多維分析的後臺效能優化手段

多維分析就是針對一個事先準備好的資料立方體實施旋轉、切片（切塊）、鑽取等互動操作的過程，經常也被直接稱為OLAP。它的後臺運算在結構上很簡單，如果用SQL語法描述，大體形式為：

即對立方體按某些維度分組彙總某些測度。其中C是資料立方體，D,...是選出維度，M,...是聚合測度，聚合函式也可以不是SUM。D'是切片維度，切塊時條件為D IN (d,...)，WHERE中還可以增加針對某些測度的條件，一般也就是選出某個區間內的值。

OLAP需要即時響應，對效能要求很高，而這個運算形式雖然很簡單，但資料量大時的計算量也不小，如果不設法優化，效率就可能很差。下面我們介紹多維分析後臺建設時幾種經常被採用的效能優化手段。

預先彙總是早期OLAP產品常用的手段，簡單地就是拿空間換時間。把部分或者全部維度組合（GROUP BY子句）的彙總值（SELECT中的聚合測度）先計算出來儲存，以後的計算可以直接取出或從這些中間結果再計算，效能會好很多。

預先彙總佔用的空間有點大。如果儲存全部維度組合，一般應用場景下（十幾到幾十個維度，維度取值範圍在幾到幾十之間），簡單計算可知，空間佔用會比原始立方體大數倍到數十倍（(k1+1)*(k2+1)*...與k1*k2*...之間的比，還要考慮多種聚合函式）。雖然要保證即時響應時立方體都不會太大，但再大幾十倍經常也還是難以接受的。

折衷辦法是隻儲存部分維度組合。OLAP過程中在介面上呈現出來的分組維度（GROUP BY子句）不會太多，可以只彙總所有m個維度的組合，在m不太大時（一般不超過5），空間增長還可以容忍，而使用者的大多數操作都可以得到較迅速響應。

麻煩在於，部分彙總解決不了針對其它維度的切片條件，鑽取動作就是以切片為基礎的。而且，即使全量彙總也無法處理測度上的條件（比如銷售額超過1000元的統計），而多維分析時常常允許這些動作，甚至聚合函式也可能帶有條件（只合計100元以下的費用），這些都無法使用預先彙總的結果。

預先彙總只能解決小部分最常見的計算，更多的情況還是要靠硬遍歷。

多維分析本質上是過濾和分組彙總，這種運算很容易並行。只要簡單地資料拆成多段後分別處理，收集到結果再彙總。各個子任務之間沒有依賴關係，無論是單機多執行緒還是叢集多機或者綜合有之，都不難實現。

多維分析的結果是要呈現給人看的，而人可以觀察的資料量遠遠小於現代計算機的記憶體。可以放入記憶體的小結果集不需要和外存交換，程式設計複雜度較低，運算效能也好。如果運算時發現結果集太大是可以直接報告給介面相應資訊並中止。

實踐測試表明：多執行緒計算時，不要採用各子任務向同一個結果集彙總的方案，這樣看起來會減少記憶體佔用（各子任務共用一個最終結果集），但多執行緒搶佔同一資源需要的同步動作會嚴重影響效能。

執行緒數也不是越多越好，顯然超過CPU核數就沒有意義了。如果資料在外存，還要考慮硬碟的併發能力，一般會比CPU核數小很多，具體合適的數值需要實際測試才知道。

在資料不再變化時分段也容易，按記錄數切分後設定分段點即可。資料可追加時要做到較平均的分段會有些麻煩，以後再另外撰文陳述。

對於單個計算任務，並行後常常有數倍的效能提升。但是，OLAP操作本身就是個併發性事務，即使使用者數不大，也足以抵消平行計算帶來的效能提升。

還要再想辦法。

沒有切片的彙總運算總是要涉及全量資料，如果不是預先彙總，也沒什麼辦法再減少計算量了。但有切片運算時（鑽取動作），如果資料能合理組織，就未必要遍歷所有資料了。

如果我們為維度D建立索引（即把各記錄的D值及記錄位置按D值排序），那麼涉及D的切片條件就可以迅速定位到相應的記錄上（簡單二分法），不需要遍歷全量資料，計算量常常會有數量級的減少（取決於D的取值範圍）。理論上我們可以為每個維度都建立索引，這個成本並不算高，這樣只要涉及有切片時，效能就會大幅提升。

需要指明的是，為多個維度D1,D2建立的多欄位索引用處並不大，它不能用於迅速定位只有D2的切片，只能用於對D1,D2都有切片條件的情況。在選擇取值範圍最大的那個切片維度用於定位後，計算量減少已經很多了，其它維度的切片可以仍用遍歷手段。

不幸的是，這種原始方案只適用於可以頻繁小量訪問的記憶體資料。如果資料量大到必須放在外存中（而這是經常發生的），按索引大量取出實際上並未連續儲存的資料時，效能並不會有明顯提高。外存資料必須被真實排序、保證相應切片的資料是連續儲存的，效能提升才會有效。

如果對每個維度都做排序，那相當於資料要被複制若干倍，這個成本就有點高了。

一個折衷的辦法是把做兩個，按維度D1,...,Dn排序一次，再按Dn,...,D1排序一次，資料量只是翻倍，還能容忍。總能找到一個切片維度在兩個維度排序列的前半部分，這樣該維度切片的資料還是基本連續的，效能提升仍會較為明顯。

對付多維分析還有個大殺器：列式儲存。

多維分析的立方體中欄位（維度和測度）常常都很多，幾十個上百個都很正常，但同時需要取用的欄位並不多，如果不算切片維度，通常也就5個左右或更少。而切片可以用上面的索引方案解決，實際要遍歷的欄位也仍然不多。

這時候列存就會有巨大優勢了。外存計算的IO時間佔比相當大，減少資料讀取量比減少運算量常常能更有效地提高效能。一個100個欄位的立方體，如果只取5個欄位時，IO開銷只有1/20，這會帶來數量級的效能提升。

列存還有個優勢是可以壓縮資料量。如果按前述所說將資料按維度D1,...,Dn排序儲存，我們會發現D1在連續許多記錄中取值都相同，D2也是類似，但程度會弱一些，越往後的維度連續相同的程度越弱，Dn就會幾乎沒有相同連續值。連續相同的值沒必要重複儲存，可以只存一次並記錄個數，這樣將可以進一步減少儲存量，也就是減少外存IO訪問量，從而提高效能。

當然，列存也並不全是好處。

因為不減少計算量，列存對於記憶體資料用處不大。不過壓縮儲存方式仍然有意義，可以減少記憶體佔用。

使用列存會使分段並行及建立索引的處理變得更復雜，各個列需要同步分段才能並行處理，索引也需要同步指向所有列，而使用壓縮機制後同步更為麻煩。不過，總得來講，在資料已經確定不再變化時，雖然麻煩，但難度並不算大，只是別忘處理了就行。

列存還會加大硬碟的併發壓力，在總欄位數不多或取用欄位較多時並沒有優勢。對於機械硬碟，如果再使用並行手段進一步加劇併發壓力，很可能導致效能不升反降的結果，對於易於併發的固態硬碟使用列存較為合適。