Apache Kylin Cube构建算法

逐层算法

在介绍快速Cube算法之前，我们先简单回顾一下现有的算法，也称之为“逐层算法”（By Layer Cubing）。

我们知道，一个N维的完全Cube，是由：1个N维子立方体（Cuboid）， N个（N-1）维Cuboid, N*(N-1)/2个(N-2)维Cuboid …, N个1维Cuboid, 1个0维Cuboid，总共2^N个子立方体组成的；在“逐层算法”中，按维度数逐渐减少来计算，每个层级的计算（除了第一层，它是从原始数据聚合而来），是基于它上一层级的结果来计算的。

举例子来说，[Group by A, B]的结果，可以基于[Group by A, B, C]的结果，通过去掉C后聚合得来的；这样可以减少重复计算；当 0维度Cuboid计算出来的时候，整个Cube的计算也就完成了。

图1展示了用该算法计算一个四维Cube的流程。

图1 逐层算法

此算法的Mapper和Reducer都比较简单。Mapper以上一层Cuboid的结果（Key-Value对）作为输入。由于Key是由各维度值拼接在一起，从其中找出要聚合的维度，去掉它的值成新的Key，然后把新Key和Value输出，进而Hadoop MapReduce对所有新Key进行排序、洗牌（shuffle）、再送到Reducer处；Reducer的输入会是一组有相同Key的Value集合，对这些Value做聚合计算，再结合Key输出就完成了一轮计算。

每一轮的计算都是一个MapReduce任务，且串行执行； 一个N维的Cube，至少需要N次MapReduce Job。

算法优点

• 此算法充分利用了MapReduce的能力，处理了中间复杂的排序和洗牌工作，故而算法代码清晰简单，易于维护；
• 受益于Hadoop的日趋成熟，此算法对集群要求低，运行稳定；在内部维护Kylin的过程中，很少遇到在这几步出错的情况；即便是在Hadoop集群比较繁忙的时候，任务也能完成。

算法缺点

• 当Cube有比较多维度的时候，所需要的MapReduce任务也相应增加；由于Hadoop的任务调度需要耗费额外资源，特别是集群较庞大的时候，反复递交任务造成的额外开销会相当可观；
• 由于Mapper不做预聚合，此算法会对Hadoop MapReduce输出较多数据; 虽然已经使用了Combiner来减少从Mapper端到Reducer端的数据传输，所有数据依然需要通过Hadoop MapReduce来排序和组合才能被聚合，无形之中增加了集群的压力;
• 对HDFS的读写操作较多：由于每一层计算的输出会用做下一层计算的输入，这些Key-Value需要写到HDFS上；当所有计算都完成后，Kylin还需要额外的一轮任务将这些文件转成HBase的HFile格式，以导入到HBase中去；
• 总体而言，该算法的效率较低，尤其是当Cube维度数较大的时候；时常有用户问，是否能改进Cube算法，缩短时间。

快速Cube算法

快速Cube算法（Fast Cubing）是麒麟团队对新算法的一个统称，它还被称作“逐段”(By Segment) 或“逐块”(By Split) 算法。

该算法的主要思想是，对Mapper所分配的数据块，将它计算成一个完整的小Cube 段（包含所有Cuboid）；每个Mapper将计算完的Cube段输出给Reducer做合并，生成大Cube，也就是最终结果；图2解释了此流程。

图2逐块Cube算法

Mapper的预聚合

与旧算法相比，快速算法主要有两点不同：

• Mapper会利用内存做预聚合，算出所有组合；Mapper输出的每个Key都是不同的，这样会减少输出到Hadoop MapReduce的数据量，Combiner也不再需要；
• 一轮MapReduce便会完成所有层次的计算，减少Hadoop任务的调配。

我们看一个例子：某个Cube有四个维度：A、B、C、D；每个Mapper分配到的数据块有约一百万条记录；在这一百万条记录中，每个维度的基数(Cardinality)分别是Card(A), Card(B), Card(C), Card(D)。

当从原始数据计算四维Cuboid（ID： 1111）的时候：旧算法的Mapper会简单地对每条记录去除不相关的维度，然后输出到Hadoop，所以输出量依然是一百万条；新算法的Mapper，由于做了聚合，它只输出[count distinct A, B, C, D]条记录到Hadoop，此数目肯定小于原始条数；在很多时候下，它会是原来的1/10甚至1/1000。

