文档

高性能Flink SQL优化技巧

更新时间:

本文将从作业配置和Flink SQL优化两方面为您介绍如何提升Flink SQL作业性能。

作业配置优化推荐方案

  • 资源优化技巧

    VVP中限制了JobManager和TaskManager的CPU的实际使用大小,配置了多少个CPU,最大就只能使用多少个CPU。因此在资源优化时,建议:

    • 作业并发大时:在作业的部署详情页签的资源配置中,增加JobManager的资源,提高CPU和内存的大小,例如:

      • Job Manager CPUs设置为4。

      • Job Manager Memory设置为8 GiB。

    • 作业拓扑较复杂时,在作业的部署详情页签的资源配置中,增加TaskManager的资源,提高CPU和内存的大小,例如:

      • Task Manager CPUs设置为2。

      • Task Manager Memory设置为4 GiB。

    • 不建议修改taskmanager.numberOfTaskSlots,保持默认值1。

  • 提升吞吐和解决数据热点的推荐配置

    其他配置中添加以下代码,具体操作请参见如何配置作业运行参数?Group Aggregate优化技巧

    execution.checkpointing.interval: 180s
    table.exec.state.ttl: 129600000
    table.exec.mini-batch.enabled: true
    table.exec.mini-batch.allow-latency: 5s
    table.optimizer.distinct-agg.split.enabled: true

    参数解释如下表所示。

    参数

    说明

    execution.checkpointing.interval

    Checkpoint间隔时间,单位为毫秒。

    state.backend

    State backend的配置。

    table.exec.state.ttl

    State数据的生命周期,单位为毫秒。

    table.exec.mini-batch.enabled

    是否开启minibatch。

    table.exec.mini-batch.allow-latency

    批量输出数据的时间间隔。

    table.optimizer.distinct-agg.split.enabled

    是否开启PartialFinal优化,解决COUNT DISTINCT热点问题。

  • 提升双流Join类型作业的性能配置

    流SQL中双流Join算子支持自动推导开启KV分离优化。在实时计算引擎VVR 6.0.1及以上版本中,SQL作业双流Join算子会根据作业特点,无需您额外配置,自动推导并开启State KV分离优化功能。开启State KV分离优化功能后,可以显著提升双流Join类型作业的性能。在典型场景的性能测试中,性能有40%以上的提升。

    您可以通过table.exec.join.kv-separate配置项对该功能进行显式控制,参数取值详情如下:

    • AUTO(默认值):表示引擎内部会根据双流Join算子的State特点自动开启。

    • FORCE:表示强制开启KV分离优化。

    • NONE:表示强制关闭KV分离优化。

    说明

    该功能仅对Gemini StateBackend生效。

Flink SQL优化推荐方案

Group Aggregate优化技巧

  • 开启MiniBatch(提升吞吐)

    MiniBatch是缓存一定的数据后再触发处理,以减少对State的访问,从而提升吞吐并减少数据的输出量。

    MiniBatch主要基于事件消息来触发微批处理,事件消息会按您指定的时间间隔在源头插入。

    • 适用场景

      微批处理通过增加延迟换取高吞吐,如果您有超低延迟的要求,不建议开启微批处理。通常对于聚合场景,微批处理可以显著地提升系统性能,建议开启。

    • 开启方式

      MiniBatch默认关闭,在其他配置中填写以下代码,具体操作请参见如何配置作业运行参数?

      table.exec.mini-batch.enabled: true
      table.exec.mini-batch.allow-latency: 5s

      参数解释如下表所示。

      参数

      说明

      table.exec.mini-batch.enabled

      是否开启mini-batch。

      table.exec.mini-batch.allow-latency

      批量输出数据的时间间隔。

  • 开启LocalGlobal(解决常见数据热点问题)

    LocalGlobal本质上能够靠LocalAgg的聚合筛除部分倾斜数据,从而降低GlobalAgg的热点,提升性能。

    LocalGlobal优化将原先的Aggregate分成Local和Global两阶段聚合,即MapReduce模型中的Combine和Reduce两阶段处理模式。第一阶段在上游节点本地攒一批数据进行聚合(localAgg),并输出这次微批的增量值(Accumulator)。第二阶段再将收到的Accumulator合并(Merge),得到最终的结果(GlobalAgg)。

