在大数据时代，如何有效地管理和处理海量数据成为了企业面临的核心挑战。为此，拓数派推出了首款数据计算引擎 PieCloudDB Database，作为一款全新的云原生虚拟数仓，旨在提供更高效、更灵活的数据处理解决方案。

PieCloudDB 的设计理念源于对用户使用体验和查询效率的深度理解。在实现存算分离的同时，PieCloudDB 专门设计和打造了全新的存储引擎「简墨」等模块。针对云场景和分析型场景，PieCloudDB 还设计了高效的预聚集（Pre-Aggregate）特性。本文将详细介绍 PieCloudDB 如何运用预聚集技术优化数据处理流程，改善用户体验。

作为云原生虚拟数仓，PieCloudDB 充分借助云计算所提供的基础设施服务，包括大规模分布式集群、虚拟机、容器等。这些特性使得 PieCloudDB 能更好地适应动态的和不断变化的工作负载需求。同时，PieCloudDB 也积极拓展其自身的特性，实现高可用、易扩展和弹性伸缩，以满足企业不断增长的业务需求。

PieCloudDB 实现了一个重要创新功能：预聚集（Pre-Aggregate）。 该功能通过 PieCloudDB 的全新的存储引擎「简墨」（JANM），在数据插入时即时计算数据列的 Aggregate 信息，并将其预先保存以供后续使用。这种方法摒弃了在查询时进行复杂计算的传统方式，从而大大提升了查询速度。此外，由于聚合数据保存在文件中，可以实现快速访问并直接应用于查询。

PieCloudDB 会根据用户的查询自动生成带有 Pre-Aggregate 的计划，使得查询过程尽可能地快速且准确。 当需要聚合数据时，系统会检查预存储的聚合值，并直接读取符合条件的 Aggregate 数据。这样避免了查询过程中扫描整个数据集的需求，可以大幅提升查询速度。

对于部分满足条件的块，PieCloudDB 将会回归原来的处理方式计算 Aggregate 值。 这样既能利用已经预聚合的数据，又只需计算缺少的部分，从而降低计算成本并提高运算效率。

1 预聚集的原理

为了能够增加 Aggregate 的查询性能，PieCloudDB 采用了以「空间」换取「时间」的策略，在写入数据的时候，在存储层中将相关的 Aggregate 进行预先计算并保存，从而在查询的时候可以快速找到需要的 Aggregate 数据。

上面解决了 Aggregate 数据来源问题，下面将介绍如何拿到预先计算的 Aggregate 数据。为了能够实现正确获取下推的 Aggregate 数据，PieCloudDB 的优化器与执行器被进一步改造，增加了两个新的 Pre-Aggregate 计算节点。改造前后的计划树（plan tree） 的对比如下图所示:

改造前后 plan tree 对比图

存储引擎「简墨」会在数据插入时，即时更新 Aggregate 信息。在上图中的 Pre-Aggregate 计算节点会从 AM（access method）中取出预先计算的 Aggregate 数据，如果没有找到合适的 Aggregate 数据，Pre-Aggregate 计算节点也会从 AM 中找出满足条件的 tuple 计算出对应的 Aggregate 数据，返回给上层计算节点使用。这样就解决了怎么正确找到下推的 Aggregate 数据的问题。

Pre-Aggregate 是 OLAP 优化技术中 Zone Maps 的具体实现。即预先计算一批元组属性值的聚合并预先保存，数据库检查预计算的聚集信息决定是否要访问该 block。即上面所述的如果找到可用的 Aggregate 数据则直接返回，否则访问该 block 检索具体元组。

对于带条件的 Pre-Aggregate 来说，其效果取决于预先计算所涉及的数据范围。PieCloudDB 将预聚集范围缩小至块文件，针对每个块文件分别进行预计算存储，从而保证带条件的预聚集查询效果。