当从四维Cuboid 1111计算三维Cuboid如0111的时候，维度A会被聚合掉；假定A维度的值均匀分布，那么聚合后的记录数会是四维Cuboid记录数的1/ Card(A),；而旧算法的Mapper输出数跟四维Cuboid记录数相同。

可以看到，在Cuboid的推算过程中的每一步，新算法都会比旧算法产生更少数据；总的加起来，新算法中的Mapper对Hadoop的输出，会比老算法少一个或几个数量级，具体数字取决于用户数据的特性；越少的数据，意味着越少的I/O和CPU，从而使得性能得以提升。

子立方体生成树的遍历

值得一提的还有一个改动，就是子立方体生成树(Cuboid Spanning Tree)的遍历次序；在旧算法中，Kylin按照层级，也就是广度优先遍历(Broad First Search)的次序计算出各个Cuboid；在快速Cube算法中，Mapper会按深度优先遍历（Depth First Search）来计算各个Cuboid。深度优先遍历是一个递归方法，将父Cuboid压栈以计算子Cuboid，直到没有子Cuboid需要计算时才出栈并输出给Hadoop；最多需要暂存N个Cuboid，N是Cube维度数。

采用DFS，是为了兼顾CPU和内存：

• 从父Cuboid计算子Cuboid，避免重复计算；
• 只压栈当前计算的Cuboid的父Cuboid，减少内存占用。

图3子立方体生成树的遍历

图3是一个四维Cube的完整生成树；按照DFS的次序，在0维Cuboid 输出前的计算次序是 ABCD -> BCD -> CD -> D -> *， ABCD, BCD, CD和D需要被暂存；在*被输出后，D可被输出，内存得到释放；在C被计算并输出后，CD就可以被输出； ABCD最后被输出。

采用DFS，Mapper的输出会是排序的（某些特殊情况除外）：Cube行键(row key)是由[Cuboid ID + 维度值]组成；DFS访问的结果，恰好是按照Cuboid ID从小到大输出；而在同一个Cuboid内，维度值也是升序排序；所以总的输出是排序的，请看如下示例。

0000 0001[D0] 0001[D1] .... 0010[C0] 0010[C1] .... 0011[C0][D0] 0011[C0][D1] .... .... 1111[A0][B0][C0][D0] ....

注: 这里[D0]代表D维度的最小值，[D1]代表次小值，以此类推。

由于每个Mapper的输出都是排序的，Hadoop对这些输出进行归并排序的效率也会更高。

OutOfMemory error

在新算法的开发和测试初期，我们发现Mapper常常会遇到OutOfMemory而异常终止；总结下来，以下情况往往会导致该异常:

a) Hadoop Mapper所分配的堆内存较小;­­­­­­­

b) Cube中使用了"Distinct count" (HyperLogLog会占用较大内存);

c) Cube的维度较多，导致生成树较深；

d) 分配到Mapper的数据块过大；

简单的增大Mapper的JVM heap size可以暂时解决该问题；但是不是每个用户的Hadoop机器都有大内存；算法需要足够的健壮性和适应性，否则用户会很头疼；我们花了不少努力来优化该算法，例如主动探测OOM的发生，将堆栈中的Cuboid缓存到本地磁盘等；这一系列优化在eBay内部测试的结果非常好，OOM的发生率大大降低，而性能没有明显的下降。

下面我们对快速Cube算法做一个总结。

算法优点

• 比老算法性能更好；下图是一个新老算法在两个案例上的所耗时间对比（分钟），能减少约30%到50%；

  

• Mapper内的Cube计算逻辑可以被其它Cube引擎重用，例如流数据(Streaming)和Spark; 实际上Kylin已经在这么做了。

算法缺点

• 新算法略复杂，学习曲线更陡；
• 虽然新算法会在内存不足时会把数据暂存到本地磁盘，要获取最佳性能，最好给Mapper以足够内存，用户要在输入数据块大小、Mapper配置、Cube复杂度之间找到平衡，需具备更多知识和经验。