Presto在滴滴的探索与实践

桔妹导读：Presto在滴滴内部发展三年，已经成为滴滴内部Ad-Hoc和Hive SQL加速的首选引擎。目前服务6K+用户，天天读取2PB ~ 3PB HDFS数据，处理30万亿~35万亿条记录，为了承接业务及丰富使用场景，滴滴Presto须要解决稳定性、易用性、性能、成本等诸多问题。咱们在3年多的时间里，作了大量优化和二次开发，积攒了很是丰富的经验。本文分享了滴滴对Presto引擎的改进和优化，同时也提供了大量稳定性建设经验。

1. 

Presto简介

▍1.1 简介

Presto是Facebook开源的MPP（Massive Parallel Processing）SQL引擎，其理念来源于一个叫Volcano的并行数据库，该数据库提出了一个并行执行SQL的模型，它被设计为用来专门进行高速、实时的数据分析。Presto是一个SQL计算引擎，分离计算层和存储层，其不存储数据，经过Connector SPI实现对各类数据源（Storage）的访问。

▍ 1.2 架构

Presto沿用了通用的Master-Slave架构，一个Coordinator，多个Worker。Coordinator负责解析SQL语句，生成执行计划，分发执行任务给Worker节点执行；Worker节点负责实际执行查询任务。Presto提供了一套Connector接口，用于读取元信息和原始数据，Presto 内置有多种数据源，如 Hive、MySQL、Kudu、Kafka 等。同时，Presto 的扩展机制容许自定义 Connector，从而实现对定制数据源的查询。假如配置了Hive Connector，须要配置一个Hive MetaStore服务为Presto提供Hive元信息，Worker节点经过Hive Connector与HDFS交互，读取原始数据。

▍1.3 实现低延时原理

Presto是一个交互式查询引擎，咱们最关心的是Presto实现低延时查询的原理，如下几点是其性能脱颖而出的主要缘由：

• 彻底基于内存的并行计算
• 流水线
• 本地化计算
• 动态编译执行计划
• 当心使用内存和数据结构
• GC控制
• 无容错

2. 

Presto在滴滴的应用

▍2.1 业务场景

• Hive SQL查询加速
• 数据平台Ad-Hoc查询
• 报表（BI报表、自定义报表）
• 活动营销
• 数据质量检测
• 资产管理
• 固定数据产品

▍2.2 业务规模

▍2.3 业务增加

▍2.4 集群部署

目前Presto分为混合集群和高性能集群，如上图所示，混合集群共用HDFS集群，与离线Hadoop大集群混合部署，为了防止集群内大查询影响小查询， 而单独搭建集群会致使集群太多，维护成本过高，咱们经过指定Label来作到物理集群隔离（详细后文会讲到）。而高性能集群，HDFS是单独部署的，且能够访问Druid， 使Presto 具有查询实时数据和离线数据能力。

▍2.5 接入方式

二次开发了JDBC、Go、Python、Cli、R、NodeJs 、HTTP等多种接入方式，打通了公司内部权限体系，让业务方方便快捷的接入 Presto 的，知足了业务方多种技术栈的接入需求。

Presto 接入了查询路由 Gateway，Gateway会智能选择合适的引擎，用户查询优先请求Presto，若是查询失败，会使用Spark查询，若是依然失败，最后会请求Hive。在Gateway层，咱们作了一些优化来区分大查询、中查询及小查询，对于查询时间小于3分钟的，咱们即认为适合Presto查询，好比经过HBO（基于历史的统计信息）及JOIN数量来区分查询大小，架构图见：

3. 

引擎迭代

咱们从2017年09月份开始调研Presto，经历过0.19二、0.215，共发布56次版本。而在19年初（0.215版本是社区分家版本），Presto社区分家，分为两个项目，叫PrestoDB和PrestoSQL，二者都成立了本身的基金会。咱们决定升级到PrestoSQL 最新版本（340版本）缘由是：

• PrestoSQL社区活跃度更高，PR和用户问题可以及时回复
• PrestoDB主要主力仍是Facebook维护，以其内部需求为主
• PrestoDB将来方向主要是ETL相关的，咱们有Spark兜底，ETL功能依赖Spark、Hive

4. 

