1.1 বিলিয়ন ট্যাক্সি রাইড: 108-কোর ক্লিকহাউস ক্লাস্টার

নিবন্ধটির অনুবাদটি কোর্সের শিক্ষার্থীদের জন্য বিশেষভাবে প্রস্তুত করা হয়েছিল ডেটা ইঞ্জিনিয়ার.

ক্লিকহাউস একটি ওপেন সোর্স কলামার ডাটাবেস। এটি একটি দুর্দান্ত পরিবেশ যেখানে শত শত বিশ্লেষক দ্রুত ড্রিল ডাউন ডেটা অনুসন্ধান করতে পারে, এমনকি যখন প্রতিদিন কয়েক বিলিয়ন নতুন রেকর্ড প্রবেশ করা হচ্ছে। এই ধরনের সিস্টেমকে সমর্থন করার জন্য অবকাঠামো খরচ প্রতি বছর $100 হতে পারে, এবং সম্ভাব্য অর্ধেক, ব্যবহারের উপর নির্ভর করে। কিছু সময়ে, ইয়ানডেক্স মেট্রিকা থেকে ক্লিক হাউস ইনস্টলেশনে 10 ট্রিলিয়ন রেকর্ড রয়েছে। ইয়ানডেক্স ছাড়াও, ব্লুমবার্গ এবং ক্লাউডফ্লেয়ারের সাথে ক্লিক হাউসও সফল হয়েছে।

দুই বছর আগে কাটিয়েছি তুলনামূলক বিশ্লেষণ একটি মেশিন ব্যবহার করে ডাটাবেস, এবং এটি হয়ে ওঠে দ্রুততর ফ্রি ডাটাবেস সফটওয়্যার আমি কখনো দেখেছি। তারপর থেকে, বিকাশকারীরা কাফকা, HDFS এবং ZStandard কম্প্রেশনের জন্য সমর্থন সহ বৈশিষ্ট্যগুলি যোগ করা বন্ধ করেনি। গত বছর তারা ক্যাসকেডিং কম্প্রেশন পদ্ধতির জন্য সমর্থন যোগ করেছে, এবং ব-দ্বীপ থেকে ব-দ্বীপ কোডিং সম্ভব হয়েছে। সময় সিরিজের ডেটা সংকুচিত করার সময়, গেজ মানগুলি ডেল্টা এনকোডিংয়ের সাথে ভালভাবে সংকুচিত করতে পারে, তবে কাউন্টারগুলির জন্য, ডেল্টা-থেকে-ডেল্টা এনকোডিং আরও ভাল হবে। ভাল কম্প্রেশন ক্লিকহাউস কর্মক্ষমতা মূল হয়ে উঠেছে.

ক্লিকহাউসে থার্ড-পার্টি লাইব্রেরি বাদে C++ কোডের 170k লাইন রয়েছে এবং এটি বিতরণ করা ডাটাবেসের জন্য সবচেয়ে ছোট কোডবেসগুলির মধ্যে একটি। তুলনায়, SQLite বিতরণ সমর্থন করে না এবং C কোডের 235 লাইন নিয়ে গঠিত। এই লেখার সময়, 207 জন প্রকৌশলী ClickHouse-এ অবদান রেখেছেন, এবং কমিট রেট সম্প্রতি বৃদ্ধি পাচ্ছে।

মার্চ 2017 সালে, ক্লিক হাউস পরিচালনা শুরু করে চেঞ্জলগ উন্নয়ন ট্র্যাক করার একটি সহজ উপায় হিসাবে। তারা একচেটিয়া ডকুমেন্টেশন ফাইলটিকে একটি মার্কডাউন-ভিত্তিক ফাইল শ্রেণিবিন্যাসে ভেঙে দিয়েছে। সমস্যা এবং বৈশিষ্ট্যগুলি গিটহাবের মাধ্যমে ট্র্যাক করা হয় এবং সাধারণভাবে এই সফ্টওয়্যারটি গত কয়েক বছরে অনেক বেশি অ্যাক্সেসযোগ্য হয়ে উঠেছে।

এই নিবন্ধে, আমি 2-কোর প্রসেসর এবং NVMe স্টোরেজ ব্যবহার করে AWS EC36-এ একটি ক্লিকহাউস ক্লাস্টারের কার্যকারিতা দেখতে যাচ্ছি।