    • 适用场景

      提升普通聚合(例如SUM、COUNT、MAX、MIN和AVG)的性能,以及这些场景下的数据热点问题。

    • 使用限制

      LocalGlobal是默认开启的,但是有以下限制:

      • 在minibatch开启的前提下才能生效。

      • 需要使用AggregateFunction实现Merge。

    • 判断是否生效

      观察最终生成的拓扑图的节点名字中是否包含GlobalGroupAggregate或LocalGroupAggregate。

  • 开启PartialFinal(解决COUNT DISTINCT热点问题)

    为了解决COUNT DISTINCT的热点问题,通常需要手动改写为两层聚合(增加按Distinct Key取模的打散层)。目前,实时计算提供了COUNT DISTINCT自动打散,即PartialFinal优化,您无需自行改写为两层聚合。

    LocalGlobal优化针对普通聚合(例如SUM、COUNT、MAX、MIN和AVG)有较好的效果,对于COUNT DISTINCT收效不明显,因为COUNT DISTINCT在Local聚合时,对于DISTINCT KEY的去重率不高,导致在Global节点仍然存在热点问题。

    • 适用场景

      使用COUNT DISTINCT,但无法满足聚合节点性能要求。

      说明
      • 不能在包含UDAF的Flink SQL中使用PartialFinal优化方法。

      • 数据量较少的情况,不建议使用PartialFinal优化方法,浪费资源。因为PartialFinal优化会自动打散成两层聚合,引入额外的网络Shuffle。

    • 开启方式

      默认不开启。如果您需要开启,在其他配置中填写以下代码,具体操作请参见如何配置作业运行参数?

      table.optimizer.distinct-agg.split.enabled: true
    • 判断是否生效

      观察最终生成的拓扑图,是否由原来一层的聚合变成了两层的聚合。

  • AGG WITH CASE WHEN改写为AGG WITH FILTER语法(提升大量COUNT DISTINCT场景性能)

    统计作业需要计算各种维度的UV,例如全网UV、来自手机客户端的UV、来自PC的UV等等。建议使用标准的AGG WITH FILTER语法来代替CASE WHEN实现多维度统计的功能。实时计算目前的SQL优化器能分析出Filter参数,从而同一个字段上计算不同条件下的COUNT DISTINCT能共享State,减少对State的读写操作。性能测试中,使用AGG WITH FILTER语法来代替CASE WHEN能够使性能提升1倍。

    • 适用场景

      对于同一个字段上计算不同条件下的COUNT DISTINCT结果的场景,性能提升很大。

    • 原始写法

      COUNT(distinct visitor_id) as UV1 , COUNT(distinct case when is_wireless='y' then visitor_id else null end) as UV2
    • 优化写法

      COUNT(distinct visitor_id) as UV1 , COUNT(distinct visitor_id) filter (where is_wireless='y') as UV2

TopN优化技巧

  • TopN算法

    当TopN的输入是非更新流(例如SLS数据源),TopN只有1种算法AppendRank。当TopN的输入是更新流时(例如经过了AGG或JOIN计算),TopN有2种算法,性能从高到低分别是:UpdateFastRank和RetractRank。算法名字会显示在拓扑图的节点名字上。

    • AppendRank:对于非更新流,只支持该算法。

    • UpdateFastRank:对于更新流,最优算法。

    • RetractRank:对于更新流,保底算法。性能不佳,在某些业务场景下可优化成UpdateFastRank。

    下面介绍RetractRank如何能优化成UpdateFastRank。使用UpdateFastRank算法需要具备3个条件:

    • 输入流为更新流,但不能包含DELETE(D)、UPDATE_BEFORE(UB)类型的消息,否则会影响排序字段的单调性。关于输入流的消息类型,可以通过执行EXPLAIN CHANGELOG_MODE <query_statement_or_insert_statement_or_statement_set>命令来获取对应节点输出的消息类型,语法详情请参见EXPLAIN语句

    • 输入流有Primary Key信息,例如上游做了GROUP BY聚合操作。

    • 排序字段的更新是单调的,且单调方向与排序方向相反。例如,ORDER BY COUNT/COUNT_DISTINCT/SUM(正数)DESC。

    如果您要获取到UpdateFastRank的优化Plan,则您需要在使用ORDER BY SUM DESC时,添加SUM为正数的过滤条件,确保total_fee为正数。

    说明

    如下示例中的random_test表为非更新流,对应的GROUP分组聚合的结果不会包含DELETE(D)、UPDATE_BEFORE(UB)消息,所以对应的聚合结果字段才能保持单调性。