引擎改进

在滴滴内部，Presto主要用于Ad-Hoc查询及Hive SQL查询加速，为了方便用户能尽快将SQL迁移到Presto引擎上，且提升Presto引擎查询性能，咱们对Presto作了大量二次开发。同时，由于使用Gateway，即便SQL查询出错，SQL也会转发到Spark及Hive上，因此咱们没有使用Presto的Spill to Disk功能。这样一个纯内存SQL引擎在使用过程当中会遇到不少稳定问题，咱们在解决这些问题时，也积累了不少经验，下面将一一介绍：

▍4.1 Hive SQL兼容

18年上半年，Presto刚起步，滴滴内部不少用户不肯意迁移业务，主要是由于Presto是ANSI SQL，与HiveQL差距较大，且查询结果也会出现结果不一致问题，迁移成本比较高，为了方便Hive用户能顺利迁移业务，咱们对Presto作了Hive SQL兼容。而在技术选型时，咱们没有在Presto上层，即没有在Gateway这层作SQL兼容，主要是由于开发量较大，且UDF相关的开发和转换成本过高，另外就是须要多作一次SQL解析，查询性能会受到影响，同时增长了Hive Metastore的请求次数，当时Hive Metastore的压力比较大，考虑到成本和稳定性，咱们最后选择在Presto引擎层上兼容。

主要工做：

• 隐式类型转换
• 语义兼容
• 语法兼容
• 支持Hive视图
• Parquet HDFS文件读取支持
• 大量UDF支持
• 其余

Hive SQL兼容，咱们迭代了三个大版本，目前线上SQL经过率97~99%。而业务从Spark/Hive迁移到Presto后，查询性能平均提高30%~50%，甚至一些场景提高10倍，Ad-Hoc场景共节省80%机器资源。下图是线上Presto集群的SQL查询经过率及失败缘由占比，'null' 表示查询成功的SQL，其余表示错误缘由：

▍4.2 物理资源隔离

上文说到，对性能要求高的业务与大查询业务方混合跑，查询性能容易受到影响，只有单独搭建集群。而单独搭建集群致使Presto集群太多，维护成本过高。由于目前咱们Presto Coordinator尚未遇到瓶颈，大查询主要影响Worker性能，好比一条大SQL致使Worker CPU打满，致使其余业务方SQL查询变慢。因此咱们修改调度模块，让Presto支持能够动态打Label，动态调度指定的 Label 机器。以下图所示：

根据不一样的业务划分不一样的label，经过配置文件配置业务方指定的label和其对应的机器列表，Coordinator会加载配置，在内存里维护集群label信息，同时若是配置文件里label信息变更，Coordinator会定时更新label信息，这样调度时根据SQL指定的label信息来获取对应的Worker机器，如指定label A时，那调度机器里只选择Worker A 和 Worker B 便可。这样就能够作到让机器物理隔离了，对性能要求高的业务查询既有保障了。

▍4.3 Druid Connector

使用 Presto + HDFS 有一些痛点：

• latency高，QPS较低 
• 不能查实时数据，若是有实时数据需求，须要再构建一条实时数据链路，增长了系统的复杂性
• 要想得到极限性能，必须与HDFS DataNode 混部，且DataNode使用高级硬件，有自建HDFS的需求，增长了运维的负担

因此咱们在0.215版本实现了Presto on Druid Connector，此插件有以下优势：

• 结合 Druid 的预聚合、计算能力（过滤聚合）、Cache能力，提高Presto性能（RT与QPS）
• 让 Presto 具有查询 Druid 实时数据能力
• 为Druid提供全面的SQL能力支持，扩展Druid数据的应用场景
• 经过Druid Broker获取Druid元数据信息
• 从Druid Historical直接获取数据
• 实现了Limit下推、Filter下推、Project下推及Agg下推

在PrestoSQL 340版本，社区也实现了Presto on Druid Connector，可是此Connector是经过JDBC实现的，缺点比较明显：

• 没法划分多个Split，查询性能差
• 请求查询Broker，以后再查询Historical，多一次网络通讯
• 对于一些场景，如大量Scan场景，会致使Broker OOM
• Project及Agg下推支持不完善

详细架构图见：

使用了Presto on Druid后，一些场景，性能提高4~5倍。

▍4.4 易用性建设

为了支持公司的几个核心数据平台，包括：数梦、提取工具、数易及特征加速及各类散户，咱们对Presto作了不少二次开发，包括权限管理、语法支持等，保证了业务的快速接入。主要工做：

