ByConity与主流开源OLAP引擎（Clickhouse、Doris、Presto）性能对比分析

TPC-DS（Transaction Processing Performance Council Decision Support Benchmark）是一个面向决策支持系统（Decision Support System，简称 DSS）的基准测试，该工具是由 TPC 组织开发，它模拟了多维分析和决策支持场景，并提供了 99 个查询语句，用于评估数据库系统在复杂的多维分析场景下的性能。每个查询都设计用于模拟复杂的决策支持场景，包括跨多个表的连接、聚合和分组、子查询等高级 SQL 技术。

ClickHouse、Doris、Presto 和 ByConity 都是当前比较流行的开源 OLAP 引擎，它们都具有高性能和可扩展性的特点。

• ClickHouse 是由俄罗斯搜索引擎公司 Yandex 开发的一个列式数据库管理系统，它专注于大规模数据的快速查询和分析。

• Doris 是一个分布式列式存储和分析系统，它支持实时查询和分析，并可以与 Hadoop、Spark 和 Flink 等大数据技术进行集成。

• Presto 是一个分布式 SQL 查询引擎，它由 Facebook 开发，可以在大规模数据集上进行快速查询和分析。

• ByConity 是由字节开源的云原生数仓，采用了存储计算分离的架构，实现租户资源隔离、弹性扩缩容，并具有数据读写的强一致性等特性，它支持主流的 OLAP 引擎优化技术，读写性能非常优异。

本文将使用这四个 OLAP 引擎对 TPC-DS 基准测试的 99 个查询语句进行性能测试，并对比它们在不同类型的查询中的性能差异。

Architecture:          x86_64CPU op-mode(s):        32-bit, 64-bitByte Order:            Little EndianCPU(s):                48On-line CPU(s) list:   0-47Thread(s) per core:    2Core(s) per socket:    12Socket(s):             2NUMA node(s):          2Vendor ID:             GenuineIntelCPU family:            6Model:                 79Model name:            Intel(R) Xeon(R) CPU E5-2650 v4 @ 2.20GHzStepping:              1CPU MHz:               2494.435CPU max MHz:           2900.0000CPU min MHz:           1200.0000BogoMIPS:              4389.83Virtualization:        VT-xL1d cache:             32KL1i cache:             32KL2 cache:              256KL3 cache:              30720KNUMA node0 CPU(s):     0-11,24-35NUMA node1 CPU(s):     12-23,36-47

测试方法：

• 使用 TPC-DS 基准测试的 99 个查询语句，和 1TB（28 亿行）的数据测试 4 个 OLAP 引擎的性能。

• 在每个引擎中使用相同的测试数据集，并保持相同的配置和硬件环境。

• 对于每个查询，多次执行并取平均值，以减少测量误差，设置每次查询超时时间为 500 秒。

• 记录查询执行的细节，例如查询执行计划、I/O 和 CPU 使用情况等。

我们使用了相同的数据集和硬件环境来测试这四个 OLAP 引擎的性能。测试数据集大小为 1TB，硬件和软件环境如上介绍，我们使用了 TPC-DS 基准测试中的 99 个查询语句分别在四个 OLAP 引擎上进行了连续三次的测试，并取三次平均结果。其中 ByConity 跑通了所有 99 个查询测试。Doris 在 SQL15 出现 Crash，另外有 4 次的 Timeout，分别是 SQL54、SQL67、SQL78 和 SQL95。Presto 只在 SQL67 和 SQL72 发生 Timeout，其他查询测试都跑通了。而 Clickhouse 只跑通了 50% 的查询语句，大概有一部分是 Timeout，另一部分是系统报错，分析原因是 Clickhouse 不能有效的支持多表关联查询导致，只能把这类 SQL 语句做手动改写拆分才能执行。因此在对比总耗时我们暂时排除 Clickhouse，其他三个 OLAP 引擎 TPC-DS 测试总耗时如下图 1 所示，从图 1 中我们可以看出开源的 ByConity 查询性能明显优于其他引擎，性能约是其他的 3-4 倍。（注：以下所有图表纵坐标单位为秒）

图 1 TPC-DS 99 条查询总耗时

针对 TPC-DS 基准测试的 99 个查询语句，我们接下来按照查询场景的不同进行分类，例如基础查询、连接查询、聚合查询、子查询、窗口函数查询等。下面我们将使用这些分类方式来对 ClickHouse、Doris、Presto 和 ByConity 四个 OLAP 引擎进行性能分析对比：

