JIT 代码生成技术（二）查询编译执行

发表于 2019-02-28 更新于 2023-07-16 Disqus：

代码生成（Code Generation）技术广泛应用于现代的数据系统中。代码生成是将用户输入的表达式、查询、存储过程等现场编译成二进制代码再执行，相比解释执行的方式，运行效率要高得多。

上一篇文章代码生成技术（一）表达式编译中提到，虽然表面上都叫“代码生成”，但是实际可以分出几种粒度的实现方式，比如表达式的代码生成、查询的代码生成、存储过程的代码生成等。今天我们要讲的是查询级别的代码生成，有时也称作算子间（intra-operator）级别，这也是主流数据系统所用的编译执行方式。

本文主要参考了 HyPer 团队发表在 VLDB'11 的文章 Efficiently Compiling Efficient Query Plans for Modern Hardware。

Volcano 经典执行模型

为什么要用编译执行？编译执行有哪几种实现？这些问题的答案都写在前一篇文章里，还有困惑的同学务必先看完前一篇文章再回来。

今天说的主角是查询（Query）的编译执行，在讲它之前，看看经典 Volcano 模型是怎么做的。Volcano 模型十分简单（这也是它流行的主要原因）：每个算子需要实现一个 next() 接口，意为返回下一个 Tuple。

Query 1 是一个很简单的查询，Project 会调用 Filter 的 next() 获得数据，Filter 的 next() 又会调用 TableScan 的 next()，TableScan 读出表中的一行数据并返回。如此往复，直到数据全部处理完。

Query 2 复杂一些，它包含一个 HashJoin。我们知道 HashJoin 的两个子节点是不对称的，一边称为 build-side，另一边称为 probe 或 stream-side。执行时，必须等待 build-side 处理完全部数据、构建出哈希表之后，才能运行 stream-side。

因为这个原因，执行的过程其实被分成了两个阶段（图中浅灰色的背景）。在 Volcano 模型中，这也很容易实现，我们试着写一下 HashJoin 的伪代码：

Row HashJoin::next() {
    // Stage 1: Build Hash Table (HT)
    if (HT is not built yet) // 注意：Build 仅在第一次调用 next() 时发生
        while ((r = left.next()) != END)
            ht.put(buildKey(r), buildValue(r))
    // Stage 2: Probe tuples one by one
    while (r = right.next())
        if (HT contains r)
            output joined row;
}

这个构建哈希表的过程，我们称为物化（Materialize），意味着 Tuple 不能继续往上传递，而是被暂存到某个 buffer 里。而大多数时候，例如执行 Filter 等算子时，Tuple 是被一路传上去的，这被称为 Pipeline。显然物化的代价是比较高的，我们希望尽可能多的 Pipeline 而避免物化。

Query 3 中的 Aggregate 算子也有类似的情况：在 Aggregate 返回第一条结果之前，我们要把下面所有的数据都聚合完成才行。

我们称 HashJoin、HashAgg 这种打断 Pipeline 的算子为 Pipeline Breaker，它们的存在使得执行过程被分成了不止一个阶段。值得注意的是，这里之所以分成多个阶段，是因为 HashJoin 或 HashAgg 算法本身决定的，跟 Volcano 执行模型无关。

Volcano 的性能问题

Volcano 执行模型胜在简单易懂，在那个硬盘速度跟不上 CPU 的时代，性能方面并不需要考虑太多。然而随着硬件的进步，IO 很多时候已经不再是瓶颈，这时候人们就开始重新审视 Volcano 模型，于是产生了两种改进思路：

将 Volcano 迭代模型和向量化模型结合，每次返回一批而不是一个 Tuple；
利用代码生成技术，消除迭代计算的性能损耗。

关于这两个方案哪个更优，这里有一篇非常棒的论文做了很详尽的实验和分析。

当然，作为今天的主题，我们只看第二个思路。就像表达式解析执行一样，Volcano 其实是对算子树的解释执行，它也同样存在这些问题：

每产生一条结果就要做很多次虚函数调用，消耗了大量的 CPU 时间；
过多的函数调用导致不能很好的利用寄存器。

我们来思考一个问题，如果让你去把 Query 1 写成代码来执行，会是什么样的呢？答案非常短，短的令人惊讶：

右图中用不同颜色标出了原来的算子，其中 condition = true 是一个表达式，按照上一篇文章讲解的方法就能生成出代码，然后放到这边 if 的条件上即可。

