ការធ្វើដំណើរតាមតាក់ស៊ីចំនួន 1.1 ពាន់លានដង៖ ចង្កោម ClickHouse 108-core

ការបកប្រែអត្ថបទត្រូវបានរៀបចំជាពិសេសសម្រាប់សិស្សនៃវគ្គសិក្សា "វិស្វករទិន្នន័យ".

ចុចផ្ទះ គឺជាមូលដ្ឋានទិន្នន័យ columnar ប្រភពបើកចំហ។ វាជាបរិយាកាសដ៏ល្អមួយ ដែលអ្នកវិភាគរាប់រយនាក់អាចសាកសួរទិន្នន័យលម្អិតបានយ៉ាងឆាប់រហ័ស ទោះបីជាកំណត់ត្រាថ្មីរាប់សិបពាន់លានត្រូវបានបញ្ចូលក្នុងមួយថ្ងៃក៏ដោយ។ ការចំណាយលើហេដ្ឋារចនាសម្ព័ន្ធដើម្បីគាំទ្រប្រព័ន្ធបែបនេះអាចខ្ពស់ដល់ 100 ដុល្លារក្នុងមួយឆ្នាំ ហើយអាចមានពាក់កណ្តាលអាស្រ័យលើការប្រើប្រាស់។ នៅចំណុចមួយ ការដំឡើង ClickHouse ពី Yandex Metrics មានកំណត់ត្រា 10 លានលាន។ បន្ថែមពីលើ Yandex ClickHouse ក៏បានរកឃើញភាពជោគជ័យជាមួយ Bloomberg និង Cloudflare ផងដែរ។

កាលពីពីរឆ្នាំមុនខ្ញុំបានចំណាយ ការវិភាគប្រៀបធៀប មូលដ្ឋានទិន្នន័យដោយប្រើម៉ាស៊ីនតែមួយ ហើយវាបានក្លាយជា លឿនបំផុត។ កម្មវិធីមូលដ្ឋានទិន្នន័យឥតគិតថ្លៃ ដែលខ្ញុំធ្លាប់ឃើញ។ ចាប់តាំងពីពេលនោះមក អ្នកអភិវឌ្ឍន៍បានបន្តបន្ថែមលក្ខណៈពិសេស រួមទាំងការគាំទ្រសម្រាប់ការបង្ហាប់ Kafka, HDFS និង ZStandard ។ កាលពីឆ្នាំមុន ពួកគេបានបន្ថែមការគាំទ្រសម្រាប់វិធីសាស្ត្របង្ហាប់ល្បាក់ និង ដីសណ្ត-ពី-ដីសណ្ត ការសរសេរកូដបានក្លាយជាអាចធ្វើទៅបាន។ នៅពេលបង្ហាប់ទិន្នន័យស៊េរីពេលវេលា តម្លៃរង្វាស់អាចត្រូវបានបង្ហាប់បានយ៉ាងល្អដោយប្រើការអ៊ិនកូដ delta ប៉ុន្តែសម្រាប់ counters វាជាការប្រសើរក្នុងការប្រើការអ៊ិនកូដ delta-by-delta ។ ការបង្ហាប់ល្អបានក្លាយជាគន្លឹះនៃដំណើរការរបស់ ClickHouse ។

ClickHouse មាន 170 ពាន់បន្ទាត់នៃកូដ C++ ដោយមិនរាប់បញ្ចូលបណ្ណាល័យភាគីទីបី និងជាមូលដ្ឋានទិន្នន័យចែកចាយតូចបំផុតមួយ។ នៅក្នុងការប្រៀបធៀប SQLite មិនគាំទ្រការចែកចាយទេ ហើយមានកូដ C ចំនួន 235 ពាន់បន្ទាត់។ តាមការសរសេរនេះ វិស្វករចំនួន 207 នាក់បានចូលរួមចំណែកដល់ ClickHouse ហើយអាំងតង់ស៊ីតេនៃការប្រព្រឹត្តកំពុងកើនឡើងនាពេលថ្មីៗនេះ។

នៅខែមីនាឆ្នាំ 2017 ClickHouse បានចាប់ផ្តើមដំណើរការ កំណត់ហេតុផ្លាស់ប្តូរ ជាមធ្យោបាយងាយស្រួលក្នុងការតាមដានការអភិវឌ្ឍន៍។ ពួកគេក៏បានបំបែកឯកសារឯកសារ monolithic ទៅជាឋានានុក្រមឯកសារដែលមានមូលដ្ឋានលើ Markdown ។ បញ្ហា និងមុខងារនានាត្រូវបានតាមដានតាមរយៈ GitHub ហើយជាទូទៅកម្មវិធីបានក្លាយទៅជាអាចចូលប្រើបានកាន់តែច្រើនក្នុងរយៈពេលប៉ុន្មានឆ្នាំចុងក្រោយនេះ។

