Serverless 数仓技术与挑战

由「3306π」社区主办，「Databend」参与协办的「数据库朋友圈」活动于 9 月 16 日在北京 360 大厦成功举办！该活动汇集了数据库领域的资深专家和企业家，共同探讨数据库技术变革。

下午，Databend Labs 联合创始人张雁飞作为「Serverless 数仓技术与挑战」专题的演讲嘉宾进行了分享。

主题： 「Serverless 数仓技术与挑战」

演讲嘉宾： 张雁飞

嘉宾介绍： Databend Labs 联合创始人。前青云数据库团队负责人、开源 Databend 项目主要负责人。

演讲大纲： 传统数仓在扩展性、成本和管理等方面具有局限性。在本次分享中，我们将介绍一种新型的 Serverless 数仓技术，这种技术不仅能够解决传统数仓的痛点，还能显著提升性能并降低成本。此外，我们还将讨论 Serverless 数仓所面临的技术挑战。

• 传统数仓的局限性
• 理想的 Serverless 数仓架构
• 如何实现 Serverless 数仓以及有哪些挑战

以下为本次演讲的精彩内容：

当今（2023）大数据分析新问题

大数据分析面临的新问题

• 近 5 年生产了 ~90% 数据

  • 
  • 根据 IDC 的统计和预测，近 5 年来产生了大约 90% 的数据。这里用的单位是 zttabytes（ZB），1024PB = 1EB，1024EB = 1ZB 是一个非常庞大的数字。过去的大数据架构难以适应当下的数据规模，亟需变更，怎么样才能做到弹性和 Serverless 拓展，从而匹配业务增长？

• 计算和存储成本高昂

  • 
  • 在企业的 IT 基础设施中，云厂商提供的计算和存储服务导致了高昂的成本。经测算，如果为 EC2 实例创建总容量为 500TB 的 SSD（GP2）存储，每个月在 EBS 服务上将会花费超过 7 万 5 千美元。如何才能在保证低廉成本的同时满足业务性能需求，提供经济、高效能的大数据架构？

• 大数据平台越来越复杂

  • 
  • 上图是知名投资机构 a16z 绘制的统一数据基础设施架构全景图，不难看出，庞大的数据量和复杂的数据需求，导致大数据平台也变得日益复杂，需要数十种工具紧密协作，对于产品生态愈发严苛的要求。如何无缝与其他工具进行集成，并且复用现有基础设施？

大数据架构，能否完美实现

上述这些问题，为大数据架构提出了新的要求，特别是在以下几个维度上，能否做到“完美”实现 ：

• 存储成本：极致低廉
• 计算控制：极致精细，支持算子在 Lambda 函数中运行
• 集群控制：极致弹性，按需伸缩、启停
• 架构特点：all-in-one platform，完全 Serverless 化
• 未来规划：为未来的云端大数据做好准备

传统数仓架构 vs. 弹性数仓架构

在进入到架构对比之前，我们先来看一个成本估测公式：Cost = Resource * Time ，也就是成本大致可以用资源与时间的乘积进行测算。

传统数仓架构

传统数仓往往采用 Shared-Nothing 架构，存储、计算一体化设计，弹性相对较弱。而且由于调度上采用资源固定（Fixed-Set）式调度策略，资源控制粒度粗，也会带来更多的成本。

对应到成本估测公式上，在时间一定的情况下，由于耗费资源数量较大，成本将会居高不下。

弹性数仓架构

弹性数仓则采用 Shared-Storage 架构，底层可以使用对象存储，真正做到存储、计算分离，从而支持实时弹性扩容和缩容以及资源按需（Workload-Based）式调度，资源控制粒度更细。

对应到成本估测公式上，相较于传统数仓，弹性数仓的成本将会显著降低：存储成本可以按实际使用量折算，不需要为冗余的存储进行服务；而计算成本则根据业务需要实时调度，按需启停，按量计费，无需保有大量空闲计算资源。

Databend: 新一代云数仓架构设计

新一代云数仓的架构新在哪里？影响现代云数仓架构设计的因素和挑战都有哪些？这一部分将会给你答案。

新一代云数仓

现有数仓的局限

ClickHouse 是一款流行的开源数仓，以性能卓越著称。采用向量化计算技术，细节优化非常到位。具有 Pipeline 处理器和调度器以及 MergeTree + Wide-Column 存储引擎，单机性能非常强悍。

