1.1 ബില്യൺ ടാക്സി യാത്രകൾ: 108-കോർ ക്ലിക്ക്ഹൗസ് ക്ലസ്റ്റർ

ലേഖനത്തിന്റെ വിവർത്തനം കോഴ്‌സിലെ വിദ്യാർത്ഥികൾക്കായി പ്രത്യേകം തയ്യാറാക്കിയതാണ് "ഡാറ്റ എഞ്ചിനീയർ".

ക്ലിക്ക്ഹ ouse സ് ഒരു ഓപ്പൺ സോഴ്സ് കോളം ഡാറ്റാബേസ് ആണ്. പ്രതിദിനം പതിനായിരക്കണക്കിന് പുതിയ റെക്കോർഡുകൾ രേഖപ്പെടുത്തുന്നുണ്ടെങ്കിലും നൂറുകണക്കിന് അനലിസ്റ്റുകൾക്ക് വിശദമായ ഡാറ്റ വേഗത്തിൽ അന്വേഷിക്കാൻ കഴിയുന്ന മികച്ച അന്തരീക്ഷമാണിത്. അത്തരമൊരു സംവിധാനത്തെ പിന്തുണയ്ക്കുന്നതിനുള്ള അടിസ്ഥാന സൗകര്യ ചെലവ് പ്രതിവർഷം $100 വരെ ഉയർന്നേക്കാം, ഉപയോഗത്തെ ആശ്രയിച്ച് അതിന്റെ പകുതിയും. ഒരു ഘട്ടത്തിൽ, Yandex Metrics-ൽ നിന്നുള്ള ClickHouse ഇൻസ്റ്റാളേഷനിൽ 10 ട്രില്യൺ റെക്കോർഡുകൾ അടങ്ങിയിരിക്കുന്നു. Yandex ന് പുറമേ, ബ്ലൂംബെർഗ്, Cloudflare എന്നിവയിലും ക്ലിക്ക്ഹൗസ് വിജയം കണ്ടെത്തി.

രണ്ട് വർഷം മുമ്പ് ഞാൻ ചെലവഴിച്ചു താരതമ്യ വിശകലനം ഒരു യന്ത്രം ഉപയോഗിച്ച് ഡാറ്റാബേസുകൾ, അത് മാറി ഏറ്റവും വേഗമേറിയ ഞാൻ കണ്ടിട്ടുള്ള ഒരു സ്വതന്ത്ര ഡാറ്റാബേസ് സോഫ്റ്റ്‌വെയർ. അതിനുശേഷം, കാഫ്ക, HDFS, ZStandard കംപ്രഷൻ എന്നിവയ്ക്കുള്ള പിന്തുണ ഉൾപ്പെടെയുള്ള സവിശേഷതകൾ ചേർക്കുന്നത് ഡവലപ്പർമാർ നിർത്തിയിട്ടില്ല. കഴിഞ്ഞ വർഷം അവർ കാസ്കേഡിംഗ് കംപ്രഷൻ രീതികൾക്കുള്ള പിന്തുണ ചേർത്തു ഡെൽറ്റ-ൽ നിന്ന്-ഡെൽറ്റ കോഡിംഗ് സാധ്യമായി. സമയ ശ്രേണി ഡാറ്റ കംപ്രസ്സുചെയ്യുമ്പോൾ, ഡെൽറ്റ എൻകോഡിംഗ് ഉപയോഗിച്ച് ഗേജ് മൂല്യങ്ങൾ നന്നായി കംപ്രസ് ചെയ്യാൻ കഴിയും, എന്നാൽ കൗണ്ടറുകൾക്ക് ഡെൽറ്റ-ബൈ-ഡെൽറ്റ എൻകോഡിംഗ് ഉപയോഗിക്കുന്നതാണ് നല്ലത്. നല്ല കംപ്രഷൻ ക്ലിക്ക്ഹൗസിന്റെ പ്രകടനത്തിന്റെ താക്കോലായി മാറിയിരിക്കുന്നു.

