Kylin源码解析——Cube构建过程中如何实现降维
-维度简述
Kylin中Cube的描述类CubeDesc有两个字段,rowkey和aggregationGroups。
@JsonProperty("rowkey") private RowKeyDesc rowkey; @JsonProperty("aggregation_groups") private List aggregationGroups;
其中rowkey描述的是该Cube中所有维度,在将统计结果存储到HBase中,各维度在rowkey中的排序情况,如下是rowkey的一个样例,包含6个维度。在描述一种维度组合时,是通过二进制来表示。?
如这6个维度,都包含时,是 111111。?
如 111001,则表示只包含INSERT_DATE、VISIT_MONTH、VISIT_QUARTER、IS_CLICK这四个维度。?
二进制从左到右表示的就是rowkey_columns中各个维度的包含与否,1包含,0不包含。?
这样的一个二进制组合就是一个cuboid,用long整型表示。
"rowkey": { "rowkey_columns": [ { "column": "DW_OLAP_CPARAM_INFO_VERSION2.INSERT_DATE", "encoding": "dict", "isShardBy": false }, { "column": "DW_OLAP_CPARAM_INFO_VERSION2.VISIT_MONTH", "encoding": "dict", "isShardBy": false }, { "column": "DW_OLAP_CPARAM_INFO_VERSION2.VISIT_QUARTER", "encoding": "dict", "isShardBy": false }, { "column": "DW_OLAP_CPARAM_INFO_VERSION2.BUSINESS_TYPE", "encoding": "dict", "isShardBy": false }, { "column": "DW_OLAP_CPARAM_INFO_VERSION2.SHOP_TYPE", "encoding": "dict", "isShardBy": false }, { "column": "DW_OLAP_CPARAM_INFO_VERSION2.IS_CLICK", "encoding": "dict", "isShardBy": false }, ] }
而aggregationGroups则描述的是这些维度的分组情况,也就是在一个Cube中的所有维度,可以分成多个分组,每个分组就是一个AggregationGroup,各AggregationGroup之间是相互独立的。
对于所有的维度为什么要做分组?
在Kylin中会预先把所有维度的各种组合下的统计结果原先计算出来,假设维度有N个,那么维度的组合就有2^N中组合,比如N=6,则总的维度组合就有2^6=64种。
如果能够根据实际查询的需求,发现某些维度之间是不会有交叉查询的,那其实把这些维度组合的统计结果计算出来,也是浪费,因为后续的查询中,压根不会用到,这样既浪费了计算资源,更浪费了存储资源,所有可以按实际的查询需求,将维度进行分组,比如6个维度,分成2组,一组4个维度,一组2个维度,则总的维度组合则是2^4+2^2=20,比64小了很多,这里的分组这是举例说明分组,可以有效的减少维度组合,从而缩减存储空间,另外各个分组之间是可以有共享维度的,比如6个维度,可以分成两组,一组4个,另一组3个,两个分组中的共享维度,在后续计算中,其对应的统计结果不会被计算两次,只会计算一次,这也是Kylin聪明的地方。
一个AggragationGroup中包含includes和selectRule两个字段,其中includes就是该分组中包含了哪些维度,是一个字符串数组。
@JsonProperty("includes") private String[] includes; @JsonProperty("select_rule") private SelectRule selectRule;
AggregationGroup详见?https://mp.weixin.qq.com/s?__biz=MzAwODE3ODU5MA==&mid=2653077921&idx=1&sn=89ae88bc63e71098166b74df7106c7bf&chksm=80a4bf50b7d3364692903aac3e901d09a516a8ff635e690e1e22b1d96abb4b2925c98cdace82&scene=21
强制维度——在每一个维度组合中都必须出现的维度,详见?https://mp.weixin.qq.com/s?__biz=MzAwODE3ODU5MA==&mid=2653077943&idx=1&sn=007d2ba345d0e25ec12807aa47f9913d&chksm=80a4bf46b7d33650465d33e20dac7edc09a7ad9308d77de6a501685c8ae00cba661c1d612074&scene=21
层级维度——则是那些有层级关系的维度,如省、市、县,详见?https://mp.weixin.qq.com/s?__biz=MzAwODE3ODU5MA==&mid=2653077929&idx=1&sn=c76ed1fbb745945a077d9ca99f159a4d&chksm=80a4bf58b7d3364e0346ad9c433d4e32c57d45f41b361ae653c64c7fcebab21238793d2f66cb&scene=21
联合维度——则是那些要么不出现,要出现就必须一起出现的维度,详见?https://mp.weixin.qq.com/s?__biz=MzAwODE3ODU5MA==&mid=2653077926&idx=1&sn=a0037628bd102ec8e607d67204cbfa7c&chksm=80a4bf57b7d336419896c9e801a51f08ead2f7727d0d0ec0f9e3b7799ae3c302ebea54f93cc0&scene=21
如下是只有一个分组的样例。
