去重Cube计算优化新思路

阿里妹导读

本文主要分享了作者在蚂蚁集团高管数据链路改造升级过程中，针对去重Cube的优化实践。

引言

SQL作为目前最通用的数据库查询语言，其功能和特性复杂度远不止大家常用的“SELECT * FROM tbl”这样简单，一段好的SQL和差的SQL，其性能可能有几十乃至上千倍的差距。而写出一个好的能兼顾性能和易用性的SQL，考验的不仅仅是了解到多少新特性新写法，而是要深入理解数据的处理过程，然后设计好数据的处理过程。

一、场景描述

在做数据汇总计算和统计分析时，最头疼的就是去重类指标计算（比如用户数、商家数等），尤其还要带多种维度的下钻分析，由于其不可累加的特性，几乎每换一种统计维度组合，都得重新计算。数据量小时可以暴力的用明细数据直接即时统计，但当数据量大时就不得不考虑提前进行计算了。

典型场景如下：省、市、区等维度下的支付宝客户端的日支付用户数（其中省、市、区为用户支付时所在的位置，表格中指标数据均为虚构的）。

存在一个情况，某用户早上在杭州市使用支付宝支付了一次，下午跑到绍兴市时又使用支付宝线下支付了一次。那么在统计省+市维度的日支付用户数，需要为杭州市、绍兴市各计1；但在省维度下，需要按用户去重，只能为浙江省计1。针对这种情况，通常就需要以Cube的方式完成数据预计算，同时每个维度组合都需要进行去重操作，因为不可累加。本文将此种场景简称为去重Cube。

二、常见的实现方法

直接计算，每个维度组合单独计算。比如单独生成省、省+市、省+市+区等维度组合的多张表。每个表只计算固定的维度。然后是数据膨胀再计算，如Union All或者Lateral View Explode或者MaxCompute的 Cube计算功能，通过数据膨胀实现一行数据满足多种维度组合的数据计算方法，如下图所示。

这三种写法其实都类似，重点都在于对数据进行膨胀，再进行去重统计。其执行流程如下图所示，核心思路都是先把数据"膨胀"拆为多行，再按照“普通”的Distinct去重统计，因此性能上本身无太大差异，主要在于代码可维护性上。

三、性能分析

上述方法核心都是先把数据"膨胀"拆为多行，再按照“普通”的Distinct去重统计，本身性能无太大差异，主要在于代码可维护性上。这几种方案计算消耗会随着所需维度组合线性增加，同时还要叠加Distinct本身的计算性能差的影响。

在实际实验中，我们发现，去重Cube的计算过程中，80%+的计算成本消耗在数据膨胀和数据传输上。比如高管核心指标场景，需要计算各种组合维度下的支付用户数以支持分析。实际实验中，选取100亿数据x25种维度组合进行测试，实际执行任务如下图所示，其中R3_2为核心的数据膨胀过程，数据膨胀近10倍，中间结果数据大小由100GB膨胀至1TB、数据量由100亿膨胀至近1300亿，大部分计算资源和计算耗时都花在数据膨胀和传输上了。若实际的组合维度进一步增加的话，数据膨胀大小也将进一步增加。

四、一种新的思路

首先对问题进行拆解下，去重Cube的计算过程核心分为两个部分，数据膨胀+数据去重。数据膨胀解决的是一行数据同时满足多种维度组合的计算，数据去重则是完成最终的去重统计，核心思路还是在于原始数据去匹配结果数据的需要。其中数据去重本身的计算量就较大，而数据膨胀会导致这一情况加剧，因为计算过程中需要拆解和在shuffle过程中传输大量的数据。数据计算过程中是先膨胀再聚合，加上本身数据内容的中英文字符串内容较大，所以才导致了大量的数据计算和传输成本。

而我们的核心想法是能否避免数据膨胀，同时进一步减少数据传输大小。因此我们联想到，是否可以采用类似于用户打标签的数据打标方案，先进行数据去重生成UID粒度的中间数据，同时让需要的结果维度组合反向附加到UID粒度的数据上，在此过程中并对结果维度进行编号，用更小的数据结构去存储，避免数据计算过程中的大量数据传输。整个数据计算过程中，数据量理论上是逐渐收敛的，不会因为统计维度组合的增加而增加。

4.1.核心思路

核心计算思路如上图，普通的数据膨胀计算cube的方法，中间需要对数据进行膨胀，再聚合，其中结果统计需要的组合维度数就是数据膨胀的倍数，比如上述的“省、省+市”共计两种维度组合，数据预计要膨胀2倍。

而新的数据聚合方法，通过一定的策略方法将维度组合拆解为维度小表并进行编号，然后将原本的订单明细数据聚合至用户粒度的中间过程数据，其中各类组合维度转换为数字标记录至用户维度的数据记录上，整个计算过程数据量是呈收敛聚合的，不会膨胀。

4.2.逻辑实现

• 明细数据准备：以用户线下支付数据为例，明细记录包含订单编号、用户ID、支付日期、所在省、所在市、支付金额。最终指标统计需求为统计包含省、市组合维度+支付用户数的多维Cube。

订单编号

用户ID

支付日期

所在省

所在市

支付金额

U001

2023-11-11

浙江省

杭州市

1.11

U001

2023-11-11

浙江省

绍兴市

2.22

U002

2023-11-11

浙江省

杭州市

3.33

U003

2023-11-11

江苏省

南京市

4.44

U003

2023-11-11

浙江省

温州市

5.55

U004

2023-11-11

江苏省

南京市

6.66

整体方案流程如下图。

• STEP1：对明细数据进行所需的维度提取（即Group By对应字段），得到维度集合。

• STEP2：对得到的维度集合生成Cube，并对Cube的行进行编码 （假设最终需要所在省、所在省+所在市2种组合维度），可以用ODPS的Cube功能实现，再根据生成的Cube维度组合进行排序生成唯一编码。
  

