GaussDB作为企业级的数据库，经过了多年的技术发展，具备丰富的技术特性，使用LLVM技术后提升了系统的查询性能，使得开发者在OLAP和OLTP多场景中均受益。
Hi，别急！让技术触达每一个角落，赋能更多的人，GaussTech第3期《LLVM技术在GaussDB等数据库中的应用》，不仅带来满满的技术干货，还推出【分享集赞回帖赢好礼】活动，参与就能赢好礼，点击华为云论坛_云计算论坛_开发者论坛_技术论坛-华为云参与！
万物互联的态势下，数据量的激增使得“如何提升数据处理性能”成为各家数据库共同面临的挑战。作为编译优化技术的代表，基于LLVM的CodeGen技术，能为每个查询生成定制的机器码替代原本的通用函数，减少实际查询时冗余的条件逻辑判断、虚函数调用并提高数据局域性，从而达到提升查询整体性能的目的，成为数据库性能优化的一项重要技术。
LLVM能在分析类场景中给用户带来较大的收益，也能在特定的交易性场景中给用户带来一定的收益。接下来详细解读一下LLVM技术在GaussDB中的应用吧。
LLVM和数据库
LLVM（Low Level Virtual Machine）是一款流行的开源编译器框架，是CodeGen（生成源代码的工具）技术的事实标准，被广泛运用于数据库（如KES，AnalyticDB，GaussDB）、大数据（如Spark）、AI平台（如tensorflow）等领域，用于提升数据处理的性能。
在没有引入LLVM这类CodeGen技术之前，数据库会使用通用的处理逻辑来处理数据，但通用逻辑“笨重”（递归、封装、类型判断转换）的代码实现方式，存在虚函数开销、缓存使用率低下、对指令集不敏感等性能短板。
引入LLVM之后，可以为具体的查询生成定制化的机器码，并尽可能的将数据存储在CPU的寄存器中进一步加快计算的速度：
- LLVM天然支持JIT，该技术可以解决条件逻辑冗余的问题；
- 减少大量的虚函数调用；
- 将数据尽可能的从内存加载到Cache上；
- LLVM做了很多自动矢量化的工作；
比如，下图左侧是通用代码，右侧是CodeGen之后的代码。CodeGen根据实际情况消除了不必要的循环和判断。
另外，LLVM技术可以有不同的实现粒度。比如：可使用LLVM加速表达式计算，或再进一步，将多个算子融合编译成定制的机器码，或将自定义函数、存储过程等编译成定制的机器码。
数据库在执行引擎中，运用LLVM技术提升SQL的执行速度。如下图所示：
LLVM适用场景
LLVM对所有类型的SQL都会有收益吗？
答案是否定的。
因为执行实时编译本身需要耗费一定的时间（简单表达式能做到毫秒级，复杂情况在百毫秒级），对于查询本身耗时较少的场景，加入LLVM反而会导致性能劣化。
因此，目前LLVM在OLAP/HTAP分析型业务场景中收益较大，有着广泛应用，而在OLTP交易型业务场景中，则相对没有那么广泛。
LLVM在OLTP中就一定没有收益吗？
答案同样是否定的。
找对场景，一样有收益。比如根据ISPRAS 2017年发表的实验结果 jit-compiling sql queries in postgresql using llvm可知：pgbench测试下，OLTP场景中简单的查询加上JIT（Just-in-time及时编译，LLVM天然支持）扩展没有带来性能的提升，甚至将TPS（事务数/秒）从21.8降低到了7.8。
但是在Prepared query（plan cached）的情况下，叠加 JIT技术之后将TPS从20.7提升到了43，性能上有了两倍的提升。
GaussDB中的LLVM
1. LLVM在华为应用于数据库的时间线
华为云数据库在LLVM上的研究还是非常超前的。早在2015年，华为就作为某流行开源数据库社区的全球开发者大会的赞助商，在会上发表的动态编译（Go Faster with Native Compilation）演讲，引起了很大的反响。
当时社区领袖Josh Burkus在其博客里面，用一节篇幅专门详细介绍了华为动态编译的议题。
在2017年，华为在面向OLAP场景的数据库内核中突破了LLVM动态编译技术，并在多个运营商、金融证券的POC项目中帮助客户提升数据处理性能，同时，在软件开发过程中充分模块化、通用化接口设计，将LLVM同年落地到面向OLTP的数据库设计中。
目前，GaussDB数据库对于LLVM也在不断的演进开发。
2. GaussDB LLVM实现简析
GaussDB针对向量化引擎（主要用于分析场景）、行存（主要用于交易场景）都实现了CodeGen。如下图所示，从代码模块层次来看：
1) GaussDB通过API接口层封装处理了LLVM环境、资源、基本元素等。
2) GaussDB在CodeGen层调用API接口进行了不同粒度的实现。
3) GaussDB在执行引擎侧根据情况使用CodeGen技术进行性能优化。
GaussDB启动后会进行LLVM的初始化工作，检查CPU对CodeGen的支持情况，并进行环境初始化。
在执行启动阶段，以表达式为例，程序会判断当前表达式是否可JIT，是的话，则会进行IR函数的生成和生成定制机器码，及原本表达式执行函数的入口替代工作。
在实际执行过程中，运行处理函数（该函数已经在上一阶段进行了入口替代）进行实际执行工作。
在执行结束后的清理阶段，释放LLVM相关资源。
GaussDB使用了阈值codegen_cost_threshold来估算当前查询使用LLVM技术是否能带来收益。如果处理数据的规模大于该阈值后，才会继续使用LLVM技术进行相关处理。该阈值代表行数，也可以理解成处理数据的规模，默认值为100000行，可以调节。