മൂന്നാം കക്ഷി ലൈബ്രറികൾ ഒഴികെയുള്ള C++ കോഡിന്റെ 170 ആയിരം വരികൾ ClickHouse ഉൾക്കൊള്ളുന്നു, കൂടാതെ വിതരണം ചെയ്ത ഏറ്റവും ചെറിയ ഡാറ്റാബേസ് കോഡ്ബേസുകളിൽ ഒന്നാണിത്. താരതമ്യപ്പെടുത്തുമ്പോൾ, SQLite വിതരണത്തെ പിന്തുണയ്‌ക്കുന്നില്ല, കൂടാതെ 235 ആയിരം സി കോഡുകൾ ഉൾക്കൊള്ളുന്നു. ഈ എഴുത്ത് പ്രകാരം, 207 എഞ്ചിനീയർമാർ ClickHouse-ലേക്ക് സംഭാവന ചെയ്തിട്ടുണ്ട്, കൂടാതെ കമ്മിറ്റുകളുടെ തീവ്രത അടുത്തിടെ വർദ്ധിച്ചുകൊണ്ടിരിക്കുകയാണ്.

2017 മാർച്ചിൽ, ക്ലിക്ക്ഹൗസ് നടത്താൻ തുടങ്ങി ചേഞ്ച്ലോഗ് വികസനത്തിന്റെ ട്രാക്ക് സൂക്ഷിക്കുന്നതിനുള്ള ഒരു എളുപ്പ മാർഗമായി. അവർ മോണോലിത്തിക്ക് ഡോക്യുമെന്റേഷൻ ഫയലിനെ മാർക്ക്ഡൗൺ അടിസ്ഥാനമാക്കിയുള്ള ഫയൽ ശ്രേണിയിലേക്ക് വിഭജിച്ചു. പ്രശ്‌നങ്ങളും സവിശേഷതകളും GitHub വഴി ട്രാക്ക് ചെയ്യപ്പെടുന്നു, പൊതുവെ കഴിഞ്ഞ കുറച്ച് വർഷങ്ങളായി സോഫ്റ്റ്‌വെയർ കൂടുതൽ ആക്‌സസ് ചെയ്യാവുന്നതാണ്.

ഈ ലേഖനത്തിൽ, 2-കോർ പ്രോസസറുകളും NVMe സംഭരണവും ഉപയോഗിക്കുന്ന AWS EC36-ലെ ഒരു ClickHouse ക്ലസ്റ്ററിന്റെ പ്രകടനം ഞാൻ പരിശോധിക്കാൻ പോകുന്നു.

അപ്‌ഡേറ്റ്: ഈ പോസ്റ്റ് ആദ്യം പ്രസിദ്ധീകരിച്ച് ഒരാഴ്ചയ്ക്ക് ശേഷം, മെച്ചപ്പെട്ട കോൺഫിഗറേഷൻ ഉപയോഗിച്ച് ഞാൻ ടെസ്റ്റ് പുനരാരംഭിക്കുകയും മികച്ച ഫലങ്ങൾ നേടുകയും ചെയ്തു. ഈ മാറ്റങ്ങൾ പ്രതിഫലിപ്പിക്കുന്നതിനായി ഈ പോസ്റ്റ് അപ്ഡേറ്റ് ചെയ്തിട്ടുണ്ട്.