    可以优化成UpdateFastRank的示例:

    insert
      into print_test
    SELECT
      cate_id,
      seller_id,
      stat_date,
      pay_ord_amt  -- 不输出rownum字段,能减小结果表的输出量。
    FROM (
        SELECT
          *,
          ROW_NUMBER () OVER (        
     -- 注意:PARTITION BY的列要被子查询中的GROUP BY分组聚合字段包含;另外要有时间字段,否则State过期会导致数据错乱。
            PARTITION BY cate_id,
            stat_date  
            ORDER
              BY pay_ord_amt DESC
          ) as rownum  --根据上游sum结果排序。
        FROM (
            SELECT
              cate_id,
              seller_id,
              stat_date,
              -- 重点:声明Sum的参数都是正数,所以Sum的结果是单调递增的,因此TopN能使用优化算法,只获取前100个数据。
              sum (total_fee) filter (
                where
                  total_fee >= 0
              ) as pay_ord_amt
            FROM
              random_test
            WHERE
              total_fee >= 0
            GROUP
              BY seller_id,
              stat_date,
              cate_id
          ) a
        ) WHERE
          rownum <= 100;
  • TopN优化方法

    • 无排名优化

      TopN的输出结果不需要显示rownum值,仅需在最终前端显示时进行1次排序,极大地减少输入结果表的数据量。无排名优化方法详情请参见Top-N

    • 增加TopN的Cache大小

      TopN为了提升性能有一个State Cache层,Cache层能提升对State的访问效率。TopN的Cache命中率的计算公式如下。

      cache_hit = cache_size*parallelism/top_n/partition_key_num

      例如,Top100配置缓存10000条,并发50,当您的PatitionBy的Key维度较大时,例如10万级别时,Cache命中率只有10000*50/100/100000=5%,命中率会很低,导致大量的请求都会击中State(磁盘),观察state seek metric可能会有很多毛刺。性能会大幅下降。

      因此当partitionKey维度特别大时,可以适当加大TopN的cache size,相对应的也建议适当加大TopN节点的heap memory,详情请参见配置作业部署信息

      table.exec.rank.topn-cache-size: 200000

      默认10000条,调整TopN cache到200000,那么理论命中率能达到200000*50/100/100000 = 100%

    • PartitionBy的字段中要有时间类字段

      例如每天的排名,要带上Day字段,否则TopN的最终结果会由于State TTL产生错乱。

高效去重方案

实时计算的源数据在部分场景中存在重复数据,去重成为了用户经常反馈的需求。实时计算有保留第一条(Deduplicate Keep FirstRow)和保留最后一条(Deduplicate Keep LastRow)2种去重方案。

  • 语法

    由于SQL上没有直接支持去重的语法,还要灵活地保留第一条或保留最后一条。因此我们使用了SQL的ROW_NUMBER OVER WINDOW功能来实现去重语法。去重本质上是一种特殊的TopN。

    SELECT *
    FROM (
       SELECT *,
        ROW_NUMBER() OVER (PARTITION BY col1[, col2..]
         ORDER BY timeAttributeCol [asc|desc]) AS rownum
       FROM table_name)
    WHERE rownum = 1

    参数

    说明

    ROW_NUMBER()

    计算行号的OVER窗口函数。行号从1开始计算。

    PARTITION BY col1[, col2..]

    可选。指定分区的列,即去重的KEYS。

    ORDER BY timeAttributeCol [asc|desc])

    指定排序的列,必须是一个时间属性的字段(即Proctime或Rowtime)。可以指定顺序(Keep FirstRow)或者倒序 (Keep LastRow)。

    rownum

    仅支持rownum=1rownum<=1

    如上语法所示,去重需要两层Query:

    1. 使用ROW_NUMBER() 窗口函数来对数据根据时间属性列进行排序并标上排名。

      • 当排序字段是Proctime列时,Flink就会按照系统时间去重,其每次运行的结果是不确定的。

      • 当排序字段是Rowtime列时,Flink就会按照业务时间去重,其每次运行的结果是确定的。

    2. 对排名进行过滤,只取第一条,达到了去重的目的。

      排序方向可以是按照时间列的顺序,也可以是倒序:

