前言
在《數據庫系統中的Code Generation技術介紹》中，我們簡單介紹了一下Code Generation技術及其在大規模OLAP系統，特別是大規模分佈式OLAP系統中的重要性。MaxCompute採用了Code Generation技術來提高計算效率。在MaxCompute2.0中，我們又引入了基於LLVM的JIT(Just In Time) Code Generation技術。結合向量化的執行引擎，基於SIMD技術的執行效率優化等方式，較之MaxCompute 1.0，MaxCompute 2.0在性能方便有了較大的提升，具體可以參照《MaxCompute2.0性能評測：更強大、更高效之上的更快速》。MaxCompute 1.0中的Code Generation
![]()
如上圖，MaxCompute 1.0採用了靜態的Code Generation技術，工作主要在MaxCompute控制集羣中名爲“Executor”的角色上完成。其流程如下：
- 用戶的SQL語句在Executor上經過Parsing和Optimization之後，生成對應的查詢計劃。
- Executor上的Code Generation模塊將查詢計劃翻譯成一個名爲“mapred.cpp”的C++源文件。如上圖所示，查詢計劃中的每一個Task（就是MaxCompute作業中的一個Stage）會被翻譯成C++中的一個Class, 而所有的處理邏輯被生成到該Class的Process()方法當中。
- Executor調用g++將“mapred.cpp”編譯成一個動態庫，並將其下發到計算集羣中的每一個Worker上。
- 被調度起來的Worker會Load該動態庫，調用相應的Process()方法以完成計算邏輯。
- g++ 編譯還是比較消耗CPU/內存的，特別是當優化選項開到O2以上的時候。特別是用戶SQL比較複雜的情況下（有些SQL在SELECT語句中有多達上千個表達式，或者表達式的嵌套計算特別深入），生成的C++源文件也比較大，編譯更加耗時。在實際生產中，我們見過編譯耗時數十秒，消耗上G內存的情況。
- 生成的動態庫在控制集羣和計算集羣之間傳輸也會有帶來一定的網絡開銷。因爲這個動態庫的與SQL邏輯緊密相關的，因此無法複用，因此每個SQL都會經歷編譯，下發的過程，在任務提交比較頻繁的情況下，控制集羣的穩定性會收到一定挑戰。
- 因爲較高的編譯時開銷，這種Code Generation的方式在處理複雜的語句加中小數據規模查詢的場景，比如service mode下，overhead太大。
MaxCompute 2.0中的Code Generation
MaxCompute 2.0採用了基於LLVM的JIT Code Generation技術。所謂JIT，就是程序在運行期間根據需要動態生成相應的機器指令。這樣，整個Code Generation的工作由控制集羣移交到了真正執行計算邏輯的計算集羣各個Worker上。其流程如下：
- 和MaxCompute 1.0中一樣，用戶的SQL語句在Executor上經過Parsing和Optimization之後，生成對應的查詢計劃。
- 查詢計劃直接被髮送到計算集羣各個Worker上。
- MaxCompute 2.0執行引擎的Code Generation模塊Load查詢計劃，並利用LLVM C++ API生成相應的機器碼。Code Generation模塊返回一個函數指針作爲調用的入口。
- Worker通過調用Code Generation模塊返回的函數指針以完成計算邏輯。
後續工作
目前，MaxCompute 2.0 的執行引擎還是以Volcano Model爲基礎。只是在Volcano Model中各個算子之間以Batch模式傳遞數據，並且以列式執行的方式提高執行速度。基於LLVM的JIT Code Generation現在主要用在表達式計算，Streamline等熱點部分。之後，我們準備嘗試Full Stage的Code Generation, 類似http://www.hyper-db.com/。 有興趣的同學可以看看這個：http://www.vldb.org/pvldb/vol4/p539-neumann.pdf。 附件中的PDF結合了《數據庫系統中的Code Generation技術介紹》和本文的部分內容，有興趣的同學可以作爲參考。
本文作者：隱林