"aggregation_groups": [ { "includes": [ "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCID_SEARCH", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.BUSINESS_TYPE", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCID0”, "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCID1”, "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCID2”, "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCID3", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCNAME0", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCNAME1", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCNAME2", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCNAME3", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.INSERT_DATE", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.SHOP_TYPE” "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.USERID", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.SHOPID" ], "select_rule": { "hierarchy_dims": [ [ "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCID0", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCID1", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCID2", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCID3" ], [ "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCNAME0", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCNAME1", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCNAME2", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.FCNAME3" ] ], "mandatory_dims": [ "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.INSERT_DATE", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.BUSINESS_TYPE" ], "joint_dims": [ "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.USERID", "DW_OLAP_AD_NORMAL_CONTRAST_VERSION2.SHOPID" ] } } ]
-cuboid的有效性判断
在进行降维分析之前,先简单减少一下,给定的一个cuboid的,比如 110011 ,这样一个cuboid,如何判断在一个AggregationGroup中是否是有效的?判断逻辑在Cuboid类的isValid方法中,就是用来判断给定的一个cuboidID,在一个AggregationGroup中是否是一个合法有效的cuboidID。
static boolean isValid(AggregationGroup agg, long cuboidID) { // 前面说明,一个cuboidID就是一组维度的组合,1位包含,0为不包含,所以cuboidID必定大于0 if (cuboidID <= 0) { return false; //cuboid must be greater than 0 } // 一个cuboidID在一个AggregationGroup中是否有效的前提,是它包含的维度必须都要是该AggregationGroup中的维度才行 // agg.getPartialCubeFullMask()获取的就是该AggregationGroup中所有维度组成的一个掩码 if ((cuboidID & ~agg.getPartialCubeFullMask()) != 0) { return false; //a cuboid's parent within agg is at most partialCubeFullMask } // 接下来则分别进行了强制维度、层级维度、联合维度的校验,都校验通过时,才能算是有效合法的 return checkMandatoryColumns(agg, cuboidID) && checkHierarchy(agg, cuboidID) && checkJoint(agg, cuboidID); }
从上面的逻辑可以看出,判断一个cuboidID在一个AggregationGroup中是否合法有效的逻辑很清晰,首先该cuboidID要至少包含一个维度,然后包含的维度需要是该AggregationGroup中维度的子集,最后就是在进行强制维度、层级维度、联合维度的规则校验。
强制维度的校验逻辑,简单说就是cuboidID中需要包含强制维度的所有维度,另外当,cuboidID中只包含强制维度的维度时,则根据配置中是否允许这种情况,进行判断,具体逻辑如下:
private static boolean checkMandatoryColumns(AggregationGroup agg, long cuboidID) { // agg.getMandatoryColumnMask() 获取的是所有强制维度组成的二进制 long mandatoryColumnMask = agg.getMandatoryColumnMask(); // 如果没有包含所有强制维度,则返回false if ((cuboidID & mandatoryColumnMask) != mandatoryColumnMask) { return false; } else { // 如果包含了整个cube的所有维度,则总是返回true的 if (cuboidID == getBaseCuboidId(agg.getCubeDesc())) { return true; } // 如果配置中允许该cuboidID中的维度都是强制维度,则返回true // 如果不允许全部,则cuboidID中需要包含除强制维度以为的维度 return agg.isMandatoryOnlyValid() || (cuboidID & ~mandatoryColumnMask) != 0; } }
层级维度的校验逻辑,校验逻辑简单明了,只要cuboidID中包含某个层级维度中的维度,则必须与该层级维度的某个具体的组合相匹配才行,否则就是无效的。
比如省、市、县这样一个层级维度,当cuboidID中包含省、市、县这三个维度中的某些维度的时候,也即是cuboidID & hierarchyMasks.fullMask 大于0的时候,则cuboidID中包含的这个层级维度的组合只能是 《省》、《省、市》、《省、市、县》这三种组合,如果包含的是《省、县》或者《市、县》或者其他组合,则都是无效的。具体逻辑如下。