আপডেট: এই পোস্টটির মূল প্রকাশের এক সপ্তাহ পরে, আমি একটি উন্নত কনফিগারেশনের সাথে পরীক্ষাটি পুনরায় চালিয়েছি এবং অনেক ভাল ফলাফল অর্জন করেছি। এই পরিবর্তনগুলি প্রতিফলিত করার জন্য এই পোস্টটি আপডেট করা হয়েছে।

একটি AWS EC2 ক্লাস্টার চলছে

আমি এই পোস্টের জন্য তিনটি c5d.9xlarge EC2 দৃষ্টান্ত ব্যবহার করব। তাদের প্রতিটিতে রয়েছে 36টি vCPU, 72 GB RAM, 900 GB NVMe SSD স্টোরেজ এবং 10 Gigabit নেটওয়ার্কিং সমর্থন করে। চাহিদা অনুযায়ী লঞ্চ করার সময় eu-west-1,962-এ তাদের প্রতিটির দাম $1/ঘন্টা। আমি আমার অপারেটিং সিস্টেম হিসাবে উবুন্টু সার্ভার 16.04 LTS ব্যবহার করব।

ফায়ারওয়াল সেট আপ করা হয়েছে যাতে প্রতিটি মেশিন সীমাবদ্ধতা ছাড়াই একে অপরের সাথে যোগাযোগ করতে পারে এবং শুধুমাত্র আমার IPv4 ঠিকানাটি ক্লাস্টারে SSH দ্বারা সাদা তালিকাভুক্ত করা হয়।

কর্মক্ষম প্রস্তুতিতে NVMe ড্রাইভ

ClickHouse কাজ করার জন্য, আমি প্রতিটি সার্ভারে NVMe ড্রাইভে একটি EXT4 ফাইল সিস্টেম তৈরি করব।

$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /ch

সবকিছু সেট আপ হয়ে গেলে, আপনি প্রতিটি সিস্টেমে মাউন্ট পয়েন্ট এবং 783 GB স্পেস উপলব্ধ দেখতে পাবেন।

$ lsblk

NAME        MAJ:MIN RM   SIZE RO TYPE MOUNTPOINT
loop0         7:0    0  87.9M  1 loop /snap/core/5742
loop1         7:1    0  16.5M  1 loop /snap/amazon-ssm-agent/784
nvme0n1     259:1    0     8G  0 disk
└─nvme0n1p1 259:2    0     8G  0 part /
nvme1n1     259:0    0 838.2G  0 disk /ch

$ df -h

Filesystem      Size  Used Avail Use% Mounted on
udev             35G     0   35G   0% /dev
tmpfs           6.9G  8.8M  6.9G   1% /run
/dev/nvme0n1p1  7.7G  967M  6.8G  13% /
tmpfs            35G     0   35G   0% /dev/shm
tmpfs           5.0M     0  5.0M   0% /run/lock
tmpfs            35G     0   35G   0% /sys/fs/cgroup
/dev/loop0       88M   88M     0 100% /snap/core/5742
/dev/loop1       17M   17M     0 100% /snap/amazon-ssm-agent/784
tmpfs           6.9G     0  6.9G   0% /run/user/1000
/dev/nvme1n1    825G   73M  783G   1% /ch

এই পরীক্ষায় আমি যে ডেটা সেটটি ব্যবহার করব তা হল একটি ডেটা ডাম্প যা আমি ছয় বছরে নিউইয়র্কে করা 1.1 বিলিয়ন ট্যাক্সি রাইড থেকে তৈরি করেছি। ব্লগ রেডশিফটে বিলিয়ন ট্যাক্সি ট্রিপ আমি কিভাবে এই ডেটাসেট সংগ্রহ করেছি তার বিশদ বিবরণ। এগুলি AWS S3 এ সংরক্ষিত আছে, তাই আমি আমার অ্যাক্সেস এবং গোপন কীগুলির সাথে AWS CLI সেট আপ করব৷

$ sudo apt update
$ sudo apt install awscli
$ aws configure

আমি ক্লায়েন্টের সমকালীন অনুরোধের সীমা 100 এ সেট করব যাতে ফাইলগুলি ডিফল্ট সেটিংসের চেয়ে দ্রুত লোড হয়।

$ aws configure set 
    default.s3.max_concurrent_requests 
    100

আমি AWS S3 থেকে ট্যাক্সি ট্রিপ ডেটাসেট ডাউনলোড করব এবং প্রথম সার্ভারে একটি NVMe ড্রাইভে সংরক্ষণ করব। GZIP সংকুচিত CSV ফর্ম্যাটে এই ডেটা সেটটি ~104 GB।

$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csv

ক্লিক হাউস ইনস্টল করা হচ্ছে

আমি জাভা 8 এর জন্য OpenJDK ডিস্ট্রিবিউশন ইনস্টল করব, কারণ এটি Apache ZooKeeper চালানোর জন্য প্রয়োজন, যা তিনটি মেশিনে একটি বিতরণ করা ক্লিকহাউস ইনস্টলেশনের জন্য প্রয়োজন।

$ sudo apt update
$ sudo apt install 
    openjdk-8-jre 
    openjdk-8-jdk-headless

তারপর আমি পরিবেশ পরিবর্তনশীল সেট JAVA_HOME.