នៅក្នុងអត្ថបទនេះ ខ្ញុំនឹងពិនិត្យមើលដំណើរការរបស់ ClickHouse cluster នៅលើ AWS EC2 ដោយប្រើ processors 36-core និង NVMe storage។

អាប់ដេត៖ មួយសប្តាហ៍បន្ទាប់ពីការបោះផ្សាយអត្ថបទនេះដំបូង ខ្ញុំបានធ្វើតេស្តម្តងទៀតជាមួយនឹងការកំណត់រចនាសម្ព័ន្ធដែលប្រសើរឡើង និងទទួលបានលទ្ធផលប្រសើរជាងមុន។ ការបង្ហោះនេះត្រូវបានធ្វើបច្ចុប្បន្នភាពដើម្បីឆ្លុះបញ្ចាំងពីការផ្លាស់ប្តូរទាំងនេះ។

បើកដំណើរការ AWS EC2 Cluster

ខ្ញុំនឹងប្រើករណី c5d.9xlarge EC2 ចំនួនបីសម្រាប់ការប្រកាសនេះ។ ពួកវានីមួយៗមានស៊ីភីយូនិម្មិត 36 អង្គចងចាំ 72 ជីកាបៃ អង្គផ្ទុកទិន្នន័យ NVMe SSD 900 ជីកាបៃ និងគាំទ្របណ្តាញ 10 ជីហ្គាបៃ។ ពួកគេមានតម្លៃ $1,962/ម៉ោង ក្នុងតំបន់ eu-west-1 នៅពេលដំណើរការតាមតម្រូវការ។ ខ្ញុំនឹងប្រើ Ubuntu Server 16.04 LTS ជាប្រព័ន្ធប្រតិបត្តិការ។

ជញ្ជាំងភ្លើងត្រូវបានកំណត់រចនាសម្ព័ន្ធ ដូច្នេះម៉ាស៊ីននីមួយៗអាចទំនាក់ទំនងគ្នាទៅវិញទៅមកដោយគ្មានការរឹតបន្តឹង ហើយមានតែអាសយដ្ឋាន IPv4 របស់ខ្ញុំប៉ុណ្ណោះដែលត្រូវបានបញ្ចូលក្នុងបញ្ជីសដោយ SSH នៅក្នុងចង្កោម។

ដ្រាយ NVMe នៅក្នុងស្ថានភាពត្រៀមខ្លួនប្រតិបត្តិការ

ដើម្បីឱ្យ ClickHouse ដំណើរការ ខ្ញុំនឹងបង្កើតប្រព័ន្ធឯកសារក្នុងទម្រង់ EXT4 នៅលើដ្រាយ NVMe នៅលើម៉ាស៊ីនមេនីមួយៗ។

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

នៅពេលដែលអ្វីៗត្រូវបានតំឡើង អ្នកអាចមើលឃើញចំណុចម៉ោន និងទំហំផ្ទុក 783 GB ដែលមាននៅលើប្រព័ន្ធនីមួយៗ។

$ 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

សំណុំទិន្នន័យដែលខ្ញុំនឹងប្រើក្នុងការធ្វើតេស្តនេះគឺជាទិន្នន័យដែលខ្ញុំបង្កើតចេញពីការជិះតាក់ស៊ីចំនួន 1.1 ពាន់លានដងនៅទីក្រុងញូវយ៉កក្នុងរយៈពេលប្រាំមួយឆ្នាំ។ នៅលើប្លក់ ការធ្វើដំណើរតាក់ស៊ីមួយពាន់លាននៅ Redshift លម្អិតអំពីរបៀបដែលខ្ញុំប្រមូលសំណុំទិន្នន័យនេះ។ ពួកវាត្រូវបានរក្សាទុកក្នុង AWS S3 ដូច្នេះខ្ញុំនឹងកំណត់រចនាសម្ព័ន្ធ AWS CLI ជាមួយនឹងការចូលប្រើ និងសោសម្ងាត់របស់ខ្ញុំ។

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

ខ្ញុំនឹងកំណត់ដែនកំណត់សំណើស្របគ្នារបស់អតិថិជនដល់ 100 ដើម្បីឱ្យឯកសារទាញយកលឿនជាងការកំណត់លំនាំដើម។

