如何通过高效的缓存策略无缝加速湖仓查询

这主要是因为数据存储在远端导致额外的 I/O 开销，以及存储层面的性能波动，尤其是在处理大量小文件时表现更为明显。因此，建立高效的缓存机制成为连接数据湖和查询引擎的关键桥梁。

一、Data Cache 面临的挑战

然而，简单地添加缓存并不能解决所有问题，实践中往往面临以下挑战：

• 数据一致性风险：Cache 很容易遇到过期失效的问题，缓存更新不及时可能导致查询结果不准确，数据变更难以实时反映到缓存层；
• 资源利用效率：为了降低维护成本，一些企业会选择使用本地缓存，但是本地缓存需要预留固定磁盘空间，缺乏灵活性，资源无法根据负载动态调整；
• 性能优化瓶颈：频繁的缓存操作会增加系统开销，当缓存的文件过多的时候，大量文件会带来额外系统开销以及锁的问题。当本地磁盘压力过大的时候，强行去读写缓存反而可能会导致性能瓶颈；
• 运维成本增加：需要额外的人力进行系统的监控和维护工作，同时，系统上下游生态的整合与打通也都会带来额外的成本问题。

二、如何构建完善的 Data Cache 解决方案？

Cache 是一个查询加速的手段而不是目标。为了解决上述 Cache 带来的问题，企业需要构建具备以下特性的的缓存系统：

1. 数据一致性： 通过元数据管理确保数据时效性，实现实时感知数据更新，避免提供过期的数据。

2. 智能资源管理：自适应磁盘空间变化，根据磁盘状况进行自动扩缩容。理想情况下，做到在磁盘压力较小时自动扩容以缓存更多数据；在磁盘压力增大时自动缩容，确保不会对整体系统性能产生负面影响。

3. 智能的数据淘汰策略： 保护热点数据不被冷查询影响，智能识别和处理查询模式，把有限的空间留给最有价值的数据。

4. 自适应读取策略：根据系统负载动态选择最优读取方式，在必要时绕过缓存直接读取。

5. 高效的缓存架构设计：尽量降低因读写缓存文件而产生的系统操作。并且将缓存的填充过程异步化，从而可以在不显著消耗资源的情况下保持高查询性能。

三、利用 StarRocks 构建高效的缓存策略

构建高效的缓存策略不仅需要设计所提出的文件结构，还需要动态处理各种复杂的细节。

StarRocks 是一个开源的 MPP 查询引擎，旨在处理开放数据湖上的仓库类工作负载。它支持 Iceberg、Delta 和 Hudi 等流行的表格格式，以及 Parquet 和 ORC 等文件格式。StarRocks 结合了很多各种特性和优化，来在数据湖上提供快速、可靠的查询性能，其中磁盘的发挥起到了关键作用。

StarRocks 具有简单的架构，主要包含两个核心组件：

• 前端节点（FE）：负责元数据管理，执行查询规划，并协调查询的整体执行。
• 计算节点（CN）：处理实际的数据缓存和处理任务。

当查询被提交时，CN 节点检查所需的数据缓存是否存在，并使用元数据验证数据新鲜度以确保一致性。

四、StarRocks 是如何处理缓存的？

1. 更合理的 Cache 结构

相比于传统简单的单个文件的 Cache，StarRocks 采用了大文件内切 Block 而非小文件的方式，并由 CN 中元数据模块整体管理每个 Block 的元信息。这一结构减少了过多文件的问题，提高了存储磁盘效率，增强了整体性能。

2. 更深入的策略优化

StarRocks 采用内存和磁盘两级缓存策略，根据查询的频度，让更热的数据保留在内存这类更快的存储介质中。在淘汰策略上，采用 SLRU，让频繁查询的热数据更不容易被淘汰，也更不容易被冷查询所影响。同时，StarRocks 能够排除非查询活动，如导入、物化视图刷新、ETL 任务和全表或分区扫描，以最大限度地减少磁盘污染。

3. 更强的自适应能力

StarRocks 可以根据当前磁盘的容量动态的对 Cache 的容量占用进行调整，保证磁盘空间尽可能被使用，同时在磁盘空间占用率较高时为导入、ETL、Spill 等任务让出更多空间，保证磁盘和系统的稳定性

同时，为了保证开箱即用的性能，当缓存的磁盘当前吞吐较低的情况下，StarRocks 会自动放弃读取 Cache 而选择远端，对性能进行改善。

除了开源社区版本，镜舟科技也提供了成熟的基于 StarRocks 的企业级解决方案：镜舟湖仓分析引擎。企业级产品在开源项目的基础功能之外，还提供了更完善的：

• 数据安全能力：细粒度访问控制、数据加密、审计日志等
• 运维工具：可视化监控、告警、诊断工具
• 企业级特性：灾备方案、多活部署、资源隔离等

在对稳定性和服务响应要求较高的金融、电信等场景，镜舟科技的企业级产品能提供更安全、易用的数据保障。

五、缓存功能最佳应用案例

案例一：携程的 StarRocks 缓存应用实践

携程运营着一个基于 Hive 的报表平台 Artnova，支撑数据查询与报表查看。面对复杂 SQL、高并发查询等挑战，携程通过利用 StarRocks 的数据缓存功能，将查询性能的提升了 3.36 倍。

特别是通过湖上直接查询和物化视图技术的结合，携程不仅避免了数据搬迁的复杂性和成本，还实现了平均查询性能提升 7 倍以上，部分场景甚至达到几十倍的性能提升。

案例二：唯品会的 StarRocks 架构演进与性能提升

唯品会在大数据分析中，经历了从 Presto 到 StarRocks 的架构演进。在面对复杂分析和存储挑战时，通过存算分离和 Data Cache 功能的启用，唯品会不仅提升了查询速度，还大幅降低了存储成本。唯品会从部署了 100 多台物理机的 Presto 集群中选出耗时最长的 500 个查询进行测试，其中约有 210 个查询在 1800 秒后超时（如下图中蓝线所示）

唯品会仅在 19 台 Xeon E5-2683V4 64C 机器的负载上测试了 StarRocks，相比之下，StarRocks 表现出比 Presto 更快的查询性能，同时这也说明了数据本地化对查询速度的提升非常重要。

六、结语

开放湖仓与查询引擎架构有其优势，但通常会面临查询性能的限制。Data Cache 是湖上性能的关键所在，也是在湖上提供仓的性能的重要手段之一。StarRocks 通过深入优化的 Data Cache，在用户无感知的前提下开启 Cache，享受到极快的加速性能。

无论是开源项目 StarRocks 还是镜舟科技的企业级产品，都为企业提供了灵活的选择空间。随着数据规模的增长和业务对安全、易用等要求的提升，企业可以根据实际需求平滑过渡到更适合的解决方案。