$ sudo vi /etc/profile
 
export JAVA_HOME=/usr
 
$ source /etc/profile

আমি তারপরে তিনটি মেশিনে ক্লিকহাউস 18.16.1, গ্ল্যান্স এবং জুকিপার ইনস্টল করতে উবুন্টুর প্যাকেজ ম্যানেজমেন্ট সিস্টেম ব্যবহার করব।

$ sudo apt-key adv 
    --keyserver hkp://keyserver.ubuntu.com:80 
    --recv E0C56BD4
$ echo "deb http://repo.yandex.ru/clickhouse/deb/stable/ main/" | 
    sudo tee /etc/apt/sources.list.d/clickhouse.list
$ sudo apt-get update

$ sudo apt install 
    clickhouse-client 
    clickhouse-server 
    glances 
    zookeeperd

আমি ক্লিকহাউসের জন্য একটি ডিরেক্টরি তৈরি করব এবং তিনটি সার্ভারে কিছু কনফিগারেশন ওভাররাইড করব।

$ sudo mkdir /ch/clickhouse
$ sudo chown -R clickhouse /ch/clickhouse

$ sudo mkdir -p /etc/clickhouse-server/conf.d
$ sudo vi /etc/clickhouse-server/conf.d/taxis.conf

এই কনফিগার ওভাররাইড আমি ব্যবহার করা হবে.

<?xml version="1.0"?>
<yandex>
    <listen_host>0.0.0.0</listen_host>
    <path>/ch/clickhouse/</path>

 <remote_servers>
        <perftest_3shards>
            <shard>
                <replica>
                    <host>172.30.2.192</host>
                    <port>9000</port>
                 </replica>
            </shard>
            <shard>
                 <replica>
                    <host>172.30.2.162</host>
                    <port>9000</port>
                 </replica>
            </shard>
            <shard>
                 <replica>
                    <host>172.30.2.36</host>
                    <port>9000</port>
                 </replica>
            </shard>
        </perftest_3shards>
    </remote_servers>

  <zookeeper-servers>
        <node>
            <host>172.30.2.192</host>
            <port>2181</port>
        </node>
        <node>
            <host>172.30.2.162</host>
            <port>2181</port>
        </node>
        <node>
            <host>172.30.2.36</host>
            <port>2181</port>
        </node>
    </zookeeper-servers>

 <macros>
        <shard>03</shard>
        <replica>01</replica>
    </macros>
</yandex>

তারপর আমি তিনটি মেশিনেই ZooKeeper এবং ClickHouse সার্ভার শুরু করব।

$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server start

ক্লিক হাউসে ডেটা আপলোড করা হচ্ছে

প্রথম সার্ভারে, আমি একটি ট্রিপ টেবিল তৈরি করব (trips) যা লগ ইঞ্জিন ব্যবহার করে ট্যাক্সি রাইডের একটি ডেটাসেট সংরক্ষণ করবে।

$ clickhouse-client --host=0.0.0.0
 
CREATE TABLE trips (
    trip_id                 UInt32,
    vendor_id               String,

    pickup_datetime         DateTime,
    dropoff_datetime        Nullable(DateTime),

    store_and_fwd_flag      Nullable(FixedString(1)),
    rate_code_id            Nullable(UInt8),
    pickup_longitude        Nullable(Float64),
    pickup_latitude         Nullable(Float64),
    dropoff_longitude       Nullable(Float64),
    dropoff_latitude        Nullable(Float64),
    passenger_count         Nullable(UInt8),
    trip_distance           Nullable(Float64),
    fare_amount             Nullable(Float32),
    extra                   Nullable(Float32),
    mta_tax                 Nullable(Float32),
    tip_amount              Nullable(Float32),
    tolls_amount            Nullable(Float32),
    ehail_fee               Nullable(Float32),
    improvement_surcharge   Nullable(Float32),
    total_amount            Nullable(Float32),
    payment_type            Nullable(String),
    trip_type               Nullable(UInt8),
    pickup                  Nullable(String),
    dropoff                 Nullable(String),