ഒരു AWS EC2 ക്ലസ്റ്റർ സമാരംഭിക്കുന്നു

ഈ പോസ്റ്റിനായി ഞാൻ മൂന്ന് c5d.9xlarge EC2 സന്ദർഭങ്ങൾ ഉപയോഗിക്കും. അവയിൽ ഓരോന്നിനും 36 വെർച്വൽ സിപിയു, 72 ജിബി റാം, 900 ജിബി എൻവിഎം എസ്എസ്ഡി സ്റ്റോറേജ്, 10 ജിഗാബിറ്റ് നെറ്റ്‌വർക്ക് എന്നിവ അടങ്ങിയിരിക്കുന്നു. ആവശ്യാനുസരണം പ്രവർത്തിക്കുമ്പോൾ ഇയു-വെസ്റ്റ്-1,962 മേഖലയിൽ ഓരോന്നിനും $1/മണിക്കൂറാണ് വില. ഞാൻ ഉബുണ്ടു സെർവർ 16.04 LTS ആണ് ഓപ്പറേറ്റിംഗ് സിസ്റ്റമായി ഉപയോഗിക്കുന്നത്.

ഓരോ മെഷീനും നിയന്ത്രണങ്ങളില്ലാതെ പരസ്പരം ആശയവിനിമയം നടത്താൻ കഴിയുന്ന തരത്തിൽ ഫയർവാൾ ക്രമീകരിച്ചിരിക്കുന്നു, കൂടാതെ എന്റെ IPv4 വിലാസം മാത്രമേ ക്ലസ്റ്ററിലെ SSH വൈറ്റ്‌ലിസ്റ്റ് ചെയ്തിട്ടുള്ളൂ.

NVMe ഡ്രൈവ് പ്രവർത്തന സന്നദ്ധതയിൽ

ClickHouse പ്രവർത്തിക്കുന്നതിന്, ഓരോ സെർവറിലും ഒരു NVMe ഡ്രൈവിൽ EXT4 ഫോർമാറ്റിൽ ഞാൻ ഒരു ഫയൽ സിസ്റ്റം സൃഷ്ടിക്കും.

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

എല്ലാം ക്രമീകരിച്ചുകഴിഞ്ഞാൽ, നിങ്ങൾക്ക് മൗണ്ട് പോയിന്റും ഓരോ സിസ്റ്റത്തിലും ലഭ്യമായ 783 GB സ്ഥലവും കാണാൻ കഴിയും.

$ 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

ആറ് വർഷത്തിനിടെ ന്യൂയോർക്ക് സിറ്റിയിൽ നടത്തിയ 1.1 ബില്യൺ ടാക്സി റൈഡുകളിൽ നിന്ന് ഞാൻ സൃഷ്ടിച്ച ഡാറ്റ ഡംപാണ് ഈ ടെസ്റ്റിൽ ഞാൻ ഉപയോഗിക്കുന്ന ഡാറ്റാസെറ്റ്. ബ്ലോഗിൽ റെഡ്ഷിഫ്റ്റിൽ ഒരു ബില്യൺ ടാക്സി യാത്രകൾ ഈ ഡാറ്റാ സെറ്റ് ഞാൻ എങ്ങനെ ശേഖരിച്ചു എന്നതിന്റെ വിശദാംശങ്ങൾ. അവ AWS S3-ൽ സംഭരിച്ചിരിക്കുന്നു, അതിനാൽ എന്റെ ആക്‌സസും രഹസ്യ കീകളും ഉപയോഗിച്ച് ഞാൻ AWS CLI കോൺഫിഗർ ചെയ്യും.

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

ഡിഫോൾട്ട് ക്രമീകരണത്തേക്കാൾ വേഗത്തിൽ ഫയലുകൾ ഡൗൺലോഡ് ചെയ്യുന്നതിനായി ഞാൻ ക്ലയന്റിന്റെ കൺകറന്റ് അഭ്യർത്ഥന പരിധി 100 ആയി സജ്ജീകരിക്കും.

$ aws configure set 
    default.s3.max_concurrent_requests 
    100

ഞാൻ AWS S3-ൽ നിന്ന് ടാക്സി റൈഡ് ഡാറ്റാസെറ്റ് ഡൗൺലോഡ് ചെയ്യുകയും ആദ്യ സെർവറിലെ NVMe ഡ്രൈവിൽ സംഭരിക്കുകയും ചെയ്യും. ഈ ഡാറ്റാസെറ്റ് GZIP-കംപ്രസ് ചെയ്ത CSV ഫോർമാറ്റിൽ ~104GB ആണ്.