• 租户与权限
• 与内部Hadoop打通，使用HDFS SIMPLE协议作认证
• 使用Ranger作鉴权，解析SQL使Presto拥有将列信息传递给下游的能力，提供用户名+数据库名/表名/列名，四元组的鉴权能力，同时提供多表同时鉴权的能力
• 用户指定用户名作鉴权和认证，大帐号用于读写HDFS数据
• 支持视图、表别名鉴权

• 语法拓展
• 支持add partition
• 支持数字开头的表
• 支持数字开头的字段

• 特性加强
• insert数据时，将插入数据的总行数写入HMS，为业务方提供毫秒级的元数据感知能力
• 支持查询进度滚动更新，提高了用户体验
• 支持查询能够指定优先级，为用户不一样等级的业务提供了优先级控制的能力
• 修改通讯协议，支持业务方能够传达自定义信息，知足了用户的日志审计须要等
• 支持DeprecatedLzoTextInputFormat格式
• 支持读HDFS Parquet文件路径

▍ 4.5 稳定性建设

Presto在使用过程当中会遇到不少稳定性问题，好比Coordinator OOM，Worker Full GC等，为了解决和方便定位这些问题，首先咱们作了监控体系建设，主要包括：

• 经过Presto Plugin实现日志审计功能
• 经过JMX获取引擎指标将监控信息写入Ganglia
• 将日志审计采集到HDFS和ES； 统一接入运维监控体系，将全部指标发到 Kafka；
• Presto UI改进： 能够查看Worker信息，能够查看Worker死活信息

经过以上功能，在每次出现稳定性问题时，方便咱们及时定位问题，包括指标查看及SQL回放等，以下图所示，能够查看某集群的成功及失败SQL数，咱们能够经过定义查询失败率来触发报警：

在Presto交流社区，Presto的稳定性问题困扰了不少Presto使用者，包括Coordinator和Worker挂掉，集群运行一段时间后查询性能变慢等。咱们在解决这些问题时积累了不少经验，这里说下解决思路和方法。

根据职责划分，Presto分为Coordinator和Worker模块，Coordinator主要负责SQL解析、生成查询计划、Split调度及查询状态管理等，因此当Coordinator遇到OOM或者Coredump时，获取元信息及生成Splits是重点怀疑的地方。而内存问题，推荐使用MAT分析具体缘由。以下图是经过MAT分析，得出开启了FileSystem Cache，内存泄漏致使OOM。

这里咱们总结了Coordinator常见的问题和解决方法：

• 使用HDFS FileSystem Cache致使内存泄漏，解决方法禁止FileSystem Cache，后续Presto本身维护了FileSystem Cache
• Jetty致使堆外内存泄漏，缘由是Gzip致使了堆外内存泄漏，升级Jetty版本解决
• Splits太多，无可用端口，TIME_WAIT过高，修改TCP参数解决
• JVM Coredump，显示"unable to create new native thread"，经过修改pid_max及max_map_count解决
• Presto内核Bug，查询失败的SQL太多，致使Coordinator内存泄漏，社区已修复

而Presto Worker主要用于计算，性能瓶颈点主要是内存和CPU。内存方面经过三种方法来保障和查找问题：

• 经过Resource Group控制业务并发，防止严重超卖
• 经过JVM调优，解决一些常见内存问题，如Young GC Exhausted
• 善用MAT工具，发现内存瓶颈

而Presto Worker常会遇到查询变慢问题，两方面缘由，一是肯定是否开启了Swap内存，当Free内存不足时，使用Swap会严重影响查询性能。第二是CPU问题，解决此类问题，要善用Perf工具，多作Perf来分析CPU为何不在干活，看CPU主要在作什么，是GC问题仍是JVM Bug。以下图所示，为线上Presto集群触发了JVM Bug，致使运行一段时间后查询变慢，重启后恢复，Perf后找到缘由，分析JVM代码，可经过JVM调优或升级JVM版本解决：