$ aws configure set 
    default.s3.max_concurrent_requests 
    100

ខ្ញុំនឹងទាញយកសំណុំទិន្នន័យជិះតាក់ស៊ីពី AWS S3 ហើយរក្សាទុកវានៅលើដ្រាយ NVMe នៅលើម៉ាស៊ីនមេដំបូង។ សំណុំទិន្នន័យនេះគឺ ~104GB ជាទម្រង់ CSV ដែលបានបង្ហាប់ GZIP ។

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

ការដំឡើង ClickHouse

ខ្ញុំនឹងដំឡើងការចែកចាយ OpenJDK សម្រាប់ Java 8 ដូចដែលវាត្រូវបានទាមទារដើម្បីដំណើរការកម្មវិធី Apache ZooKeeper ដែលត្រូវបានទាមទារសម្រាប់ការដំឡើងចែកចាយ ClickHouse នៅលើម៉ាស៊ីនទាំងបី។

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

បន្ទាប់មកខ្ញុំកំណត់អថេរបរិស្ថាន JAVA_HOME.

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

បន្ទាប់មកខ្ញុំនឹងប្រើប្រព័ន្ធគ្រប់គ្រងកញ្ចប់របស់ Ubuntu ដើម្បីដំឡើង ClickHouse 18.16.1, glances និង ZooKeeper នៅលើម៉ាស៊ីនទាំងបី។

$ 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

ខ្ញុំ​នឹង​បង្កើត​ថត​សម្រាប់ ClickHouse ហើយ​ក៏​ធ្វើ​ការ​បដិសេធ​ការ​កំណត់​រចនាសម្ព័ន្ធ​មួយ​ចំនួន​នៅ​លើ​ servers ទាំង​បី។

$ 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

ទាំងនេះគឺជាការកំណត់រចនាសម្ព័ន្ធបដិសេធដែលខ្ញុំនឹងប្រើ។

<?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>

បន្ទាប់មកខ្ញុំនឹងដំណើរការ ZooKeeper និងម៉ាស៊ីនមេ ClickHouse នៅលើម៉ាស៊ីនទាំងបី។

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

កំពុងផ្ទុកទិន្នន័យទៅ ClickHouse

នៅលើម៉ាស៊ីនមេដំបូង ខ្ញុំនឹងបង្កើតតារាងធ្វើដំណើរ (trips) ដែលនឹងរក្សាទុកសំណុំទិន្នន័យនៃការធ្វើដំណើរតាក់ស៊ីដោយប្រើម៉ាស៊ីន Log ។

$ 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;

បន្ទាប់មកខ្ញុំស្រង់ចេញ និងផ្ទុកឯកសារ CSV នីមួយៗទៅក្នុងតារាងធ្វើដំណើរ (trips) ខាងក្រោមនេះត្រូវបានបញ្ចប់ក្នុងរយៈពេល 55 នាទី និង 10 វិនាទី។ បន្ទាប់ពីប្រតិបត្តិការនេះទំហំនៃថតទិន្នន័យគឺ 134 GB ។

$ 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)

ល្បឿននាំចូលគឺ 155 MB នៃមាតិកា CSV ដែលមិនបានបង្ហាប់ក្នុងមួយវិនាទី។ ខ្ញុំ​សង្ស័យ​ថា​នេះ​មក​ពី​បញ្ហា​ស្ទះ​ក្នុង​ការ​បង្ហាប់ GZIP ។ វាប្រហែលជាលឿនជាងមុនក្នុងការពន្លាឯកសារ gzipped ទាំងអស់ស្របគ្នាដោយប្រើ xargs ហើយបន្ទាប់មកផ្ទុកទិន្នន័យដែលពន្លា។ ខាងក្រោមនេះគឺជាការពិពណ៌នាអំពីអ្វីដែលត្រូវបានរាយការណ៍ក្នុងអំឡុងពេលដំណើរការនាំចូល CSV ។

$ 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

ខ្ញុំនឹងបង្កើនទំហំផ្ទុកនៅលើដ្រាយ NVMe ដោយលុបឯកសារ CSV ដើមមុនពេលបន្ត។

$ sudo rm -fr /ch/csv

បំប្លែងទៅជាទម្រង់ជួរឈរ

ម៉ាស៊ីន Log ClickHouse នឹងរក្សាទុកទិន្នន័យក្នុងទម្រង់តម្រង់ជួរ។ ដើម្បីសាកសួរទិន្នន័យកាន់តែលឿន ខ្ញុំបានបំប្លែងវាទៅជាទម្រង់ជួរឈរដោយប្រើម៉ាស៊ីន MergeTree។