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

ക്ലിക്ക്ഹൗസ് ഇൻസ്റ്റാളേഷൻ

അപ്പാച്ചെ സൂകീപ്പർ പ്രവർത്തിപ്പിക്കുന്നതിന് ആവശ്യമായതിനാൽ ജാവ 8-നുള്ള OpenJDK ഡിസ്ട്രിബ്യൂഷൻ ഞാൻ ഇൻസ്റ്റാൾ ചെയ്യും, മൂന്ന് മെഷീനുകളിലും ClickHouse-ന്റെ വിതരണ ഇൻസ്റ്റാളേഷന് ആവശ്യമാണ്.

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

അപ്പോൾ ഞാൻ പരിസ്ഥിതി വേരിയബിൾ സജ്ജമാക്കി JAVA_HOME.

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

മൂന്ന് മെഷീനുകളിലും ClickHouse 18.16.1, glances, ZooKeeper എന്നിവ ഇൻസ്റ്റാൾ ചെയ്യാൻ ഞാൻ ഉബുണ്ടുവിന്റെ പാക്കേജ് മാനേജ്മെന്റ് സിസ്റ്റം ഉപയോഗിക്കും.

$ 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

ഞാൻ ClickHouse-നായി ഒരു ഡയറക്‌ടറി സൃഷ്‌ടിക്കുകയും മൂന്ന് സെർവറുകളിലും ചില കോൺഫിഗറേഷൻ അസാധുവാക്കുകയും ചെയ്യും.

$ 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

ഞാൻ ഉപയോഗിക്കുന്ന കോൺഫിഗറേഷൻ ഓവർറൈഡുകൾ ഇവയാണ്.

<?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>

തുടർന്ന് ഞാൻ മൂന്ന് മെഷീനുകളിലും ZooKeeper ഉം ClickHouse സെർവറും പ്രവർത്തിപ്പിക്കും.

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

ClickHouse-ലേക്ക് ഡാറ്റ അപ്‌ലോഡ് ചെയ്യുന്നു

ആദ്യ സെർവറിൽ ഞാൻ ഒരു യാത്രാ പട്ടിക സൃഷ്ടിക്കും (trips), ഇത് ലോഗ് എഞ്ചിൻ ഉപയോഗിച്ച് ടാക്സി യാത്രകളുടെ ഒരു ഡാറ്റാസെറ്റ് സംഭരിക്കും.

$ 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;

ഞാൻ ഓരോ CSV ഫയലുകളും ഒരു ട്രിപ്പ് ടേബിളിലേക്ക് എക്‌സ്‌ട്രാക്റ്റ് ചെയ്‌ത് ലോഡ് ചെയ്യുന്നു (trips). ഇനിപ്പറയുന്നത് 55 മിനിറ്റും 10 സെക്കൻഡും കൊണ്ട് പൂർത്തിയാക്കി. ഈ പ്രവർത്തനത്തിന് ശേഷം, ഡാറ്റ ഡയറക്ടറിയുടെ വലുപ്പം 134 GB ആയിരുന്നു.

$ 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)

ഒരു സെക്കൻഡിൽ കംപ്രസ് ചെയ്യാത്ത CSV ഉള്ളടക്കത്തിന്റെ 155 MB ആയിരുന്നു ഇറക്കുമതി വേഗത. ഇത് GZIP ഡീകംപ്രഷൻ തടസ്സം മൂലമാണെന്ന് ഞാൻ സംശയിക്കുന്നു. xargs ഉപയോഗിച്ച് സമാന്തരമായി ജിസിപ്പ് ചെയ്‌ത എല്ലാ ഫയലുകളും അൺസിപ്പ് ചെയ്‌ത് അൺസിപ്പ് ചെയ്‌ത ഡാറ്റ ലോഡുചെയ്യുന്നത് വേഗത്തിലായിരിക്കാം. CSV ഇറക്കുമതി പ്രക്രിയയിൽ റിപ്പോർട്ട് ചെയ്തതിന്റെ ഒരു വിവരണം ചുവടെയുണ്ട്.

