什么是StarRocks？
StarRocks是新一代极速全场景MPP数据库（高并发数据库）。
StarRocks充分吸收关系型OLAP数据库和分布式存储系统在大数据时代的优秀研究成果。
1.可以在Spark和Flink里面处理数据，然后将处理完的数据写到StarRocks里面。
2.可以实现将数据从Hadoop倒入到StarRocks里面去，也可以将StarRocks的数据倒入到Hadoop里面，都是可以实现的。
3.可以对接ES数据库（ElasticSearch）。
4.StarRocks兼容MySQL的协议，可以通过 MySQL的客户端 和 常用BI工具 对接StarRocks来进行数据分析。
5.StarRocks采用分布式架构，对数据表进行水平划分并且以多副本存储，集群规模可以灵活伸缩，能够支持10PB级别的数据分析，支持MPP框架，并行加速计算，支持多副本，具有弹性容错能力。
StarRocks适合什么场景？
1.OLAP多维分析：用户行为分析，用户画像，财务报表，系统监控分析。
2.实时数据分析：电商数据分析，直播质量分析，物流运单分析，广告投放分析。
3.高并发查询：广告主表分析，Dashboard多页面分析。
4.统一分析：通过使用一套系统解决上述场景，降低系统复杂度和多技术栈开发成本。
StarRocks基本概念：
1.FE：FrondEnd是StarRocks的前端节点，负责管理元数据，负责与客户端连接，进行查询规划，查询调度等工作。
2.BE：BackEnd时StarRocks的后端节点，负责数据存储，计算执行，以及Compaction，副本管理等工作。
3.Broker：Broker并不是必须出现的，当StarRocks和HDFS进行交互的时候（也就是数据从HDFS到StarRocks中 和 数据从StarRocks中到HDFS里面），那么StaRocks负责这个过程的中转服务，辅助提供导入导出功能。
4.StarRocksManager：StarRocks的可视化工具，提供StarRocks的集群管理，在线查询，故障查询，监控报警的可视化工具。
5.Tablet：StarRocks中表的逻辑分片，也是StarRocks中副本管理的基本单位，每个表根据分区和分桶机制被划分成多个Tablet存储在不同BE节点上。
StarRocks系统架构：
FE：
1.接受MySQL客户端的连接，解析并且执行SQL语句。
2.管理元数据，执行SQL DDL命令，用CataLog记录库，表，分区，tablet副本等信息。
3.FE高可用部署，使用 复制协议选主 和 主从同步 元数据，所有的元数据修改操作，都有FE的leader节点完成，FE的follower节点可执行读操作。元数据的读写满足顺序一致性，FE的节点数目采用2n+1，可以容忍n个节点故障，当FE leader故障的时候，可以从现有的follower节点中重新选主，完成故障切换。
4.FE中的SQL Layer对用户提交的SQL进行解析，分析，改写，语义分析和关系代数优化，生产逻辑执行计划。
5.FE中的Planner负责把逻辑计划转化为可分布式执行的物理计划，分发给一组BE。
6.FE监督BE，管理BE的上下线，根据BE的存活和健康状态，维持tablet副本的数量。
7.FE协调数据导入，保证数据导入的一致性。
BE：
1.BE管理tablet副本，tablet时table经过分区分桶形成的子表，采用列式存储。
2.BE受FE指导，创建或删除子表。
3.BE接收FE分发的物理执行计划并指定BE coordinator节点，在BE coordinator的调度下，与其他BE worker共同协作完成执行。
4.BE读本地的列存储引擎获取数据，并通过索引和谓词下沉快速过滤数据。
5.BE后台执行compact任务，减少查询时的读放大。
6.数据导入的时候，由FE指定BE coordinator，将数据以fanout的形式写入到tablet多副本所在的BE上。
StarRocks为什么快：
列式存储：StarRocks中，一张表的列可以分为维度列（key列）和指标列（value列），维度列用于分组和排序，指标列可通过聚合函数等累加起来。StarRocks可以认为是多维的key到多维指标的映射。（在写SQL的时候最好要根据表的前缀，类似于MySQL的索引最左前缀原则）
稀疏索引： 当进行范围查询时，StarRocks能够快速定位到起始目标行，是因为shortkey index（稀疏索引）。
预先聚合：StarRocks支持聚合模型，维度列取值相同数据行可合并一行，合并后数据行的维度列取值不变，指标列的取值为这些数据行的聚合结果，用户需要给指标列指定聚合函数，通过预先聚合，可以加速聚合操作。
**分区分桶：**StarRocks的表被分为tablet，每个tablet多副本冗余存储在BE上，BE和tablet的数量可以根据计算资源和数据规模而弹性伸缩，查询时，多台BE可并行地查找tablet快速获取数据。而且tablet的副本可以复制和前一，增强了数据的可靠性，避免了数据倾斜。
**列级别的索引技术：**Bloomfilter可以快速判断数据块中不含所查找值，ZoneMap通过数据范围快速过滤待查找值，Bitmap索引可快速计算出枚举类型的列满足一定条件的行。
StarRocks的4种表模型：
明细模型（Duplicate key）：关注历史数据。
聚合模型（Aggregate key）：关注总量，平均值，最大值，最小值，计算一个统一的指标。
更新模型（Unique key）：设定一个主键（uid），主键是唯一的，如果主键是第一次出现在表中，那么执行插入操作，如果主键第二次出现在表中，那么执行更新操作，覆盖前一条记录。（并不是真的覆盖，其实也存着明细数据，只是将最新的一条记录返回）