$ clickhouse-client --host=0.0.0.0

ខាងក្រោមនេះត្រូវបានបញ្ចប់ក្នុងរយៈពេល 34 នាទី និង 50 វិនាទី។ បន្ទាប់ពីប្រតិបត្តិការនេះទំហំនៃថតទិន្នន័យគឺ 237 GB ។

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;

នេះ​ជា​អ្វី​ដែល​លទ្ធផល​មើល​ទៅ​ដូច​ជា​អំឡុង​ពេល​ប្រតិបត្តិការ៖

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)

នៅក្នុងការធ្វើតេស្តចុងក្រោយ ជួរឈរជាច្រើនត្រូវបានបំប្លែង និងគណនាឡើងវិញ។ ខ្ញុំបានរកឃើញថាមុខងារទាំងនេះមួយចំនួនលែងដំណើរការដូចការរំពឹងទុកនៅលើសំណុំទិន្នន័យនេះទៀតហើយ។ ដើម្បីដោះស្រាយបញ្ហានេះ ខ្ញុំបានដកមុខងារមិនសមរម្យចេញ ហើយផ្ទុកទិន្នន័យដោយមិនបំប្លែងទៅជាប្រភេទក្រឡាបន្ថែម។

ការចែកចាយទិន្នន័យនៅទូទាំងចង្កោម

ខ្ញុំ​នឹង​ចែកចាយ​ទិន្នន័យ​នៅ​ទូទាំង​ថ្នាំង​ចង្កោម​ទាំង​បី។ ដើម្បីចាប់ផ្តើម ខាងក្រោមខ្ញុំនឹងបង្កើតតារាងមួយនៅលើម៉ាស៊ីនទាំងបី។

$ 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);

បន្ទាប់មកខ្ញុំនឹងធ្វើឱ្យប្រាកដថាម៉ាស៊ីនមេដំបូងអាចមើលឃើញថ្នាំងទាំងបីនៅក្នុងចង្កោម។

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:

បន្ទាប់មកខ្ញុំនឹងកំណត់តារាងថ្មីមួយនៅលើម៉ាស៊ីនមេដំបូងដែលផ្អែកលើគ្រោងការណ៍ trips_mergetree_third និងប្រើម៉ាស៊ីនចែកចាយ។

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

បន្ទាប់មកខ្ញុំនឹងចម្លងទិន្នន័យពីតារាងដែលមានមូលដ្ឋានលើ MergeTree ទៅកាន់ម៉ាស៊ីនមេទាំងបី។ ខាងក្រោមនេះត្រូវបានបញ្ចប់ក្នុងរយៈពេល 34 នាទី និង 44 វិនាទី។

INSERT INTO trips_mergetree_x3
    SELECT * FROM trips_mergetree;

បន្ទាប់ពីប្រតិបត្តិការខាងលើ ខ្ញុំបានផ្តល់ឱ្យ ClickHouse 15 នាទីដើម្បីផ្លាស់ទីឆ្ងាយពីសញ្ញាកម្រិតផ្ទុកអតិបរមា។ ថតទិន្នន័យបានបញ្ចប់គឺ 264 GB, 34 GB និង 33 GB រៀងគ្នានៅលើម៉ាស៊ីនមេទាំងបី។

ការវាយតម្លៃការអនុវត្តចង្កោម ClickHouse

អ្វី​ដែល​ខ្ញុំ​បាន​ឃើញ​បន្ទាប់​គឺ​ជា​ពេល​វេលា​លឿន​បំផុត​ដែល​ខ្ញុំ​បាន​ឃើញ​រត់​សំណួរ​នីមួយៗ​លើ​តារាង​ច្រើន​ដង trips_mergetree_x3.

$ clickhouse-client --host=0.0.0.0

ខាងក្រោមនេះបានបញ្ចប់ក្នុងរយៈពេល 2.449 វិនាទី។

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

ខាងក្រោមនេះបានបញ្ចប់ក្នុងរយៈពេល 0.691 វិនាទី។

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

ខាងក្រោមនេះបានបញ្ចប់ក្នុងរយៈពេល 0 វិនាទី។

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

ខាងក្រោមនេះបានបញ្ចប់ក្នុងរយៈពេល 0.983 វិនាទី។

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;

សម្រាប់ការប្រៀបធៀប ខ្ញុំបានដំណើរការសំណួរដូចគ្នានៅលើតារាងដែលមានមូលដ្ឋានលើ MergeTree ដែលរស់នៅតែលើម៉ាស៊ីនមេដំបូងប៉ុណ្ណោះ។

ការវាយតម្លៃការអនុវត្តនៃថ្នាំង ClickHouse មួយ។

អ្វី​ដែល​ខ្ញុំ​បាន​ឃើញ​បន្ទាប់​គឺ​ជា​ពេល​វេលា​លឿន​បំផុត​ដែល​ខ្ញុំ​បាន​ឃើញ​រត់​សំណួរ​នីមួយៗ​លើ​តារាង​ច្រើន​ដង trips_mergetree_x3.