private static boolean checkHierarchy(AggregationGroup agg, long cuboidID) { List hierarchyMaskList = agg.getHierarchyMasks(); // if no hierarchy defined in metadata if (hierarchyMaskList == null || hierarchyMaskList.size() == 0) { return true; } hier: for (HierarchyMask hierarchyMasks : hierarchyMaskList) { // 如果包含了某个层级维度组中的维度,则就需要包含该层级维度组中的某种具体组合才行 long result = cuboidID & hierarchyMasks.fullMask; if (result > 0) { for (long mask : hierarchyMasks.allMasks) { if (result == mask) { continue hier; } } return false; } } return true; }
联合维度的校验逻辑,联合维度顾名思义,就是连在一起的,要么一起出现,要么都不出现,校验逻辑如下:
private static boolean checkJoint(AggregationGroup agg, long cuboidID) { for (long joint : agg.getJoints()) { long common = cuboidID & joint; // 如果包含了某个联合组中的维度,则就必须包含该联合组中的全部维度 if (!(common == 0 || common == joint)) { return false; } } return true; }
上述分析了判断一个cuboidID在一个AggregationGroup中是否有效的判断,那判断一个cuboidID在一个Cube中是否有效,就是判断这个cuboidID在该Cube的所有AggregationGroup中都是有效的,逻辑如下:
public static boolean isValid(CubeDesc cube, long cuboidID) { //base cuboid is always valid if (cuboidID == getBaseCuboidId(cube)) { return true; } // 就是这个循环,遍历了所有的AggregationGroup for (AggregationGroup agg : cube.getAggregationGroups()) { if (isValid(agg, cuboidID)) { return true; } } return false; }
-降维逻辑
对于维度的升降操作主要在类CuboidScheduler中,对应的方法则是
public Set getPotentialChildren(long parent) { ... } public long getParent(long child) { ... }
首先来看getPotentialChildren这个方法,就是给定一个cuboid,找出其所有的潜在的子cuboid,这里的子cuboid就是说parent通过减少一个或者多个维度,得到的新的cuboid。
public Set getPotentialChildren(long parent) { // Cuboid.getBaseCuboid(cubeDesc).getId() 获取的就是该Cube的所有维度都存在的cuboid,比如6个维度,则111111 // Cuboid.isValid(cubeDesc, parent) 是判断parent这个cuboid是不是一个有效的cuboid // 这里就是判断给的parent这个cuboid是否是一个有效的cuboid if (parent != Cuboid.getBaseCuboid(cubeDesc).getId() && !Cuboid.isValid(cubeDesc, parent)) { throw new IllegalStateException(); } HashSet set = Sets.newHashSet(); if (Long.bitCount(parent) == 1) { // 如果parent中只包含一个维度了,则就不需要在进一步降维了,再降维就是空了 return set; } // 如果parent包含了Cube中的所有维度 if (parent == Cuboid.getBaseCuboidId(cubeDesc)) { //那么这个时候,parent的子cuboidID中,就应该包含Cube中的所有AggregationGroup的BaseCuboidID for (AggregationGroup agg : cubeDesc.getAggregationGroups()) { long partialCubeFullMask = agg.getPartialCubeFullMask(); if (partialCubeFullMask != parent && Cuboid.isValid(agg, partialCubeFullMask)) { set.add(partialCubeFullMask); } } } // Cuboid.getValidAggGroupForCuboid(cubeDesc, parent)就是找出Cube中,parent在其中合法的AggregationGroup // 然后依次遍历这些AggregationGroup for (AggregationGroup agg : Cuboid.getValidAggGroupForCuboid(cubeDesc, parent)) { // 对于普通的维度,就是除去强制维度、层级维度、联合维度之后,还剩下的维度 for (long normalDimMask : agg.getNormalDims()) { long common = parent & normalDimMask; long temp = parent ^ normalDimMask; // 对于每一个普通维度 // 如果在parent中存在,则将其从parent中移除后降维得到的temp,如果在该group中,仍然是一个有效的cuboidID,则算一个parent的child if (common != 0 && Cuboid.isValid(agg, temp)) { set.add(temp); } } // 特别注意一下,这里为了简单理解,所以假设的parent和层级维度的取值,都是顺序的, // dims一次为00000100、00000010、00000001, // 真实的情况是dims的取值可能为 00000001、10000000、00010000,这里的顺序都是反映了该维度在rowkey中的顺序 * // 针对层级维度的降维 // 建设parent为 11111111 // 层级维度为 fullMask 00000111 , allMasks 为 00000100、00000110、00000111, dims为 00000100、00000010、00000001 // for (int i = hierarchyMask.allMasks.length - 1; i >= 0; i--)这层循环,allMasks[i]遍历顺序为 00000111、00000110、00000100 // 比如第一次循环allMasks[i]取00000111,与parent与操作,就是判断allMasks[i]中的维度是否都包含在parent中,如果都包含在parent中,进入if条件 // 这时候取出allMasks[i]为00000111,这个组合中的最低级的维度为00000001,然后判断该维度是否是联合维度的一员,如果不是,进入if条件 // 然后将层级维度的最末一级去掉,这里就是去掉00000001这一维度,去掉后的cuboidID为 11111111^00000001=11111110 // 然后判断11111110是否在该group中是一个有效的cuboidID,如果是,则作为parent的child for (AggregationGroup.HierarchyMask hierarchyMask : agg.getHierarchyMasks()) { for (int i = hierarchyMask.allMasks.length - 1; i >= 0; i--) { // 只有当层级维度中的某个组合中的维度都在parent中时,才进入if条件 if ((parent & hierarchyMask.allMasks[i]) == hierarchyMask.allMasks[i]) { // 所有联合维度中都不包含当前层级维度组合中的最低维度时,进入if条件 if ((agg.getJointDimsMask() & hierarchyMask.dims[i]) == 0) { if (Cuboid.isValid(agg, parent ^ hierarchyMask.dims[i])) { //only when the hierarchy dim is not among joints set.add(parent ^ hierarchyMask.dims[i]); } } break; //if hierarchyMask 111 is matched, won't check 110 or 100 } } } //joint dim section // 联合维度相对比较简单,如果包含某个联合维度,则将其全部去除,再判断其有效性,如果有效,则加入parent的child队列 for (long joint : agg.getJoints()) { if ((parent & joint) == joint) { if (Cuboid.isValid(agg, parent ^ joint)) { set.add(parent ^ joint); } } } } return set; }
降维操作主要是就是针对3类维度进行降维操作,普通维度(一个AggregationGroup的所有维度除去强制维度、层级维度、联合维度之后还剩余的维度)、层级维度、联合维度。
普通维度的降维就是首先判断parent是否包含该普通维度,如果包含,则将其从parent中移除,然后判断移除后的cuboidID在该AggregationGroup中是否有效合法;
层级维度的降维,首先parent中需要包含某个层级维度的某种组合,然后再将该层级维度组合中的最末级的维度移除,得到的cuboidID再去校验合法性;
联合维度的降维最直接明了,包含就全部去除,然后校验合法性。
以上就是通过一个给定的cuboidID,获取所有可能的子cuboidID的逻辑,也就是降维的过程。
-升维逻辑
那既然进行降维操作已经有了,为什么还要有一个getParent方法呢?其实从方法名中可以一探一二,getPotentialChildren获取可能的孩子,这就是说getPotentialChildren方法的逻辑获取的所有child只是说,可能是parent的child,但未必真的是,所以在getSpanningCuboid方法中,先通过getPotentialChildren获取了所以潜在的child,然后又对每一个potential,都去获取其对应的父亲,看是否与给定的这个parent一致,如果一致,才说明父子相认,也就是父亲认了儿子,同时也需要儿子认了父亲才行。
public List getSpanningCuboid(long cuboid) { if (cuboid > max || cuboid < 0) { throw new IllegalArgumentException("Cuboid " + cuboid + " is out of scope 0-" + max); } List result = cache.get(cuboid); if (result != null) { return result; } result = Lists.newArrayList(); Set potentials = getPotentialChildren(cuboid); for (Long potential : potentials) { if (getParent(potential) == cuboid) { result.add(potential); } } cache.put(cuboid, result); return result; } 接着看下getParent的逻辑,getParent方法的逻辑与getPotentialChildren的逻辑刚好反过来,是一个升维的过程。 public long getParent(long child) { List candidates = Lists.newArrayList(); long baseCuboidID = Cuboid.getBaseCuboidId(cubeDesc); // 如果该child等于fullMask 或者 该child不是有效的cuboidID,则抛异常 // 这也好理解,fullMask是不可能存在父亲的,因为它就是所有cuboidID的老祖宗 if (child == baseCuboidID || !Cuboid.isValid(cubeDesc, child)) { throw new IllegalStateException(); } // 这里与getPotentialChildren一样,也是首选找出所有可能的AggregationGroup,然后开始遍历 for (AggregationGroup agg : Cuboid.getValidAggGroupForCuboid(cubeDesc, child)) { // thisAggContributed 这个变量标识 当前该AggregationGroup是否已经贡献出了一个parent boolean thisAggContributed = false; // 这里也好理解,如果child就是该AggregationGroup的基cuboidID,那么它的父亲只能是Cube的基cuboidID if (agg.getPartialCubeFullMask() == child) { return baseCuboidID; } //+1 dim //add one normal dim (only try the lowest dim) // 这里只会添加lowest维度,是跟最后的Collections.min有呼应的 // 因为最后只会选择所有满足条件中的维度数最少,在相同维度数中,值最小的那个候选者, // 所以这里就没有必要把高位的维度添加进去,反正最后也会被过滤掉 // 这一点在后面的升维中都会有所体现 long normalDimsMask = (agg.getNormalDimsMask() & ~child); if (normalDimsMask != 0) { candidates.add(child | Long.lowestOneBit(normalDimsMask)); thisAggContributed = true; } // 开始层级维度的升维 for (AggregationGroup.HierarchyMask hierarchyMask : agg.getHierarchyMasks()) { if ((child & hierarchyMask.fullMask) == 0) { // 这里只加入*的那个维度,其他维度不继续处理的原因,也是跟最后的排序,只取维度最少有关 candidates.add(child | hierarchyMask.dims[0]); thisAggContributed = true; } else { for (int i = hierarchyMask.allMasks.length - 1; i >= 0; i--) { // 只有与层级维度的某个组合匹配时,才会进入if条件 if ((child & hierarchyMask.allMasks[i]) == hierarchyMask.allMasks[i]) { if (i == hierarchyMask.allMasks.length - 1) { // 感觉这里应该用break,而不是continue,虽然这里用contine也不会有问题 // 如果某个层级维度的所有维度都已经在child中,则child无法再添加维度来形成parent了 // 比如省、市、县,如果child中已经包含了省、市、县,则没法再进一步添加这个层级的维度了 continue;//match the full hierarchy } if ((agg.getJointDimsMask() & hierarchyMask.dims[i + 1]) == 0) { // 如果是 省、市,则可以添加一个 县 维度进来,如果是省,则可以添加一个 市 维度进来 if ((child & hierarchyMask.dims[i + 1]) == 0) { //only when the hierarchy dim is not among joints candidates.add(child | hierarchyMask.dims[i + 1]); thisAggContributed = true; } } // 这里的break,就是说,如果已经有一个多维层级组合满足要求了,就无需进一步检查少维度的层级组合了 // 比如已经 省、市,这个组合已经满足了,就没必要再去检查 省 这个维度组合了。 break;//if hierarchyMask 111 is matched, won't check 110 or 100 } } } } // 如果经过上面的普通维度和层级维度,添加维度操作后,已经找到了候选parent,则无需再进行联合维度的操作 // 因为联合维度至少会加2个维度进来,根据最后的Collections.min,会优先选维度数少的 if (thisAggContributed) { //next section is going to append more than 2 dim to child //thisAggContributed means there's already 1 dim added to child //which can safely prune the 2+ dim candidates. continue; } //2+ dim candidates // 联合维度的很简单,如果没有包含,则直接全部加入 for (long joint : agg.getJoints()) { if ((child & joint) == 0) { candidates.add(child | joint); } } } if (candidates.size() == 0) { throw new IllegalStateException(); } // 这里的Collections.min就是上述很多地方可以提前结束的原因 return Collections.min(candidates, Cuboid.cuboidSelectComparator); }
这个升维的过程,在进入AggregationGroup遍历后,主要通过增加一个维度的升维,和增加2个或以上维度的升维,主要也即是联合维度了。
对于增加1个维度的升维:?
对于普通维度,则从所有普通维度中,选择一个在rowkey中排在最后面的那个维度,然后添加到child中;
对于层级维度,如果是该层级维度中的维度都不包含,则取该层级维度中*的那个维度添加到child中;如果是child只包含了该层级维度中所有维度的部分维度,比如对于省、市、县这个层级维度,只包含了省或者省市,则可以新增一个市或者县到child中;
如果在1个维度的升维中已经找到了一个候选的parent,则联合维度就不需在进行了,因为联合维度至少会加入两个维度。
再来看一下getParent方法的最后一句代码,就明白为什么升维的过程中,很多潜在的parent可以直接忽略掉。
Cuboid.cuboidSelectComparator的实现如下。
也就是对于任何两个cuboidID,先从中选出包含维度少的那个cuboidID,如果两个cuboidID包含的维度数相同,则在进一步比较,值小的为所需要的cuboidID。
也即是getParent获取的所有候选parent的集合candidates,经过这个比较器排序后,最小的那个cuboidID,就是包含维度最少,且在相同纬度的不同cuboidID中,值是最小的那个。
//smaller is better public final static Comparator cuboidSelectComparator = new Comparator() { @Override public int compare(Long o1, Long o2) { return ComparisonChain.start().compare(Long.bitCount(o1), Long.bitCount(o2)).compare(o1, o2).result(); } };