$ 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

തുടരുന്നതിന് മുമ്പ് യഥാർത്ഥ CSV ഫയലുകൾ ഇല്ലാതാക്കിക്കൊണ്ട് ഞാൻ NVMe ഡ്രൈവിൽ ഇടം സൃഷ്‌ടിക്കും.

$ sudo rm -fr /ch/csv

കോളം ഫോമിലേക്ക് പരിവർത്തനം ചെയ്യുക

Log ClickHouse എഞ്ചിൻ ഒരു റോ-ഓറിയന്റഡ് ഫോർമാറ്റിൽ ഡാറ്റ സംഭരിക്കും. ഡാറ്റ വേഗത്തിൽ അന്വേഷിക്കാൻ, മെർജ്‌ട്രീ എഞ്ചിൻ ഉപയോഗിച്ച് ഞാൻ അതിനെ കോളം ഫോർമാറ്റിലേക്ക് പരിവർത്തനം ചെയ്യുന്നു.

$ clickhouse-client --host=0.0.0.0

ഇനിപ്പറയുന്നത് 34 മിനിറ്റും 50 സെക്കൻഡും കൊണ്ട് പൂർത്തിയാക്കി. ഈ പ്രവർത്തനത്തിന് ശേഷം, ഡാറ്റ ഡയറക്ടറിയുടെ വലുപ്പം 237 GB ആയിരുന്നു.

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;

ഓപ്പറേഷൻ സമയത്ത് ഗ്ലാൻസ് ഔട്ട്പുട്ട് ഇങ്ങനെയായിരുന്നു:

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)

കഴിഞ്ഞ ടെസ്റ്റിൽ, നിരവധി കോളങ്ങൾ പരിവർത്തനം ചെയ്യുകയും വീണ്ടും കണക്കാക്കുകയും ചെയ്തു. ഈ ഫംഗ്‌ഷനുകളിൽ ചിലത് ഈ ഡാറ്റാസെറ്റിൽ പ്രതീക്ഷിച്ചതുപോലെ പ്രവർത്തിക്കില്ലെന്ന് ഞാൻ കണ്ടെത്തി. ഈ പ്രശ്നം പരിഹരിക്കാൻ, ഞാൻ അനുചിതമായ പ്രവർത്തനങ്ങൾ നീക്കം ചെയ്യുകയും കൂടുതൽ ഗ്രാനുലാർ തരങ്ങളിലേക്ക് പരിവർത്തനം ചെയ്യാതെ ഡാറ്റ ലോഡ് ചെയ്യുകയും ചെയ്തു.

ക്ലസ്റ്ററിലുടനീളം ഡാറ്റയുടെ വിതരണം

മൂന്ന് ക്ലസ്റ്റർ നോഡുകളിലുടനീളം ഞാൻ ഡാറ്റ വിതരണം ചെയ്യും. ആരംഭിക്കുന്നതിന്, ചുവടെ ഞാൻ മൂന്ന് മെഷീനുകളിലും ഒരു പട്ടിക സൃഷ്ടിക്കും.

$ 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);

അപ്പോൾ ആദ്യത്തെ സെർവറിന് ക്ലസ്റ്ററിലെ മൂന്ന് നോഡുകളും കാണാൻ കഴിയുമെന്ന് ഞാൻ ഉറപ്പാക്കും.

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:

സ്കീമയെ അടിസ്ഥാനമാക്കിയുള്ള ആദ്യ സെർവറിൽ ഞാൻ ഒരു പുതിയ പട്ടിക നിർവചിക്കും trips_mergetree_third ഡിസ്ട്രിബ്യൂട്ടഡ് എഞ്ചിൻ ഉപയോഗിക്കുന്നു.