    cab_type                Nullable(String),

    precipitation           Nullable(Int8),
    snow_depth              Nullable(Int8),
    snowfall                Nullable(Int8),
    max_temperature         Nullable(Int8),
    min_temperature         Nullable(Int8),
    average_wind_speed      Nullable(Int8),

    pickup_nyct2010_gid     Nullable(Int8),
    pickup_ctlabel          Nullable(String),
    pickup_borocode         Nullable(Int8),
    pickup_boroname         Nullable(String),
    pickup_ct2010           Nullable(String),
    pickup_boroct2010       Nullable(String),
    pickup_cdeligibil       Nullable(FixedString(1)),
    pickup_ntacode          Nullable(String),
    pickup_ntaname          Nullable(String),
    pickup_puma             Nullable(String),

    dropoff_nyct2010_gid    Nullable(UInt8),
    dropoff_ctlabel         Nullable(String),
    dropoff_borocode        Nullable(UInt8),
    dropoff_boroname        Nullable(String),
    dropoff_ct2010          Nullable(String),
    dropoff_boroct2010      Nullable(String),
    dropoff_cdeligibil      Nullable(String),
    dropoff_ntacode         Nullable(String),
    dropoff_ntaname         Nullable(String),
    dropoff_puma            Nullable(String)
) ENGINE = Log;

তারপরে আমি প্রতিটি CSV ফাইল আনপ্যাক করে একটি ট্রিপ টেবিলে লোড করি (trips) নিম্নলিখিতটি 55 মিনিট 10 সেকেন্ডে সম্পন্ন হয়। এই অপারেশনের পরে, ডেটা ডিরেক্টরির আকার ছিল 134 জিবি।

$ time (for FILENAME in /ch/csv/trips_x*.csv.gz; do
            echo $FILENAME
            gunzip -c $FILENAME | 
                clickhouse-client 
                    --host=0.0.0.0 
                    --query="INSERT INTO trips FORMAT CSV"
        done)

আমদানি গতি প্রতি সেকেন্ডে 155 MB অসঙ্কোচিত CSV সামগ্রী। আমি সন্দেহ করি এটি GZIP ডিকম্প্রেশনের একটি বাধার কারণে হয়েছিল। xargs ব্যবহার করে সমান্তরালভাবে সমস্ত gzip ফাইল ডিকম্প্রেস করা এবং তারপর ডিকম্প্রেসড ডেটা ডাউনলোড করা আরও দ্রুত হতে পারে। নীচে CSV আমদানি প্রক্রিয়ার সময় কী রিপোর্ট করা হয়েছিল তার একটি বিবরণ রয়েছে৷

$ sudo glances

ip-172-30-2-200 (Ubuntu 16.04 64bit / Linux 4.4.0-1072-aws)                                                                                                 Uptime: 0:11:42
CPU       8.2%  nice:     0.0%                           LOAD    36-core                           MEM      9.8%  active:    5.20G                           SWAP      0.0%
user:     6.0%  irq:      0.0%                           1 min:    2.24                            total:  68.7G  inactive:  61.0G                           total:       0
system:   0.9%  iowait:   1.3%                           5 min:    1.83                            used:   6.71G  buffers:   66.4M                           used:        0
idle:    91.8%  steal:    0.0%                           15 min:   1.01                            free:   62.0G  cached:    61.6G                           free:        0

NETWORK     Rx/s   Tx/s   TASKS 370 (507 thr), 2 run, 368 slp, 0 oth sorted automatically by cpu_percent, flat view
ens5        136b    2Kb
lo         343Mb  343Mb     CPU%  MEM%  VIRT   RES   PID USER        NI S    TIME+ IOR/s IOW/s Command
                           100.4   1.5 1.65G 1.06G  9909 ubuntu       0 S  1:01.33     0     0 clickhouse-client --host=0.0.0.0 --query=INSERT INTO trips FORMAT CSV
DISK I/O     R/s    W/s     85.1   0.0 4.65M  708K  9908 ubuntu       0 R  0:50.60   32M     0 gzip -d -c /ch/csv/trips_xac.csv.gz
loop0          0      0     54.9   5.1 8.14G 3.49G  8091 clickhous    0 S  1:44.23     0   45M /usr/bin/clickhouse-server --config=/etc/clickhouse-server/config.xml
loop1          0      0      4.5   0.0     0     0   319 root         0 S  0:07.50    1K     0 kworker/u72:2
nvme0n1        0     3K      2.3   0.0 91.1M 28.9M  9912 root         0 R  0:01.56     0     0 /usr/bin/python3 /usr/bin/glances
nvme0n1p1      0     3K      0.3   0.0     0     0   960 root       -20 S  0:00.10     0     0 kworker/28:1H
nvme1n1    32.1M   495M      0.3   0.0     0     0  1058 root       -20 S  0:00.90     0     0 kworker/23:1H