      • Deduplicate Keep FirstRow:顺序并取第一条行数据。

      • Deduplicate Keep LastRow:倒序并取第一条行数据。

  • Deduplicate Keep FirstRow

    保留首行的去重策略:保留KEY下第一条出现的数据,之后出现该KEY下的数据会被丢弃掉。因为STATE中只存储了KEY数据,所以性能较优,示例如下。

    SELECT *
    FROM (
      SELECT *,
        ROW_NUMBER() OVER (PARTITION BY b ORDER BY proctime) as rowNum
      FROM T
    )
    WHERE rowNum = 1

    以上示例是将T表按照b字段进行去重,并按照系统时间保留第一条数据。proctime在这里是源表T中的一个具有Processing Time属性的字段。如果您按照系统时间去重,也可以将proctime字段简化proctime()函数调用,可以省略proctime字段的声明。

  • Deduplicate Keep LastRow

    保留末行的去重策略:保留KEY下最后一条出现的数据。保留末行的去重策略性能略优于LAST_VALUE函数,示例如下。

    SELECT *
    FROM (
      SELECT *,
        ROW_NUMBER() OVER (PARTITION BY b, d ORDER BY rowtime DESC) as rowNum
      FROM T
    )
    WHERE rowNum = 1

    以上示例是将T表按照b和d字段进行去重,并按照业务时间保留最后一条数据。rowtime在这里是源表T中的一个具有Event Time属性的字段。

高效的内置函数

在使用内置函数时,您需要注意以下几点:

  • 使用内置函数替换自定义函数

    实时计算的内置函数在持续的优化当中,请尽量使用内置函数替换自定义函数。实时计算对内置函数主要进行了如下优化:

    • 优化数据序列化和反序列化的耗时。

    • 新增直接对字节单位进行操作的功能。

  • KEY VALUE函数使用单字符的分隔符

    KEY VALUE的签名:KEYVALUE(content, keyValueSplit, keySplit, keyName),当keyValueSplit和KeySplit是单字符,例如,冒号(:)、逗号(,)时,系统会使用优化算法,在二进制数据上直接寻找所需的keyName值,而不会将整个content进行切分,性能约提升30%。

  • LIKE操作注意事项

    • 如果需要进行StartWith操作,使用LIKE 'xxx%'

    • 如果需要进行EndWith操作,使用LIKE '%xxx'

    • 如果需要进行Contains操作,使用LIKE '%xxx%'

    • 如果需要进行Equals操作,使用LIKE 'xxx',等价于str = 'xxx'

    • 如果需要匹配下划线(_),请注意要完成转义LIKE '%seller/_id%' ESCAPE '/'。下划线(_)在SQL中属于单字符通配符,能匹配任何字符。如果声明为 LIKE '%seller_id%',则不单会匹配seller_id,还会匹配seller#idsellerxidseller1id等,导致结果错误。

  • 慎用正则函数(REGEXP)

    正则表达式是非常耗时的操作,对比加减乘除通常有百倍的性能开销,而且正则表达式在某些极端情况下可能会进入无限循环,导致作业阻塞,具体情况请参见Regex execution is too slow,因此建议使用LIKE。正则函数包括:

SQL Hints

为了更加灵活的提升引擎的优化能力Flink支持了SQL提示(SQL Hints),SQL提示一般可以用于以下场景:

  • 修改执行计划:使用SQL提示,您可以更好地控制执行计划。

  • 增加元数据(或者统计信息):一些统计数据对于查询来说是动态的,例如已扫描的表索引、一些shuffle keys的倾斜信息等,从planner获得的计划元数据可能不准确,此时可以使用提示来配置它们。

  • 动态表配置选项:动态表选项允许用户动态地指定或覆盖表选项,这些选项可以在每个查询的每个表范围内灵活地指定。

查询提示(Query Hints)是SQL提示的一种,用于为优化器修改执行计划提供建议,该修改只能在当前查询提示所在的查询块中生效(Query block)。 目前查询提示只支持联接提示(Join Hints)。

  • 语法

    Flink中的查询提示语法与Apache Calcite的语法一致。

    # Query hints:
    SELECT /*+ hint [, hint ] */ ...
    
    hint:
            hintName '(' hintOption [, hintOption ]* ')'
    
    hintOption:
            simpleIdentifier
        |   numericLiteral
        |   stringLiteral
  • 联接提示

    联接提示(Join Hints)是查询提示的一种,该提示允许您动态的优化Join,目前支持维表JOIN Hints双流JOIN hints

  • 本页导读 (1)
文档反馈