  原始维度：所在省

  原始维度：所在省

  Cube 维度：所在省

  Cube 维度：所在市

  Cube行ID（可通过排序生成）

  浙江省

  杭州市

  浙江省

  ALL

  1

  浙江省

  杭州市

  浙江省

  杭州市

  2

  浙江省

  绍兴市

  浙江省

  ALL

  1

  浙江省

  绍兴市

  浙江省

  绍兴市

  3

  浙江省

  温州市

  浙江省

  ALL

  1

  浙江省

  温州市

  浙江省

  温州市

  4

  江苏省

  南京市

  江苏省

  ALL

  5

  江苏省

  南京市

  江苏省

  南京市

  6

• STEP3：将Cube的行编码，根据映射关系回写到用户明细上，可用Mapjoin的方式实现。

订单编号

用户ID

支付日期

所在省

所在市

汇总Cube ID

U001

2023-11-11

浙江省

杭州市

[1,2]

U001

2023-11-11

浙江省

绍兴市

[1,3]

U002

2023-11-11

浙江省

杭州市

[1,2]

U003

2023-11-11

江苏省

南京市

[5,6]

U003

2023-11-11

浙江省

温州市

[1,4]

U004

2023-11-11

江苏省

南京市

[5,6]

• STEP4：汇总到用户维度，并对 Cube ID集合字段进行去重 （可以用ARRAY 的DISTINCT）

• STEP5：按照Cube ID进行计数计算（由于STEP4已经去重啦，因此这里不需要再进行去重）；然后按照映射关系进行维度还原。
  

  Cube ID

  下单用户数指标

  Cube 维度还原：所在省

  Cube 维度还原：所在市

  1

  3

  浙江省

  ALL

  2

  2

  浙江省

  杭州市

  3

  1

  浙江省

  绍兴市

  4

  1

  浙江省

  温州市

  5

  2

  江苏省

  ALL

  6

  2

  江苏省

  江苏省

• Over～

4.3.代码实现

• 实际的执行过程（ODPS的Logview）如下图。

4.4.实验效果

左边是基于Cube打标方案的新链路。实验过程中将实验数据由100亿增加至200亿，组合维度数由原来的25个增加至50种组合维度，整体耗时在18分钟，若只计算和原始数据量、组合维度均相同的数据，整体计算耗时可控制在10分钟内。

右边是基于数据膨胀计算的老链路。实验数据设定为100亿，组合维度数为25种，中间过数据将膨胀至1300亿+，数据大小更是膨胀至1TB+，整体耗时47分钟。若此方案扩展至新方法的200亿数据x50种组合维度，中间过程数据将膨胀至4000亿+，数据大小增加将膨胀至3TB+，整体计算耗时预估将达到2.5小时+。

新方法目前已经在业务核心高管链路上线，在数据统计维度组合、数据计算量都大幅增加的情况下，整体核心指标产出相较于以往，进一步提前1小时以上，有效的保障了相关核心指标数据的稳定性。

4.5.方案总结

常见的基于数据膨胀的Cube计算方法，数据计算大小和过程数据传输量将随着组合维度的数量呈线性增长，组合维度数越多，花费在数据膨胀与Shuffle传输的资源和耗时占比越高。在实验过程中，100亿实验数据x25种维度组合场景，过程数据已经膨胀至1300亿+，数据大小由100GB膨胀至1TB，当数据量和维度组合数进一步增加时，整个计算过程基本上难以完成。

为了解决数据膨胀过程中产生的大量过程数据，我们基于数据打标的思路反向操作，先对数据聚合为UID粒度，过程中将需要的维度组合转化编码数字并赋予明细数据上，整个计算过程数据呈收敛聚合状，数据计算过程较为稳定，不会随着维度组合的进一步增加而大幅增加。在实验中，将实验数据由100亿增加至200亿+，组合维度数由原来的25个增加至50种组合维度，整体耗时控制在18分钟左右。若同等的数据量，采用老的数据膨胀方案，中间过程数据将膨胀至4000亿+，数据大小将增加至3TB+，整体计算耗时将达到2.5小时+。

综上，当前的方案整体性能相较于以往有大幅度的提升，并且不会随着维度组合的增加而有明显的增加。但当前的方案也有不足之处，即代码的可理解性和可维护性，过程中的打标计算过程虽然流程较为固定，但整体上需要有个初始化理解的过程，目前尚无法做到普通UnionAll/Cube等方案的易读和易写。另外，当组合维度数较少（即数据膨胀倍数不高）时，两者的性能差异不大，此时建议还是用原始普通的Cube计算方案；但当组合维度数达几十倍时，可以改用这种数据打标的思路进行压缩，毕竟此时的性能优势开始凸显，并且维度组合数越高，此方案的性能优势越大。

五、其他方案

BitMap方案。核心思路在于将不可累计的数据指标，通过可累加计算的数据结构，近似实现可累加指标的效果。具体实现过程方案是对用户ID进行编码，存入BitMap结构中，比如一个二进制位表示一个用户是否存在，消耗1个Bit。维度统计上卷时，再对BitMap的数据结构进行合并和计数统计。

HyperLogLog方案。非精确数据去重，相对于Distinct的精确去重，性能提升明显。

这两种方案，性能上相对于普通的Cube计算有巨大的提升，但BitMap方案需要对去重统计用的UID进行编码存储，对一般用户的理解和实操成本较高，除非系统级集成此功能，不然通常需要额外的代码开发实现。而HyperLogLog方案的一大弊端就是数据的非精确统计。

直击斯坦福大学开源机械臂又进化