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

അതിനുശേഷം ഞാൻ MergeTree അടിസ്ഥാനമാക്കിയുള്ള പട്ടികയിൽ നിന്ന് മൂന്ന് സെർവറുകളിലേക്കും ഡാറ്റ പകർത്തും. ഇനിപ്പറയുന്നവ 34 മിനിറ്റും 44 സെക്കൻഡും കൊണ്ട് പൂർത്തിയാക്കി.

INSERT INTO trips_mergetree_x3
    SELECT * FROM trips_mergetree;

മുകളിലെ പ്രവർത്തനത്തിന് ശേഷം, പരമാവധി സ്റ്റോറേജ് ലെവൽ മാർക്കിൽ നിന്ന് മാറാൻ ഞാൻ ക്ലിക്ക്ഹൗസിന് 15 മിനിറ്റ് സമയം നൽകി. മൂന്ന് സെർവറുകളിലും ഡാറ്റ ഡയറക്ടറികൾ യഥാക്രമം 264 GB, 34 GB, 33 GB എന്നിങ്ങനെയാണ് അവസാനിച്ചത്.

ക്ലിക്ക്ഹൗസ് ക്ലസ്റ്റർ പ്രകടന വിലയിരുത്തൽ

ഞാൻ അടുത്തതായി കണ്ടത്, ഓരോ ചോദ്യവും ഒരു മേശപ്പുറത്ത് ഒന്നിലധികം തവണ പ്രവർത്തിപ്പിക്കുന്നത് ഞാൻ കണ്ടിട്ടുള്ളതിൽ വച്ച് ഏറ്റവും വേഗതയേറിയ സമയമാണ് trips_mergetree_x3.

$ clickhouse-client --host=0.0.0.0

ഇനിപ്പറയുന്നവ 2.449 സെക്കൻഡിൽ പൂർത്തിയാക്കി.

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

ഇനിപ്പറയുന്നവ 0.691 സെക്കൻഡിൽ പൂർത്തിയാക്കി.

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

ഇനിപ്പറയുന്നവ 0 സെക്കൻഡിൽ പൂർത്തിയാക്കി.

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

ഇനിപ്പറയുന്നവ 0.983 സെക്കൻഡിൽ പൂർത്തിയാക്കി.

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;

താരതമ്യത്തിനായി, ആദ്യ സെർവറിൽ മാത്രം വസിക്കുന്ന MergeTree അടിസ്ഥാനമാക്കിയുള്ള ടേബിളിൽ ഞാൻ സമാന ചോദ്യങ്ങൾ പ്രവർത്തിപ്പിച്ചു.

ഒരു ClickHouse നോഡിന്റെ പ്രകടന വിലയിരുത്തൽ

ഞാൻ അടുത്തതായി കണ്ടത്, ഓരോ ചോദ്യവും ഒരു മേശപ്പുറത്ത് ഒന്നിലധികം തവണ പ്രവർത്തിപ്പിക്കുന്നത് ഞാൻ കണ്ടിട്ടുള്ളതിൽ വച്ച് ഏറ്റവും വേഗതയേറിയ സമയമാണ് trips_mergetree_x3.

ഇനിപ്പറയുന്നവ 0.241 സെക്കൻഡിൽ പൂർത്തിയാക്കി.

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

ഇനിപ്പറയുന്നവ 0.826 സെക്കൻഡിൽ പൂർത്തിയാക്കി.

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

ഇനിപ്പറയുന്നവ 1.209 സെക്കൻഡിൽ പൂർത്തിയാക്കി.

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

ഇനിപ്പറയുന്നവ 1.781 സെക്കൻഡിൽ പൂർത്തിയാക്കി.