这两个的执行效率应该很容易看出差距吧！生成出的代码完全消除了虚函数调用，而且 Tuple 几乎一直在高速缓存甚至寄存器中。论文中也提到，随便找个本科生手写代码，执行性能都能甩迭代模型几条街。

再看个更复杂的例子找找感觉，以下查询（记作 Query 4）混合了 Join、Aggragate 甚至子查询，之前我们说到，这些算子是 Pipeline Breaker，执行过程被不可避免的分成几个阶段；除此以外，我们希望其他部分尽可能地做到 Pipeline 执行。

这个例子有点长，但如果你能花上两三分钟看懂它，相信你对代码生成已经有了些直觉上的理解，这对你理解掌握下一章节的内容大有帮助。

图中我用不同颜色出了 HashJoin、HashAgg 三个算子各自的代码，可以看出，它们各自的代码逻辑被“分散”到了不止一处地方，甚至代码中已经很难分辨出各个算子，而是全都融合（Fusion）到一块儿了。

这就是我们想要的结果！好了，下一步终于进入了正题：如何自动生成出这样的代码呢？

很多人有个错觉，以为数据库查询过程那么复杂，生成的代码一定也很复杂吧。其实不然，查询中复杂的部分，例如 HashJoin 中哈希表实现、TableScan 读取数据的实现等，这些并不用生成很多代码，仅仅只是调用现有的函数即可，比如 LLVM IR 可以调用已存在的任何函数。

换个角度看，生成的代码不过是把这些算子的实现以更高效的方式串联在了一起：算子自身逻辑就像齿轮，生成的代码好比连接齿轮的链条。

HyPer 的解决方案

代码生成是个纯粹的工程问题。工程问题没有什么不能解的，难就难在找到其中最漂亮的解。比如现在这个问题，为了编程的优雅，我们希望造一个可扩展的框架：不论哪个算子，只要实现某种接口（就像 Volcano 模型要求实现 next() 接口一样），就能参与到代码生成中。

论文中给出的解法可以说是十分优雅了，模型要求所有算子实现以下两个接口函数：

produce()
consume(attributes, node)

代码生成的过程总是从调用根节点的 produce() 开始；而 consume() 类似于一个回调函数，当下层的算子完成自己的使命之后，调用上层的 consume() 来消费刚刚产生的 tuples——注意这里并不是真的消费。

用例子来说明。下面是一个伪代码版本的若干算子实现。produce() 和 consume() 返回的类型都是生成的代码片段，这里为了方便演示直接用字符串表示。真实世界中当然要更复杂一些。

表中红色的字符串是生成的代码，黑色的则是 code-gen 本身的代码。回忆一下：代码生成其实就是用各种手段拼出代码（字符串）来，没什么神秘的。

不满足于伪代码的同学可以尝试阅读 HyPer 的论文（生成 LLVM IR）或者 Spark SQL 中的 CodeGenerator 实现（生成 Java 代码），后者的代码相对更容易理解些。

思考：这是唯一的解法吗？*

为什么是 produce/consume 呢？是否存在更简单的解呢？这里给出我的推导思路，你可以跳过这一段，毕竟每个人的脑回路是不一样的。

首先，如果只有一个接口函数，不妨叫它 produce()，一定是不够用的。为什么这么说呢？一个函数充其量只能做出类似 DFS 的效果：每个算子只会被经过一次。这对 Query 1 还不是问题，但对于上文中复杂的 Query 4，HashJoin 的两部分代码离得那么远，用 DFS 就很难做到了。

为了处理 HashJoin，我们该增加一个怎样的函数呢？我认为它应该类似于一个回调，比如 Query 4 中，当 DFS 进行到时，我希望通过一种某种方式告诉下面的：当你拿到结果后，只要用我传给你的方法去消费这些 Tuples（生成消费这些 Tuples 的代码）。这个方法，不妨叫做 consume()。

顺理成章的，consume() 至少有个参数来传递需要消费的 tuples 有哪些列。另外，还需要一个参数用来指示：调用者是左孩子还是右孩子？这等价于传 this。

以上。因此我倾向于了认为，论文提出的 produce/consume 模式可能是唯一正确的方法，即使存在其他算法，我猜想也是大同小异。

Volcano 经典执行模型

Volcano 的性能问题

HyPer 的解决方案

思考：这是唯一的解法吗？*

References