高基数 GroupBy 在 SLS SQL 中的查询加速

作者：顾汉杰（执少）

什么是高基数 GroupBy

简单来说，想要分析的数据，拥有超多的“唯一值计数”（Distinct Count），而我们需要对这些数据进行分组分析（如统计次数、排名、计算均值、分位值等）。

高基数聚合计算在很多运营分析场景中都是刚需，它涉及对值不一样的海量数据进行分组聚合计算，以洞察用户行为、游戏玩家路径、市场趋势或产品表现等运营分析的关键指标。例如，在电商平台上，分析一段时间内不同商品类别在各个地区的销量分布，或者在游戏运营分析场景中，追踪玩家在游戏中的独特操作行为和路径，这些都需要处理基数极高的数据（如 ItemId、RequestId、TraceId 等，动辄上千万甚至亿级别的基数）。

现在的问题是，用户在进行此类分析时，由于数据量和复杂度的不同，SQL 执行耗时往往可能从数秒到数分钟甚至数小时不等，“高基数 GroupBy 执行太慢”，几乎成为用户的普遍认知，也是众多数据库和 OLAP 引擎重点关注的对象。SLS SQL 也持续关注这一点，并对此进行了相应的性能优化，本文即旨在向用户介绍 SLS 中的实现原理、查询加速手段以及适用场景。

GroupBy 的实现原理

GroupBy 是几乎所有 OLAP 引擎必备的基础聚合能力，分布式计算引擎一般将海量数据以 Hash 散列的方式分布到不同节点进行分组（分桶）计算，每个分组内对数据进行聚合，然后再基于堆（往往使用 PriorityQueue）进行排序或 Limit，最终输出给用户需要的数据，比如 TopN 排行结果等。

这个过程中，我们可能还会用到预聚合技术：利用数据的局部性原理，对原始数据进行预聚合（PartialAgg），然后再发往最终聚合节点（FinalAgg），以减少网络间数据传输开销。

所以，总体来说，GroupBy 聚合计算大致会经历以下四个过程：DataSource -> PartialAgg -> FinalAgg -> Output。

其中，DataSource 和 PartialAgg 一般是绑定在一起执行，而 FinalAgg 以及 Output 则由分布式网络中的另外一些节点执行。

体验 SLS 高基数 GroupBy 查询加速

有了上面的基础知识和了解后，我们开门见山，直接带大家来感受一下 SLS 中的上亿级别高基数 GroupBy 的查询加速体验。

为了更客观地评估和分析下面的性能变化，我们必须先讲清楚我们的测试数据和测试用例情况。

测试数据

我们采用了模拟的类似 Nginx 服务访问日志，保存在一个 Project/Logstore 中，SQL独享版 CU 数设置为 5000。测试数据 Schema 如下：

{  RequestId: varchar, /*测试数据会确保每个请求ID确保全局唯一*/  ClientIP: varchar,  Method: varchar,  Latency: int,  Status: int,  ...}

测试用例

我们准备了 3 种测试用例，分别对应 3 种不同的业务分析场景：

1. 高基单列聚合：对 28 亿条请求日志，按 RequestId 字段进行 GroupBy 统计计数（实际基数为 28 亿）
2. 高基多列聚合：对 45 亿条请求日志，按 ClientIp、Status、Latency 字段进行 3 列 GroupBy 统计计数（实际基数为 15 亿）
3. 低基数值聚合：对 1.5 万亿条请求日志，按 Latency 字段统计 Top100 的频次（实际基数为 735 万）

测试说明

1. 由于我们系统中设计有多级缓存，为了避免缓存对于测试的影响干扰，我们会在每次查询时通过添加 not <不存在的keyword> 过滤条件来避开缓存，以确保每次查询都进行完整的物理执行，公平地对比整体执行性能。
2. 测试过程使用的是真实线上服务（地域为上海），测试数据真实存储在 SLS Logstore 中，但因分片数以及数据分布特征不尽相同，因此不同用户的数据实测结果可能略有差异，但相同量级应该大同小异。