式包括了Shuffle Join和Broadcast Join，这两种join都会导致不小的网络开销。

Shuffle Join：会 将 A、B 两表的数据根据哈希计算分散到集群的节点中，所以它的网络开销是A+B，内存开销是B。

Broadcast Join ：如果根据数据分布，查询规划出A表有3个执行的HashJoinNode，那么需要将B表全量的发送到3个HashJoinNode，那么它的网络开销是3B** ，它的内存开销也是3B** 。

如下图：通过将B表的数据全量广播到A表的机器上，在A表的机器上进行Join操作，相比较于Shuffle join ，节省了A表数据Shuffle，但是B表的数据是全量广播，适合B表是个小表的场景。

而Bucket Shuffle Join是在Broadcast的基础上进一步优化 ，将B表按照A表的分布方式，Shuffle到A表机器上进行Join操作，B表Shuffle的数据量全局只有一份 ，比Broadcast少传输了很多倍数量。所以它的网络开销是B，内存开销是B。

在FE之中保存了StarRocks每个表的数据分布信息，如果join语句命中了表的数据分布列 ，应该使用数据分布信息来减少join语句的网络与内存开销，这就是Bucket Shuffle Join的思路来源。

2.2 Bucket Shuffle Join工作原理

如下图展示了Bucket Shuffle Join的工作原理，sql语句是A表 join B表，并且join的等值表达式命中了A的数据分布列。而Bucket Shuffle Join会根据A表的数据分布信息，将B表的数据发送到对应的A表的数据存储计算节点。Bucket Shuffle Join的开销如下：

网络开销：Bucket Shuffle Join < min (Shuffle Join ，Broadcast Join )，即：B < min(3B, A + B)

内存开销：Bucket Shuffle Join <= min (Shuffle Join ，Broadcast Join )，即：B <= min(B, 3B)

因此，和Shuffle Join、Broadcast Join相比较，Bucket Shuffle Join有着较为明显的性能优势，可以减少数据在节点间的传输耗时和Join时的内存开销，具备的优点有：

Bucket Shuffle Join降低了网络和内存开销，使一些Join查询具有更好的性能，尤其是当FE能够执行左表的分区裁剪与桶裁剪时。
与Colocate Join不同， Bucket Shuffle Join对于表的数据分布方式并没有侵入性，对用户来说是透明的（无感知的），对于表的数据分布没有强制性的要求，不容易导致数据倾斜的问题。
可以为Join Reorder 提供更多可能分优化空间。

2.3 Bucket Shuffle Join规划规则

Bucket Shuffle Join 只生效于 Join 条件为等值的场景，原因与 Colocate Join 类似，它们都依赖 Hash 来计算确定的数据分布。
在等值Join条件之中包含两张表的分桶列，当左表的分桶列为等值的Join条件时，它有很大概率会被规划为Bucket Shuffle Join。

由于不同的数据类型的 Hash 值计算结果不同，所以 Bucket Shuffle Join 要求左表的分桶列的类型与右表等值 Join 列的类型需要保持一致，否则无法进行对应的规划。
Bucket Shuffle Join 只作用于StarRocks原生的OLAP表，对于ODBC，MySQL等外表，当其作为左表时是无法规划生效的。
对于分区表，由于每一个分区的数据分布规则可能不同，所以Bucket Shuffle Join只能保证左表为单分区时生效。所以在SQL执行之中，需要尽量使用where条件使分区裁剪的策略能够生效。
假如左表为Colocate的表，那么它每个分区的数据分布规则是确定的，Bucket Shuffle Join能在Colocate表上表现更好。

三、应用案例

如果关联查询中Join 等值表达式命中表 A 的分桶键 ，尤其是在表 A 和表 B 均是大表 的情况下，可以设置 Join Hint 为 Bucket Shuffle Join。表 B 数据会按照表 A 数据的分布方式，Shuffle 到表 A 数据所在机器上，再进行 Join 操作。Bucket Shuffle Join 是在 Broadcast Join 的基础上进一步优化，Shuffle B 表的数据量全局只有一份，比 Broadcast Join 少传输了很多倍数据量。

在FE进行分布式查询规划时，优先选择的顺序为Colocate Join -> Bucket Shuffle Join -> Broadcast Join -> Shuffle Join 。但是用户也可以通过显式 Hint来强制使用期望的 Join 类型，比如：

sql 复制代码

select k1 from t1 join [BUCKET] t2 on t1.k1 = t2.k2 group by t2.k2;

手动指定Join类型后，可以通过explain命令来查看Join是否为Bucket Shuffle Join：

ps： join hint 见文章 ：分析查询 | StarRocks

参考文章：

Bucket Shuffle Join - Apache Doris

Apache Doris Join 优化原理介绍 - 掘金