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;

ഫലങ്ങളെക്കുറിച്ചുള്ള പ്രതിഫലനങ്ങൾ

ഇതാദ്യമായാണ് ഒരു സൗജന്യ സിപിയു അധിഷ്ഠിത ഡാറ്റാബേസിന് എന്റെ ടെസ്റ്റുകളിൽ GPU അടിസ്ഥാനമാക്കിയുള്ള ഡാറ്റാബേസിനെ മറികടക്കാൻ കഴിയുന്നത്. ആ ജിപിയു അടിസ്ഥാനമാക്കിയുള്ള ഡാറ്റാബേസ് അതിനുശേഷം രണ്ട് പുനരവലോകനങ്ങളിലൂടെ കടന്നുപോയി, എന്നാൽ ഒരൊറ്റ നോഡിൽ ക്ലിക്ക്ഹൗസ് നൽകിയ പ്രകടനം വളരെ ശ്രദ്ധേയമാണ്.

അതേ സമയം, ഒരു ഡിസ്ട്രിബ്യൂട്ടഡ് എഞ്ചിനിൽ ക്വറി 1 എക്സിക്യൂട്ട് ചെയ്യുമ്പോൾ, ഓവർഹെഡ് ചെലവുകൾ ഉയർന്ന അളവിലുള്ള ഒരു ക്രമമാണ്. ഈ പോസ്റ്റിനായുള്ള എന്റെ ഗവേഷണത്തിൽ എനിക്ക് എന്തെങ്കിലും നഷ്‌ടപ്പെട്ടുവെന്ന് ഞാൻ പ്രതീക്ഷിക്കുന്നു, കാരണം ഞാൻ ക്ലസ്റ്ററിലേക്ക് കൂടുതൽ നോഡുകൾ ചേർക്കുമ്പോൾ അന്വേഷണ സമയം കുറയുന്നത് കാണാൻ നല്ലതായിരിക്കും. എന്നിരുന്നാലും, മറ്റ് ചോദ്യങ്ങൾ പ്രവർത്തിപ്പിക്കുമ്പോൾ, പ്രകടനം ഏകദേശം 2 മടങ്ങ് വർദ്ധിച്ചു എന്നത് വളരെ മികച്ചതാണ്.

സംഭരണവും കംപ്യൂട്ടും വേർതിരിക്കാൻ കഴിയുന്നതിലേക്ക് ClickHouse വികസിക്കുന്നത് കാണുമ്പോൾ അവർക്ക് സ്വതന്ത്രമായി സ്കെയിൽ ചെയ്യാൻ കഴിയും. കഴിഞ്ഞ വർഷം ചേർത്ത HDFS പിന്തുണ ഇതിലേക്കുള്ള ഒരു ചുവടുവയ്പ്പായിരിക്കാം. കമ്പ്യൂട്ടിംഗിന്റെ കാര്യത്തിൽ, ക്ലസ്റ്ററിലേക്ക് കൂടുതൽ നോഡുകൾ ചേർത്തുകൊണ്ട് ഒരൊറ്റ അന്വേഷണം ത്വരിതപ്പെടുത്താൻ കഴിയുമെങ്കിൽ, ഈ സോഫ്റ്റ്വെയറിന്റെ ഭാവി വളരെ ശോഭനമാണ്.

ഈ പോസ്റ്റ് വായിക്കാൻ സമയം കണ്ടെത്തിയതിന് നന്ദി. വടക്കേ അമേരിക്കയിലെയും യൂറോപ്പിലെയും ക്ലയന്റുകൾക്ക് ഞാൻ കൺസൾട്ടിംഗ്, ആർക്കിടെക്ചർ, പരിശീലന വികസന സേവനങ്ങൾ എന്നിവ വാഗ്ദാനം ചെയ്യുന്നു. എന്റെ നിർദ്ദേശങ്ങൾ നിങ്ങളുടെ ബിസിനസിനെ എങ്ങനെ സഹായിക്കുമെന്ന് ചർച്ച ചെയ്യാൻ നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, ദയവായി എന്നെ ബന്ധപ്പെടുക ലിങ്ക്ഡ്.

അവലംബം: www.habr.com