主键模型（Primary key）：主键模型相当于是更新模型的升级版，速度更快一些。更新模型采用Merge on Read读时合并策略会大大限制查询功能，在主键模型更好地解决了行级的更新操作。配合Flink-connector-starrocks可以完成MySQL CDC实时同步的方案。存储引擎会为主键建立索引，导入数据时会把索引加载到内存中，所以主键模型对内存的要求更高。真正保证每个主键只有一条数据存在。
各自适用场景：
1.明细模型：建表的时候注意设置排序列（duplicate key）
关注历史明细数据。
2.聚合模型：建表的时候注意设置聚合列（ distributed by hash(site_id) ）
业务方进行查询为汇总类查询，比如sum，count，max。
不需要查看明细数据。
老数据不会被频繁修改，只会追加和新增。
3.更新模型：建表的时候注意设置UNIQUE KEY 唯一列(create_time,order_id)
数据需要进行更新，比如拉链表。
已经写入的数据有大量的更新需求。（比如电商场景中，订单的状态经常会发生变化，没必要用明细表记录变化趋势，使用更新模型记录最新的状态即可）
需要进行实时数据分析。
4.主键模型：建表的时候注意PRIMARY KEY主键列（user_id）
数据冷热特征：只有最近几天的数据才需要修改，老的冷数据很少需要修改，比如订单数据，老的订单完成后就不再更新，并且分区是按天进行分区的，那么在导入数据时历史分区的数据的主键就不会被加载，也就不会占用内存了，内存中仅会加载近几天的索引。
大宽表（数百列数千列）：主键只占整个数据的很小一部分，内存开销比较低。比如用户状态/画像表，虽然列非常多，但总的用户数量不大，主键索引内存占用相对可控。
StarRocks排序列：
明细模型中的排序列可以理解成是 DUPLICATED KEY
聚合模型中的排序列可以理解成是 AGGREGATE KEY
更新模型中的排序列可以理解成是UNIQUE KEY
主键模型中的排序列可以理解成是PRIMARY KEY
排序列的设定顺序必须和建表语句的字段顺序一样，如果想使用到排序列那么必须要按照类似于MySQL的索引最左前缀原则，设定where条件。
使用排序键的本质其实就是在进行二分查找，所以排序列指定的越多，那么消耗的内存也会越大，StarRocks为了避免这种情况发生也对排序键做了限制：
1.排序键的列只能是建表字段的前缀。
2.排序键的列数不能超过3.
3.字节数不超过36字节。
4.不包含FLOAT/DOUBLE类型的列。
5.Varchar类型列只能出现一次，并且是末尾位置。
物化视图： Materialized View（MVs）物化视图
在基于维度进行分析的时候，需要使用物化视图。
StarRocks中Bitmap索引：
BitMap索引利用位数组（bit array）来表示数据集中某个属性的所有可能值是否出现，每个位对应数据表中的一行记录，如果该位为1，则表示该行记录具有指定的属性值；如果为0，则表示不具备。这种结构非常适合于 处理布尔型查询 或者 枚举类型比较少 的列查询，比如性别。
BitMap在一些场景下表现的比较优秀，但是同样也存在着局限性：
1.内存消耗：BitMap索引会占据比较大的内存空间。
2.更新成本：当数据插入，删除或者更新的时候，对应的位图需要维护，会产生开销。
总结：最适用的场景是针对于低基数（列中不同值的数量很少），会展现出更高的优化能力。
StarRocks中布隆过滤器：
Bloom Filter（布隆过滤器），是用于快速地判断某个元素是否在一个集合中的数据结构，优点是空间效率和时间效率都很高，缺点是有一定的误判率。就是说，如果布隆过滤器说一个元素不在集合中，那它确实不在；但如果说一个元素可能在这个集合中，这个结论也不一定是正确的。
工作原理：布隆过滤器 由一个 位数组（二进制向量） 和 一系列哈希函数 组成。在初始化的阶段，所有的位都是0。当一个元素被插入到布隆过滤器中时，会被每一个哈希函数处理，每个哈希函数都会产生一个位数组的索引，然后相应位置的位会被置为1。这样，每个元素的插入都会在位数组中留下多个标记。检查一个元素是否在集合中的时候，也是使用同样的哈希函数计算出多个索引的位置，如果所有这些位置的位都是1，那么可能在集合中，如果任何一位是0，那么就可以确定不在集合中。
（如果布隆过滤器已经判断出集合中不存在指定的值，就不需要读取数据文件。
如果布隆过滤器判断出集合中包含指定的值，就需要读取数据文件确认目标值是否存在。
另外，Bloom Filter索引无法确定具体是哪一行数据具有该指定的值）
在StarRocks中的应用：
减少磁盘I/O：在执行查询时，布隆过滤器可以先于实际数据读取之前被查询，用于快速排除那些肯定不包含查询结果的数据块，从而减少不必要的磁盘读取操作，提高查询效率。
分区剪枝（partition pruning）：在分布式系统中，布隆过滤器可以帮助决定是否需要从特定分区或者节点中读取数据，实现查询的分区剪枝，减少网络传输和计算资源的消耗。
动态调整：StarRocks的布隆过滤器支持动态调整其误报率，以适应不同查询场景的需求。通过调整哈希函数的数量和位数组的大小，可以在误报率和存储空间之间找到平衡。
通过在建表的时候设定 PROPERTIES("bloom_filter_columns"="event_type,sex");
注意事项：
1.不支持对Tinyint，Float，Double类型的列建Bloom Filter索引。
2.Bloom Filter索引只对 'in' 和 '=' 过滤查询有加速效果。
3.如果要查看某个查询是否命中了Bloom Filter索引，可以通过查询的Profile信息查看（TODO：加上查看Profile的链接）。