আমি চালিয়ে যাওয়ার আগে আসল CSV ফাইল মুছে NVMe ড্রাইভে জায়গা খালি করব।

$ sudo rm -fr /ch/csv

কলাম ফর্মে রূপান্তর করুন

লগ ক্লিকহাউস ইঞ্জিন একটি স্ট্রিং-ভিত্তিক বিন্যাসে ডেটা সংরক্ষণ করবে। দ্রুত ডেটা অনুসন্ধান করতে, আমি MergeTree ইঞ্জিন ব্যবহার করে এটিকে একটি কলাম বিন্যাসে রূপান্তর করি।

$ clickhouse-client --host=0.0.0.0

নিম্নলিখিতটি 34 মিনিট 50 সেকেন্ডে সম্পন্ন হয়। এই অপারেশনের পরে, ডেটা ডিরেক্টরির আকার ছিল 237 জিবি।

CREATE TABLE trips_mergetree
    ENGINE = MergeTree(pickup_date, pickup_datetime, 8192)
    AS SELECT
        trip_id,
        CAST(vendor_id AS Enum8('1' = 1,
                                '2' = 2,
                                'CMT' = 3,
                                'VTS' = 4,
                                'DDS' = 5,
                                'B02512' = 10,
                                'B02598' = 11,
                                'B02617' = 12,
                                'B02682' = 13,
                                'B02764' = 14)) AS vendor_id,
        toDate(pickup_datetime)                 AS pickup_date,
        ifNull(pickup_datetime, toDateTime(0))  AS pickup_datetime,
        toDate(dropoff_datetime)                AS dropoff_date,
        ifNull(dropoff_datetime, toDateTime(0)) AS dropoff_datetime,
        assumeNotNull(store_and_fwd_flag)       AS store_and_fwd_flag,
        assumeNotNull(rate_code_id)             AS rate_code_id,

        assumeNotNull(pickup_longitude)         AS pickup_longitude,
        assumeNotNull(pickup_latitude)          AS pickup_latitude,
        assumeNotNull(dropoff_longitude)        AS dropoff_longitude,
        assumeNotNull(dropoff_latitude)         AS dropoff_latitude,
        assumeNotNull(passenger_count)          AS passenger_count,
        assumeNotNull(trip_distance)            AS trip_distance,
        assumeNotNull(fare_amount)              AS fare_amount,
        assumeNotNull(extra)                    AS extra,
        assumeNotNull(mta_tax)                  AS mta_tax,
        assumeNotNull(tip_amount)               AS tip_amount,
        assumeNotNull(tolls_amount)             AS tolls_amount,
        assumeNotNull(ehail_fee)                AS ehail_fee,
        assumeNotNull(improvement_surcharge)    AS improvement_surcharge,
        assumeNotNull(total_amount)             AS total_amount,
        assumeNotNull(payment_type)             AS payment_type_,
        assumeNotNull(trip_type)                AS trip_type,

        pickup AS pickup,
        pickup AS dropoff,

        CAST(assumeNotNull(cab_type)
            AS Enum8('yellow' = 1, 'green' = 2))
                                AS cab_type,

        precipitation           AS precipitation,
        snow_depth              AS snow_depth,
        snowfall                AS snowfall,
        max_temperature         AS max_temperature,
        min_temperature         AS min_temperature,
        average_wind_speed      AS average_wind_speed,

        pickup_nyct2010_gid     AS pickup_nyct2010_gid,
        pickup_ctlabel          AS pickup_ctlabel,
        pickup_borocode         AS pickup_borocode,
        pickup_boroname         AS pickup_boroname,
        pickup_ct2010           AS pickup_ct2010,
        pickup_boroct2010       AS pickup_boroct2010,
        pickup_cdeligibil       AS pickup_cdeligibil,
        pickup_ntacode          AS pickup_ntacode,
        pickup_ntaname          AS pickup_ntaname,
        pickup_puma             AS pickup_puma,

        dropoff_nyct2010_gid    AS dropoff_nyct2010_gid,
        dropoff_ctlabel         AS dropoff_ctlabel,
        dropoff_borocode        AS dropoff_borocode,
        dropoff_boroname        AS dropoff_boroname,
        dropoff_ct2010          AS dropoff_ct2010,
        dropoff_boroct2010      AS dropoff_boroct2010,
        dropoff_cdeligibil      AS dropoff_cdeligibil,
        dropoff_ntacode         AS dropoff_ntacode,
        dropoff_ntaname         AS dropoff_ntaname,
        dropoff_puma            AS dropoff_puma
    FROM trips;