这里咱们也总结了Worker常见的问题和解决方法：

• Sys load太高，致使业务查询性能影响很大，研究jvm原理，经过参数（-XX:PerMethodRecompilationCutoff=10000 及 -XX:PerBytecodeRecompilationCutoff=10000）解决，也可升级最新JVM解决
• Worker查询hang住问题，缘由HDFS客户端存在bug，当Presto与HDFS混部署，数据和客户端在同一台机器上时，短路读时一直wait锁，致使查询Hang住超时，Hadoop社区已解决
• 超卖致使Worker Young GC Exhausted，优化GC参数，如设置-XX:G1ReservePercent=25 及 -XX:InitiatingHeapOccupancyPercent=15
• ORC太大，致使Presto读取ORC Stripe Statistics出现OOM，解决方法是限制ProtoBuf报文大小，同时协助业务方合理数据治理
• 修改Presto内存管理逻辑，优化Kill策略，保障当内存不够时，Presto Worker不会OOM，只须要将大查询Kill掉，后续熔断机制会改成基于JVM，相似ES的熔断器，好比95% JVM 内存时，Kill掉最大SQL

▍4.6 引擎优化及调研

做为一个Ad-Hoc引擎，Presto查询性能越快，用户体验越好，为了提升Presto的查询性能，在Presto on Hive场景，咱们作了不少引擎优化工做，主要工做：

• 某业务集群进行了JVM调优，将Ref Proc由单线程改成并行执行，普通查询由30S~1分钟下降为3-4S，性能提高10倍+
• ORC数据优化，将指定string字段添加了布隆过滤器，查询性能提高20-30%，针对一些业务作了调优
• 数据治理和小文件合并，某业务方查询性能由20S下降为10S，性能提高一倍，且查询性能稳定
• ORC格式性能优化，查询耗时减小5%
• 分区裁剪优化，解决指定分区但获取全部分区元信息问题，减小了HMS的压力
• 下推优化，实现了Limit、Filter、Project、Agg下推到存储层

18年咱们为了提升Presto查询性能，也调研了一些技术方案，包括Presto on Alluxio和Presto on Carbondata，可是这2种方案最后都被舍弃了，缘由是：

• Presto on Alluxio查询性能提高35%，可是内存占用和性能提高不成正比，因此咱们放弃了Presto on Alluxio，后续可能会对一些性能要求敏感的业务使用
• Presto on Carbondata是在18年8月份测试的，当时的版本，Carbondata稳定性较差，性能没有明显优点，一些场景ORC更快，因此咱们没有再继续跟踪调研Presto on Carbondata。 由于滴滴有专门维护Druid的团队，因此咱们对接了Presto on Druid，一些场景性能提高4~5倍，后续咱们会更多关注Presto on Clickhouse及Presto on Elasticsearch

5. 

总结

经过以上工做，滴滴Presto逐渐接入公司各大数据平台，并成为了公司首选Ad-Hoc查询引擎及Hive SQL加速引擎，下图能够看到某产品接入后的性能提高：

上图能够看到大约2018年10月该平台开始接入Presto，查询耗时TP50性能提高了10+倍，由400S下降到31S。且在任务数逐渐增加的状况下，查询耗时保证稳定不变。

而高性能集群，咱们作了不少稳定性和性能优化工做，保证了平均查询时间小于2S。以下图所示：

6. 

展望

Presto主要应用场景是Ad-Hoc查询，因此其高峰期主要在白天，以下图所示，是网约车业务下午12-16点的查询，能够看到平均CPU使用率在40%以上。

可是若是看最近一个月的CPU使用率会发现，平均CPU使用率比较低，且波峰在白天10~18点，晚上基本上没有查询，CPU使用率不到5%。以下图所示：

因此，解决晚上资源浪费问题是咱们从此须要解决的难题。

同时，为了避免与开源社区脱节，咱们打算升级PrestoDB 0.215到PrestoSQL 340版本，届时会把咱们的Presto on Druid代码开源出来，回馈社区。

本文做者

▬

滴滴Presto引擎负责人，负责带领引擎团队深刻Presto内核，解决在海量数据规模下Presto遇到的稳定性、性能、成本方面的问题。搜索引擎及OLAP引擎爱好者，公众号：FFCompute

关于团队

▬

滴滴大数据架构部 OLAP & 检索平台组负责以 Elasticsearch、Clickhouse、Presto 及 Druid 为表明的 OLAP 引擎的内核级极致优化，为滴滴各个产品线提供稳定可靠的 PB 级海量数据的实时数据分析、日志检索、监控及即席查询服务。

博闻强识，招贤纳士，滴滴用广阔的舞台，在这里，等待你！

扫描了解更多岗位

延伸阅读

▬

内容编辑 | Charlotte

联系咱们 | DiDiTech@didiglobal.com

本文分享自微信公众号 - 滴滴技术（didi_tech）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。