缺点： 分布式能力弱，无法应对复杂分析，运维复杂度高，不是为云设计。

Snowflake 则是一款云数仓，支持多租户，存储、计算分离。基于对象存储，存储介质便宜。弹性能力非常强悍，面向云架构设计。

缺点： 单机性能一般，比较依赖分布式集群能力。

Databend = ClickHouse + Snowflake + Rust

前面列出的是目前在开源和商业化领域领先的两款数仓产品，看上去性能和弹性无法兼得，想要低成本和弹性计算是不是就必须放弃单节点的极致优化呢？我们来看一下 Databend 交出的答卷。

• 借鉴 ClickHouse 向量化计算，提升单机计算性能。
• 借鉴 Snowflake 存储、计算分离思想，提升分布式计算能力。
• 借鉴 Git，MVCC 列式存储引擎，支持 Insert / Read / Delete / Update / Merge 等操作，以及 Time Travel 等高级特性。
• 全面支持 HDFS、基于云的对象存储、IPFS 等 20 多种存储协议。
• 基于便宜的对象存储也能方便的做实时性分析。
• 完全使用 Rust 研发（超过 33 万行代码），研发第一天就在 Github 开源。
• 高弹性 + 强分布式，致力于解决大数据分析成本和复杂度问题。

云数仓架构设计

Databend Cloud 架构全景图

Databend Cloud 是基于开源云原生数仓项目 Databend 打造的一款易用、低成本、高性能的新一代大数据分析平台，提供一站式 SaaS 服务，免运维、开箱即用。下面是 Databend Cloud 的架构全景图，也是 Databend Labs 团队对新一代云数仓的架构的设计与实现。

影响云数仓架构设计的因素与挑战

Databend / Databend Cloud 之所以演化出现在的架构，是因为新一代云数仓除了要在性能上比肩传统数仓、弹性上对标弹性数仓之外，还必须解决下面几个重要的问题：

• Ingest 海量数据网络费用问题：传统 INSERT 模式费用昂贵，需要一套基于 S3 的免费方案。
• 对象存储不是为数仓而设计，延迟和性能如何平衡：Network-Bound -> IO-Bound -> CPU-Bound。
• 如何让系统更加智能，根据查询模式自动创建索引：如何让某些场景的 Query 越跑越快...
• 如何面向 Warehouse + Datalake 双重需求设计？

前两个问题是云带来的挑战，而后两个问题将直面用户需求，一旦考虑清楚这些问题，云数仓的架构也就呼之欲出了。

Databend 生态全景图

数仓的产品的成败，除了本身的设计和实现之外，也非常依赖数据生态，其关键在于解决数据的输入与输出问题。

Databend 自身支持一定 ETL 能力，能够使用 Stage 和 Multiple Catalog 挂载外部数据源，提供全量、增量、条件等多种导入方式，支持使用 PRESIGN 上传和下载数据。

Databend 积极融入大数据生态，拓展「Databend 朋友圈」，提供全链路解决方案，帮助用户将数据转化为商业洞见。

Databend 为用户提供价值

Databend 是一款开源、开放，运维简单、分钟级部署，为云端海量数据分析而设计的新一代云数仓。

我们在前面介绍了 Databend 的设计与实现，以及在生态方面做的一些努力，但产品是否能够占据市场、满足用户需求，还需要靠数据说话。

Databend v1.0 于 2023 年 3 月 5 日正式发布，目前处于 v1.2 版本，我们统计了以下几条关键数据：

• 替换 Trino/Presto 场景成本降低了 75%
• 替换 Elasticsearch 场景成本降低了 90%
• 归档场景成本降低了 95%
• 日志和历史订单分析场景成本降低了 75%
• ~1PB+/天（2023.9 统计）在使用 Databend 写入公有云对象存储
• 用户来自欧洲、北美、东南亚、印度、非洲、中国等地，每月节省数百万美元

以下是一些在生产环境中使用 Databend 的用户，感谢他们一直以来的支持与陪伴。我们将继续提供更有价值的服务。

Databend 在开源社区

Databend 从第一天起就在 GitHub 上开源，目前已经成为 Rust 社区中的明星数据库项目。我们与上下游社区紧密协作，共同建设 Rust 大数据生态。Databend 目前的贡献者中不乏大公司背景，比如 SAP、Yahoo、Fortinet、Shopee、Alibaba、Tencent、ByteDance、EMQ、快手，Databend 社区正在被顶级需求、顶级场景驱动。

体验 Databend

最后，欢迎大家体验 Databend 产品与生态，与我们共同建设坚实可靠的大数据基础设施。

• 本地部署可以尝试我们的社区版本，官网地址是：https://docs.databend.cn。

• 同时，也欢迎访问 Serverless Cloud 体验 Databend 在云上的澎湃动力：

  • 海外（AWS / GCP）：https://app.databend.com
  • 国内（阿里云 / 腾讯云 / 华为云）：https://app.databend.cn