অপারেশনের সময় এক নজর আউটপুট দেখতে কেমন ছিল:

ip-172-30-2-200 (Ubuntu 16.04 64bit / Linux 4.4.0-1072-aws)                                                                                                 Uptime: 1:06:09
CPU      10.3%  nice:     0.0%                           LOAD    36-core                           MEM     16.1%  active:    13.3G                           SWAP      0.0%
user:     7.9%  irq:      0.0%                           1 min:    1.87                            total:  68.7G  inactive:  52.8G                           total:       0
system:   1.6%  iowait:   0.8%                           5 min:    1.76                            used:   11.1G  buffers:   71.8M                           used:        0
idle:    89.7%  steal:    0.0%                           15 min:   1.95                            free:   57.6G  cached:    57.2G                           free:        0

NETWORK     Rx/s   Tx/s   TASKS 367 (523 thr), 1 run, 366 slp, 0 oth sorted automatically by cpu_percent, flat view
ens5         1Kb    8Kb
lo           2Kb    2Kb     CPU%  MEM%  VIRT   RES   PID USER        NI S    TIME+ IOR/s IOW/s Command
                           241.9  12.8 20.7G 8.78G  8091 clickhous    0 S 30:36.73   34M  125M /usr/bin/clickhouse-server --config=/etc/clickhouse-server/config.xml
DISK I/O     R/s    W/s      2.6   0.0 90.4M 28.3M  9948 root         0 R  1:18.53     0     0 /usr/bin/python3 /usr/bin/glances
loop0          0      0      1.3   0.0     0     0   203 root         0 S  0:09.82     0     0 kswapd0
loop1          0      0      0.3   0.1  315M 61.3M 15701 ubuntu       0 S  0:00.40     0     0 clickhouse-client --host=0.0.0.0
nvme0n1        0     3K      0.3   0.0     0     0     7 root         0 S  0:00.83     0     0 rcu_sched
nvme0n1p1      0     3K      0.0   0.0     0     0   142 root         0 S  0:00.22     0     0 migration/27
nvme1n1    25.8M   330M      0.0   0.0 59.7M 1.79M  2764 ubuntu       0 S  0:00.00     0     0 (sd-pam)

শেষ পরীক্ষায়, বেশ কয়েকটি কলাম রূপান্তরিত এবং পুনরায় গণনা করা হয়েছিল। আমি দেখেছি যে এই ফাংশনগুলির মধ্যে কিছু আর এই ডেটাসেটে সঠিকভাবে কাজ করে না। এই সমস্যাটি সমাধান করার জন্য, আমি অনুপযুক্ত ফাংশনগুলি সরিয়ে দিয়েছি এবং আরও সূক্ষ্ম-দানাযুক্ত প্রকারে রূপান্তর না করেই ডেটা লোড করেছি।

ক্লাস্টার ডেটা বিতরণ

আমি তিনটি ক্লাস্টার নোড জুড়ে ডেটা বিতরণ করব। শুরু করতে, নীচে আমি তিনটি মেশিনে একটি টেবিল তৈরি করব।

$ clickhouse-client --host=0.0.0.0

CREATE TABLE trips_mergetree_third (
    trip_id                 UInt32,
    vendor_id               String,
    pickup_date             Date,
    pickup_datetime         DateTime,
    dropoff_date            Date,
    dropoff_datetime        Nullable(DateTime),
    store_and_fwd_flag      Nullable(FixedString(1)),
    rate_code_id            Nullable(UInt8),
    pickup_longitude        Nullable(Float64),
    pickup_latitude         Nullable(Float64),
    dropoff_longitude       Nullable(Float64),
    dropoff_latitude        Nullable(Float64),
    passenger_count         Nullable(UInt8),
    trip_distance           Nullable(Float64),
    fare_amount             Nullable(Float32),
    extra                   Nullable(Float32),
    mta_tax                 Nullable(Float32),
    tip_amount              Nullable(Float32),
    tolls_amount            Nullable(Float32),
    ehail_fee               Nullable(Float32),
    improvement_surcharge   Nullable(Float32),
    total_amount            Nullable(Float32),
    payment_type            Nullable(String),
    trip_type               Nullable(UInt8),
    pickup                  Nullable(String),
    dropoff                 Nullable(String),

