MPP调研

一、MMP数据库

MPP是massively parallel processing，一般指使用多个SQL数据库节点搭建的数据仓库系统。执行查询的时候，查询可以分散到多个SQL数据库节点上执行，然后汇总返回给用户。MPP解决了单个SQL数据库不能存放海量数据的问题，但是也存在一些问题，例如：当节点数达到100左右的时候，MPP有些仍会遇到Scalability的问题，速度变慢，或者不稳定。而且，当增加或者删除节点的时候，需要的维护工作仍然比较大，集群会遇到数据迁移和重新平衡的问题。SQL on Hadoop是利用Hadoop平台存储数据，在其之上实现SQL查询引擎。最大的特点和Scalability非常好，可以支持超过1000各节点的集群。但是由于Hadoop的特点，很多查询还是需要做大量的数据扫描操作，因此查询速度往往比MPP要慢，而且支持的同时并发查询数一般也比较低。

二、MPP原理

MPP原理朴素上说就是分治思想，均分task。然后每个worker/segment上做的都是同样的sub-task，pipeline方式执行，理想情况下性能是非常优异的。但是很容易受到慢worker（它是最长路径）和interconnect的影响，所以scalability不佳，集群规模在十几个节点后就没有性能提升了（甚至还可能下降）。HADOOP原理更类似batch processing，更细粒度切分task，worker能者多劳（每个worker上执行的任务可以是不平均，不一致的）。单独worker看，性能不及MPP，但是胜在scalability优异，几百个节点是没问题的，在集群性上远胜MPP。另外从业务上看，传统企业数据量有限，所以更倾向于full-sql支持的MPP方案。而互联网企业更乐于用hadoop来处理更大规模的数据。近几年来二者是互相融合学习的（MPP提升scalability，hadoop提升sql的支持），所以今后二者的区别应该会越来越模糊，最后可能诞生一个大一统OLAP方案（甚至再融合OLTP）。

三、MPP数据库对比SQL On Hadoop

因为一些SQL On Hadoop系统例如Impala也被称为MPP架构。这里是正统的MPP数据库对比SQL On Hadoop。那么对比两边其实是诸如Vertica，阿里ADS，GreenPlum，Redshift vs Impala，Hive以及SparkSQL，Presto等。这两者很大程度上的差异其实在于，对存储的控制。
对于Hadoop而言，数据最常见的存在形式是数据湖，也就是数据本身未经很多整理，数据倾向于读取的时候再解析，而且多个系统处理不同的workload一起共享同一套数据湖。例如你可以用Spark，MR以及Impala读取Hive的数据，甚至直接读取HDFS上的Parquet，ORC文件。这份数据可以用来做BI数仓也可以用来做ML模型训练等等。
而MPP数据库则相反，MPP为了速度，需要将数据导入做一定处理，整理成优化的格式以便加速。这样做的后果就是，它们的存储类似一个黑盒，数据进去之后很难被别的系统直接读取。当然Vertica之类的系统也有SQL On Hadoop的运行模式，但是速度会有所下降，看过Vertica的Benchmark，对比Impala在Hadoop模式下，并不是有多大的优势，甚至有部分查询更慢。这部分性能损失，就是抛开黑盒存储所带来的差异。
另外SQL On Hadoop产品和MPP数据库的很多差异，其实是工程上成熟度的差异。例如CBO这样的优化，可能在数据库领域已经非常常见，但是对SQL On Hadoop还可以说是个新鲜玩意，至少2016-08-30为止，SparkSQL和Presto还没有CBO。而列存的引入也是近些年的事情，相对Vertica应该是从诞生就使用了列存。这些差异很可能会很快被补上。而底层存储部分，随着Parquet ORC这样相对复杂，借用了不少传统数据库领域经验的格式不断优化，也许今后SQL On Hadoop会和MPP数据库越来越近似。

参考文献：

1. https://www.zhihu.com/question/27589901/answer/119759349
2. https://www.zhihu.com/question/27589901/answer/52136396
3. https://www.zhihu.com/question/27589901/answer/145205267