B站基于Iceberg构建秒级响应湖仓一体平台的技术实践.pdf

《B站基于Iceberg构建秒级响应湖仓一体平台的技术实践.pdf》由会员分享，可在线阅读，更多相关《B站基于Iceberg构建秒级响应湖仓一体平台的技术实践.pdf（32页珍藏版）》请在三个皮匠报告上搜索。

1、B站基于Iceberg构建秒级响应湖仓一体平台的技术实践李锐哔哩哔哩资深开发工程师2023 背景查询加速智能优化现状背景Hive数仓的痛点 查询性能达不到交互式分析的要求 出仓链路复杂 数据冗余 时效性不好我们的目标互联互通查询高效使用便捷湖仓一体架构Iceberg onHDFSFlinkSparkSDKTrinoAlluxio实时ETL离线ETL实时ETL交互式分析Magnus数据优化Iceberg onHDFSIceberg表结构 文件级别的元数据管理 开放格式，完善的table spec定义查询加速排序 Iceberg表在文件级别记录每个列的MinMax统计信息 可用于plan file

2、时的文件过滤 数据经过排序后有更好的过滤效果Interleave OrderZ-ORDERHilbert Curve聚集性更好基于Boundary Index的Z-ORDER计算索引 多维排序字段越多效果越差 对于基数较高的字段，文件级别的索引有较好的过滤效果索引 BloomFilter 占用空间小 存在false positive、只支持等值查询 Bitmap 占用空间大 支持等值和范围查询、精准匹配行号，可进一步skip数据索引 BloomRF 分段单调有序哈希函数，支持等值和范围查询 存在false positive TokenBloomFilter、NgramBloomFilter 分

3、词后构造BloomFilter索引 用于日志场景 TokenBitmap、NgramBitmap 分词后构造Bitmap索引 用于日志场景预计算 Cube/AggIndex，针对聚合计算 支持单表和星型模型 定义维度字段、聚合值 支持Count、Min、Max、Sum、Avg、Count_Distinct、Percentile、TopN等聚合函数 文件级别聚合预计算 维度字段（关联列）：d_year，p_brand，s_region 聚合值：sum(lo_revenue)Cube文件的生成与管理聚合值的处理 由于是文件级的聚合，所以查询时还需要对每个文件的聚合结果进行global merge

4、对于可直接累加的聚合值（如MIN、MAX、COUNT），直接存储聚合值 对于不可直接累加的聚合值（如AVG、COUNT_DISTINCT），存储binary类型的中间结果查询改写 判断聚合计算是否符合cube定义 改写逻辑计划 TableScan切换到cube模式仅有部分文件生成Cube 没生成Cube的数据现场计算 与Cube数据union后再做globalmerge 仅适用于少量文件没有Cube的情况Star-Tree Index 参考Apache Pinot的实现 Cube定义选取最细粒度的维度字段 可响应不同维度组合的查询 Cube数据量随纬度数量增长Star-Tree IndexCu

5、be定义维度字段：Dim1、Dim2、Dim3聚合值：CountCube数据按照维度字段排序分层创建star-tree，生成star record根据split threshold判断是否创建子节点智能优化目标 小文件过多？数据怎么排序？提前预计算？常用过滤字段？常用聚合维度和统计项？我需要一个Iceberg表大数据专家自动化智能化Magnus服务 后台优化Magnus服务 Iceberg表详情展示Magnus服务 智能推荐Magnus服务 智能推荐现状主要场景 BI报表 指标服务 A/B Test 人群圈选 日志落地情况 Iceberg表 总量5PB 日增75TB Trino查询 20万/天 P95响应时间5s 过滤数据量（估算）500TB/天，占比100%200%感谢您的观看李锐哔哩哔哩资深开发工程师