在OLAP场景中，GaussDB在判断是否能够对于一个算子进行CodeGen后（如：数据类型，算子类型判断等），开始生成对应的IR bytecode片段，之后MCJIT模块会调用生成的LLVM Module单元进行执行。
在OLTP场景中，GaussDB则会在Plan Cache场景下结合CodeGen框架，通过缓存机器码的方式，节省下编译生成中间语言IR Func以及优化成机器码的时间，整个过程是异步的。因此，在大量重复查询的场景下，后续的查询也会因为LLVM技术而受益。
另外，为了避免行数估计错误而选择CodeGen导致性能劣化，GaussDB还研发了当前业界独有的异步编译功能，即在查询语句确定要使用CodeGen的时候，将编译工作转交给后台线程，工作线程在JIT函数编译完成前继续使用原始执行逻辑执行，编译完成后，再替换成JIT函数执行。
3. GaussDB LLVM支持加速的场景
支持LLVM的表达式：
行存表达式计算支持的数据类型不受限制。
在向量化执行引擎中，仅当表达式出现在Scan节点的filter、Hash Join节点中的complicate hash condition，hash join filter，hash join target, Nested Loop节点中的filter，join filter, Merge Join节点的merge join filter, merge join target, Group节点中的filter表达式时，才会考虑是否使用LLVM动态编译优化。
在行存执行引擎中，除一次性的表达式计算外，会考虑为所有算子的filter和Targetlist表达式都使用LLVM动态编译优化。
支持LLVM的算子：
Join ：HashJoin（仅向量化执行引擎支持）
Agg ：HashAgg
Sort（仅向量化执行引擎支持）
其中，HashJoin算子仅支持Hash Inner Join，对应的hash cond仅支持int4、bigint、bpchar类型的比较；HashAgg算子仅支持针对bigint、numeric类型的sum及avg操作，且group by语句仅支持int4、bigint、bpchar，text，varchar，timestamp类型操作，同时支持count(*)聚集操作。Sort算子仅支持对int4，bigint，numeric，bpchar，text，varchar数据类型的比较操作。除此之外，无法使用LLVM动态编译优化，具体可通过explain performance工具进行显示。
4. GaussDB LLVM使用建议
GUC参数：
enable_codegen：控制LLVM特性的打开和关闭。目前数据库内核侧默认打开。
codegen_cost_threshold：使用处理行数控制是否开启codegen，默认为10000。10000是通过实验验证得出的优化值，不建议将此值设置的过低。
另外，在开启LLVM特性的前提下，建议在允许的条件下尽可能设置较大的work_mem，如果出现大量下盘，则建议关闭LLVM动态编译优化。用户可通过analysis_options为on(LLVM_COMPILE)，执行对应查询语句，在User Define Profiling中就可以看到LLVM的编译时间。结合此数据，可对codegen_cost_threshold进一步调整以获取更好的查询性能。
5. GaussDB LLVM性能表现
GaussDB实验室分别就codegen打开和关闭进行了TPCH性能测试。
操作系统 | EulerOS release 2.0 (SP8) |
CPU | 128核 * aarch64 |
内存 | 2.0Ti |
表1 测试环境
测试结果显示，打开codegen时，带有qual的SQL，查询性能都有明显提升，且提升比例与qual在整个SQL中的占比相关，像Q6、Q12、Q19等qual占比较高的查询，性能提升也较多。
TPCH | 数据量 | qual（Expr） | 测试结果 | 性能提升 | |
关 | 开 | ||||
Q6 | 0.9亿 | l_shipdate >= '1994-01-01'::date | 66 | 52 | 21% |
Q12 | 6.0亿 | and l_shipmode in ('MAIL', 'SHIP') | 306 | 210 | 31% |
Q19 | 6.0亿 | and l_shipmode in ('AIR', 'AIR REG') | 296 | 208 | 30% |
表2 TPCH 部分Query的测试结果
TPCC的性能提升并没有TPCH那么多，但据实验室数据，打开codegen后，tpmC提升了约7%。
总结
LLVM被广泛运用于数据库、大数据、AI等领域。在数据库领域，多家商业数据库和开源数据库都应用其加速数据库处理。GaussDB作为企业级的数据库，经过了多年的技术发展，具备丰富的技术特性，使用该技术后提升了系统的查询性能，使得客户在OLAP和OLTP多场景中均受益。
“【分享集赞回帖赢好礼】LLVM技术在GaussDB等数据库中的应用”活动来啦！参与就有机会赢取华为背包、华为云定制短袖、蓝牙音箱、书籍等好礼！
活动时间：2024/5/28-6/17
如何参与？
点击链接：华为云论坛_云计算论坛_开发者论坛_技术论坛-华为云
关注#华为云开发者联盟#点击下方，第一时间了解华为云新鲜技术~