该场景包含简单的查询操作，例如从单个表中查询数据，过滤和排序结果等。基础查询的性能测试主要关注处理单个查询的能力。其中 ByConity 的表现最佳，Presto 和 Doris 的性能也表现都不错，这是因为基础查询通常只涉及到少量的数据表和字段，因此能够充分利用 Presto 和 Doris 的分布式查询特性和内存计算能力，Clickhouse 对多表关联支持不好，出现一些跑不通的现象，其中 SQL5、8、11、13、14、17、18 均超时，我们按 Timeout=500 秒计算，但希望显示更清晰截取 Timeout=350 秒。下图 2 是基础查询场景下四个引擎的平均查询时间：

图 2 TPC-DS 基础查询的性能对比

连接查询是常见的多表查询场景，它通常使用 JOIN 语句连接多个表，并根据指定条件进行数据检索。如图 3 我们看到 ByConity 的性能最佳，主要得益于对查询优化器的优化，引入了基于代价的优化能力（CBO），在多表 Join 时候进行 re-order 的等优化操作。其次是 Presto 和 Doris，Clickhouse 在多表 Join 的效果相比其他三个性能不是很好，且对很多复杂语句的支持不够好。

图 3 TPC-DS 连接查询的性能对比

聚合查询是对数据进行统计计算的场景，例如测试 SUM、AVG、COUNT 等聚合函数的使用。ByConity 依然表现优异，其次是 Doris 和 Presto，Clickhouse 出现了四次 Timeout，为了方便看出差异，我们截取 Timeout 值到 250 秒。

图 4 TPC-DS 聚合查询的性能对比

子查询是在 SQL 语句中嵌套使用的查询场景，它通常作为主查询的条件或限制条件。如下图 5 所示，ByConity 表现最佳，原因是 ByConity 实现了基于规则的优化能力（RBO）进行查询优化，通过算子下推、列裁剪和分区裁剪等技术，把复杂的嵌套查询进行整体优化，替除所有的子查询，把常见算子转化成 Join+Agg 的形式。其次是 Doris 和 Presto 表现相对较好，但 Presto 在 SQL68 和 SQL73 出现 Timeout，Doris 也在 3 个 SQL 查询出现 Timeout，Clickhouse 同样出现了部分超时和系统报错，原因上面有提到。同样为方便看出差异，我们截取 Timeout 值等于 250 秒。

图 5 TPC-DS 子查询的性能对比

窗口函数查询是一种高级的 SQL 查询场景，它可以在查询结果中进行排名、分组、排序等操作。如下图 6 所示，ByConity 的性能最优，其次是 Presto，Doris 出现了一次 Timeout 的情况，Clickhouse 依然有部分没有跑通 TPC-DS 测试。

图 6 TPC-DS 窗口函数查询的性能对比

本文对 ClickHouse、Doris、Presto 和 ByConity 四个 OLAP 引擎在 TPC-DS 基准测试的 99 个查询语句下的性能进行了分析和比较。我们发现，在不同的查询场景下，四个引擎的性能表现存在差异。ByConity 在所有 TPC-DS 的 99 个查询场景下都表现优异，超过其他三个 OLAP 引擎；Presto 和 Doris 在连接查询、聚合查询和窗口函数查询场景下表现较好；由于 Clickhouse 的设计和实现并不是专门针对关联查询进行优化，因此在多表关联查询方面整体表现差强人意。

需要注意的是，性能测试结果取决于多个因素，包括数据结构、查询类型、数据模型等。在实际应用中，需要综合考虑各种因素，以选择最适合自己的 OLAP 引擎。在选择 OLAP 引擎时，还需要考虑其他因素，如可扩展性、易用性、稳定性等。在实际应用中，需要根据具体业务需求进行选择，并对引擎进行合理的配置和优化，以获得最佳的性能表现。

总之，ClickHouse、Doris、Presto、ByConity 都是非常优秀的 OLAP 引擎，具有不同的优点和适用场景。在实际应用中，需要根据具体业务需求进行选择，并进行合理的配置和优化，以获得最佳的性能表现。同时，需要注意选择具有代表性的查询场景和数据集，并针对不同的查询场景进行测试和分析，以便更全面地评估引擎的性能。