    cab_type                Nullable(String),

    precipitation           Nullable(Int8),
    snow_depth              Nullable(Int8),
    snowfall                Nullable(Int8),
    max_temperature         Nullable(Int8),
    min_temperature         Nullable(Int8),
    average_wind_speed      Nullable(Int8),

    pickup_nyct2010_gid     Nullable(Int8),
    pickup_ctlabel          Nullable(String),
    pickup_borocode         Nullable(Int8),
    pickup_boroname         Nullable(String),
    pickup_ct2010           Nullable(String),
    pickup_boroct2010       Nullable(String),
    pickup_cdeligibil       Nullable(FixedString(1)),
    pickup_ntacode          Nullable(String),
    pickup_ntaname          Nullable(String),
    pickup_puma             Nullable(String),

    dropoff_nyct2010_gid    Nullable(UInt8),
    dropoff_ctlabel         Nullable(String),
    dropoff_borocode        Nullable(UInt8),
    dropoff_boroname        Nullable(String),
    dropoff_ct2010          Nullable(String),
    dropoff_boroct2010      Nullable(String),
    dropoff_cdeligibil      Nullable(String),
    dropoff_ntacode         Nullable(String),
    dropoff_ntaname         Nullable(String),
    dropoff_puma            Nullable(String)
) ENGINE = MergeTree(pickup_date, pickup_datetime, 8192);

তারপর আমি নিশ্চিত করব যে প্রথম সার্ভার ক্লাস্টারের তিনটি নোড দেখতে পারে।

SELECT *
FROM system.clusters
WHERE cluster = 'perftest_3shards'
FORMAT Vertical;

Row 1:
──────
cluster:          perftest_3shards
shard_num:        1
shard_weight:     1
replica_num:      1
host_name:        172.30.2.192
host_address:     172.30.2.192
port:             9000
is_local:         1
user:             default
default_database:

Row 2:
──────
cluster:          perftest_3shards
shard_num:        2
shard_weight:     1
replica_num:      1
host_name:        172.30.2.162
host_address:     172.30.2.162
port:             9000
is_local:         0
user:             default
default_database:

Row 3:
──────
cluster:          perftest_3shards
shard_num:        3
shard_weight:     1
replica_num:      1
host_name:        172.30.2.36
host_address:     172.30.2.36
port:             9000
is_local:         0
user:             default
default_database:

তারপর আমি প্রথম সার্ভারে একটি নতুন টেবিল সংজ্ঞায়িত করব যা স্কিমার উপর ভিত্তি করে trips_mergetree_third এবং ডিস্ট্রিবিউটেড ইঞ্জিন ব্যবহার করে।

CREATE TABLE trips_mergetree_x3
    AS trips_mergetree_third
    ENGINE = Distributed(perftest_3shards,
                         default,
                         trips_mergetree_third,
                         rand());

তারপর আমি MergeTree ভিত্তিক টেবিল থেকে তিনটি সার্ভারে ডেটা কপি করব। নিম্নলিখিতটি 34 মিনিট 44 সেকেন্ডে সম্পন্ন হয়।

INSERT INTO trips_mergetree_x3
    SELECT * FROM trips_mergetree;

উপরের অপারেশনের পর, আমি সর্বোচ্চ স্টোরেজ চিহ্ন অতিক্রম করতে ক্লিকহাউসকে 15 মিনিট সময় দিয়েছিলাম। তিনটি সার্ভারের প্রতিটিতে ডেটা ডিরেক্টরিগুলি যথাক্রমে 264 জিবি, 34 জিবি এবং 33 জিবি হয়েছে।

ক্লিক হাউস ক্লাস্টার কর্মক্ষমতা মূল্যায়ন

টেবিলে প্রতিটি ক্যোয়ারী একাধিকবার চালানোর সময় আমি পরবর্তীতে যা দেখেছিলাম তা হল দ্রুততম সময় trips_mergetree_x3.

$ clickhouse-client --host=0.0.0.0

নিম্নলিখিতটি 2.449 সেকেন্ডে সম্পন্ন হয়।

SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;

নিম্নলিখিতটি 0.691 সেকেন্ডে সম্পন্ন হয়।

SELECT passenger_count,
       avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;

নিম্নলিখিত 0 সেকেন্ডের মধ্যে সম্পন্ন করা হয়.