ខាងក្រោមនេះបានបញ្ចប់ក្នុងរយៈពេល 0.241 វិនាទី។

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

ខាងក្រោមនេះបានបញ្ចប់ក្នុងរយៈពេល 0.826 វិនាទី។

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

ខាងក្រោមនេះបានបញ្ចប់ក្នុងរយៈពេល 1.209 វិនាទី។

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

ខាងក្រោមនេះបានបញ្ចប់ក្នុងរយៈពេល 1.781 វិនាទី។

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;

ការឆ្លុះបញ្ចាំងលើលទ្ធផល

នេះជាលើកដំបូងដែលមូលដ្ឋានទិន្នន័យផ្អែកលើស៊ីភីយូឥតគិតថ្លៃអាចដំណើរការលើសពីមូលដ្ឋានទិន្នន័យដែលមានមូលដ្ឋានលើ GPU នៅក្នុងការធ្វើតេស្តរបស់ខ្ញុំ។ មូលដ្ឋានទិន្នន័យដែលមានមូលដ្ឋានលើ GPU នោះបានឆ្លងកាត់ការកែប្រែចំនួនពីរចាប់តាំងពីពេលនោះមក ប៉ុន្តែដំណើរការដែល ClickHouse ផ្តល់ជូននៅលើថ្នាំងតែមួយគឺគួរឱ្យចាប់អារម្មណ៍ខ្លាំងណាស់។

នៅពេលដំណាលគ្នានោះ នៅពេលប្រតិបត្តិសំណួរទី 1 លើម៉ាស៊ីនចែកចាយ ការចំណាយលើសគឺជាលំដាប់នៃរ៉ិចទ័រខ្ពស់ជាង។ ខ្ញុំសង្ឃឹមថាខ្ញុំខកខានអ្វីមួយនៅក្នុងការស្រាវជ្រាវរបស់ខ្ញុំសម្រាប់ការបង្ហោះនេះ ព្រោះវាល្អណាស់ក្នុងការឃើញពេលវេលាសំណួរធ្លាក់ចុះ នៅពេលដែលខ្ញុំបន្ថែមថ្នាំងបន្ថែមទៀតទៅក្នុងចង្កោម។ ទោះយ៉ាងណាក៏ដោយ វាជាការប្រសើរណាស់ដែលនៅពេលអនុវត្តសំណួរផ្សេងទៀត ការអនុវត្តកើនឡើងប្រហែល 2 ដង។

វាពិតជាល្អណាស់ដែលឃើញ ClickHouse វិវត្តន៍ឆ្ពោះទៅរកការបំបែកការផ្ទុក និងការគណនា ដូច្នេះពួកគេអាចធ្វើមាត្រដ្ឋានដោយឯករាជ្យ។ ការគាំទ្រ HDFS ដែលត្រូវបានបន្ថែមកាលពីឆ្នាំមុនអាចជាជំហានឆ្ពោះទៅរកបញ្ហានេះ។ នៅក្នុងលក្ខខណ្ឌនៃការគណនា ប្រសិនបើសំណួរតែមួយអាចត្រូវបានពន្លឿនដោយការបន្ថែមថ្នាំងបន្ថែមទៀតទៅក្នុងចង្កោមនោះ អនាគតនៃកម្មវិធីនេះគឺភ្លឺខ្លាំង។

អរគុណសម្រាប់ការចំណាយពេលអានអត្ថបទនេះ។ ខ្ញុំផ្តល់ជូនការប្រឹក្សា ស្ថាបត្យកម្ម និងសេវាកម្មអភិវឌ្ឍន៍ការអនុវត្តដល់អតិថិជននៅអាមេរិកខាងជើង និងអឺរ៉ុប។ ប្រសិនបើអ្នកចង់ពិភាក្សាពីរបៀបដែលការផ្តល់យោបល់របស់ខ្ញុំអាចជួយអាជីវកម្មរបស់អ្នក សូមទាក់ទងមកខ្ញុំតាមរយៈ LinkedIn.

ប្រភព: www.habr.com