2 预聚集的使用演示

下面给出了如何开启 Preagg Block Scan 以及支持 Block Skipping 的 Preagg Bitmap Block Scan 的使用方式。最后给出了对应的性能对比图。

2.1 Preagg Block Scan 使用方式

-- 创建 t 表
create table t(a int, b int, c int);

-- 写入三行数据
insert into t values(1,2,3);
insert into t values(3,3,5);
insert into t values(4,4,6);

-- 开启 preagg，默认是开启的
set pdb_enable_preagg = on;

-- 执行如下的 query
explain (costs off) select sum(b), avg(c), count(*) from t;
                   QUERY PLAN
------------------------------------------------
 Finalize Aggregate
   ->  Gather Motion 3:1  (slice1; segments: 3)
         ->  Pre-Aggregate Block Scan on t
 Optimizer: Postgres query optimizer
(4 rows)

-- 开启后的执行结果
select sum(b), avg(c), count(*) from t;
 sum |        avg         | count
-----+--------------------+-------
   9 | 4.6666666666666667 |     3
(1 row)

-- 关闭 preagg 
set pdb_enable_preagg = off;

-- 执行同一条 query
explain (costs off) select sum(b), avg(c), count(*) from t;
                   QUERY PLAN
------------------------------------------------
 Aggregate
   ->  Gather Motion 3:1  (slice1; segments: 3)
         ->  Seq Scan on t
 Optimizer: Postgres query optimizer
(4 rows)

-- 关闭后的执行结果
select sum(b), avg(c), count(*) from t;
 sum |        avg         | count
-----+--------------------+-------
   9 | 4.6666666666666667 |     3
(1 row)

2.2 Preagg Bitmap Block Scan 使用方式

create table t(a int, b int);
insert into t values(generate_series(1, 20), generate_series(100, 120));
insert into t values(generate_series(21, 60), generate_series(121, 160));

-- 开启 preagg，默认是开启的
set pdb_enable_preagg = on;
-- 下面是开启 Pre-Aggregate Bitmap Block Scan 的几个 guc
set enable_seqscan = off;
set enable_bitmapscan = on;
set enable_indexscan = on;

-- 执行如下的 query
explain (costs off) select max(a), sum(a) from t where a > 10 and a   Gather Motion 3:1  (slice1; segments: 3)
         ->  Partial Aggregate
               ->  Pre-Aggregate Bitmap Block Scan on t
                     Recheck Cond: ((a > 10) AND (a   Bitmap Index Scan on t
                           Index Cond: ((a > 10) AND (a  10 and a  10 and a   Gather Motion 3:1  (slice1; segments: 3)
         ->  Partial Aggregate
               ->  Bitmap Heap Scan on t
                     Recheck Cond: ((a > 10) AND (a   Bitmap Index Scan on t
                           Index Cond: ((a > 10) AND (a  10 and a 

2.3 性能对比

测试表：

create table preaggdata (a int, b int);

测试语句：

explain analyze select sum(a), avg(a), count(*), max(b) from preaggdata;

耗时对比图如下所示:

耗时对比图

从上面的测试数据和对比图可以看出，未开启 Pre-Agg 时，随着数据量的增大，耗时不断增大，且增加的速度也会越来越快；而开启 Pre-Agg 时，耗时是平稳的增长的，增长的速度也不快。当数据量达到 10000K 时，实现了近 28 倍的速度提升。

3 预聚集未来演变之路

目前, Pre-Aggregate 采用「空间」换「时间」的策略来提升性能效率。为了扩大 Pre-Aggregate 的应用范围，优化用户体验，我们将不断推动技术研发，扩大应用场景，并提供更加丰富、多元的功能。

无论是通过优化数据处理方式，拓展支持的函数类型，还是引进新的查询处理机制，我们都在锲而不舍地努力实现这一目标。相信很快，Pre-Aggregate 将能够为复杂的查询场景提供更高效、更精准的解决方案，从而逐步深化其在数据分析和处理领域的应用影响力。