SELECT passenger_count,
       toYear(pickup_date) AS year,
       count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
         year;

নিম্নলিখিতটি 0.983 সেকেন্ডে সম্পন্ন হয়।

SELECT passenger_count,
       toYear(pickup_date) AS year,
       round(trip_distance) AS distance,
       count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
         year,
         distance
ORDER BY year,
         count(*) DESC;

তুলনা করার জন্য, আমি একটি MergeTree-ভিত্তিক টেবিলে একই প্রশ্নগুলি চালিয়েছিলাম যা একচেটিয়াভাবে প্রথম সার্ভারে থাকে।

একক নোড কর্মক্ষমতা মূল্যায়ন ClickHouse

টেবিলে প্রতিটি ক্যোয়ারী একাধিকবার চালানোর সময় আমি পরবর্তীতে যা দেখেছিলাম তা হল দ্রুততম সময় trips_mergetree_x3.

নিম্নলিখিতটি 0.241 সেকেন্ডে সম্পন্ন হয়।

SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;

নিম্নলিখিতটি 0.826 সেকেন্ডে সম্পন্ন হয়।

SELECT passenger_count,
       avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;

নিম্নলিখিতটি 1.209 সেকেন্ডে সম্পন্ন হয়।

SELECT passenger_count,
       toYear(pickup_date) AS year,
       count(*)
FROM trips_mergetree
GROUP BY passenger_count,
         year;

নিম্নলিখিতটি 1.781 সেকেন্ডে সম্পন্ন হয়।

SELECT passenger_count,
       toYear(pickup_date) AS year,
       round(trip_distance) AS distance,
       count(*)
FROM trips_mergetree
GROUP BY passenger_count,
         year,
         distance
ORDER BY year,
         count(*) DESC;

ফলাফলের প্রতিফলন

এই প্রথমবার যে একটি বিনামূল্যের CPU-ভিত্তিক ডাটাবেস আমার পরীক্ষায় একটি GPU-ভিত্তিক ডাটাবেসকে ছাড়িয়ে যেতে সক্ষম হয়েছে। সেই GPU-ভিত্তিক ডাটাবেসটি তখন থেকে দুটি সংশোধন করেছে, কিন্তু তবুও, একটি একক নোডে ক্লিকহাউস যে কর্মক্ষমতা দেখিয়েছে তা খুবই চিত্তাকর্ষক।

একই সময়ে, যখন একটি ডিস্ট্রিবিউটেড ইঞ্জিনে ক্যোয়ারী 1 কার্যকর করা হয়, তখন ওভারহেড খরচগুলি উচ্চ মাত্রার একটি আদেশ হয়। আমি আশা করি আমি এই পোস্টের জন্য আমার গবেষণায় কিছু মিস করেছি, কারণ আমি ক্লাস্টারে আরও নোড যুক্ত করার সাথে সাথে ক্যোয়ারী সময় কমে যেতে দেখে ভালো লাগবে। যাইহোক, এটি উল্লেখযোগ্য যে অন্যান্য প্রশ্নগুলি চালানোর সময়, কার্যক্ষমতা প্রায় 2 গুণ বৃদ্ধি পেয়েছে।

এটা চমৎকার হবে যদি ClickHouse আলাদা আলাদা স্টোরেজ এবং গণনা করতে সক্ষম হওয়ার দিক থেকে বিকশিত হয় যাতে তারা স্বাধীনভাবে স্কেল করতে পারে। এইচডিএফএস-এর জন্য সমর্থন, যা গত বছর যোগ করা হয়েছিল, এটি এই দিকে একটি পদক্ষেপ হতে পারে। কম্পিউটিংয়ের পরিপ্রেক্ষিতে, ক্লাস্টারে আরও নোড যুক্ত করে যদি একটি একক প্রশ্ন ত্বরান্বিত করা যায়, তবে এই সফ্টওয়্যারটির ভবিষ্যত খুব উজ্জ্বল হবে।

এই পোস্ট পড়ার জন্য সময় নেওয়ার জন্য ধন্যবাদ. আমি উত্তর আমেরিকা এবং ইউরোপের ক্লায়েন্টদের জন্য পরামর্শ, স্থাপত্য এবং ব্যবহারিক উন্নয়ন পরিষেবা অফার করি। আপনি যদি আমার পরামর্শগুলি আপনার ব্যবসায়কে কীভাবে সাহায্য করতে পারে তা নিয়ে আলোচনা করতে চান, অনুগ্রহ করে এর মাধ্যমে আমার সাথে যোগাযোগ করুন৷ লিঙ্কডইন.

উত্স: www.habr.com