KunlunDB 查询优化（一）

前言

前面介绍了KunlunDB的架构以及技术，应该会有朋友好奇其查询优化的过程吧，本篇章带来的是查询优化这一块的具体流程介绍，后续也会出一篇实例来举例演示。

当然后续也会对KunlunDB的其它技术方面（比如数据分片这些）做实例演示，以方便大家去了解KunlunDB。

查询优化流程

KunlunDB是计算和存储分离的分布式数据库系统，当一条查询SQL发送到KunlunDB任一计算节点（CN）时，KunlunDB语法解析器（Parser）首先会对原始查询文本做出解析以及一些简单的合法性验证，之后会对查询做逻辑优化：如查询重写，分区修剪，列裁剪，谓词下推等。

KunlunDB在逻辑优化过程中会采取最大下推的策略。

计算下推不但可以避免CN和DN间数据网络交互还可以充分利用多分片并发执行的能力和各个DN资源，加速查询。

优化后的算子分为两类：

• 可以下推的算子：RemoteScan将该算子推送到对应的数据节点上执行，执行完成后拉取相应的数据到计算节点做后继处理。支持下推的算子包括：过滤条件，如WHERE或HAVING中的条件。聚合算子，如COUNT，GROUP BY等，会分成两阶段进行聚合计算。排序算子，如ORDER BY，JOIN和子查询。Project,投影操作。Distinct排重。

• 无法下推的部分算子：如跨 shard 的join，需要将数据从数据节点拉取到计算节点做计算，优化器会选择最优的方式来执行，如选择合适的并行度策略等

   

全局执行流程如下：

优化流程如下：

 

最大下推策略如下：

综述：为获取最大性能，在定义分区键时要充分考虑业务在执行SQL 语句的场景，以最大限度避免跨节点数据操作。

项目已开源

【GitHub：】
https://github.com/zettadb

【Gitee：】
https://gitee.com/zettadb

-END