华为云GaussDB(for Influx)揭秘第十期：最佳实践之hint查询

“怎么感觉查询越来越慢了？”随着业务数据量的不断增大，很多客户都反馈同样的查询语句变得越来越慢。接到客户的反馈后，我们分析了客户的查询执行各个阶段的耗时，发现随着数据量的增加，耗在倒排索引阶段的时间越来越长，那么倒排索引到底是干什么用的呢？能不能跳过倒排索引呢？

倒排索引，顾名思义，是一种索引结构，该索引避免了多维查询时进行大量的数据扫描。其本身就是用于提高查询性能的，显然不能简单地跳过倒排索引。但是随着数据量的不断增大，确实引起了查询的时延变大。那么倒排索引的原理是什么？适合于哪种业务场景？有没有可能跳过倒排索引，来进一步降低查询时延呢？本文基于GaussDB(for Influx)的实现，给您一一解答上述问题。

1. 为什么要使用倒排索引？

用以下数据作为示例进行说明，其中

Tag：region，service，host；

Field：cpu，mem；

数据源(SeriesKey)：region+service+host；

一般涉及的查询有两种：

1）要查询某个数据源在某个时间点的cpu使用情况，例如：

select max(cpu) from mst where region=’北京’ and service=’influx’ and host=’host001’ and time>now()-30s

所有的tag都指定了相应的值。

2）给定部分维度，查询某些信息：例如要查询北京（region）的Influx（service）服务的cpu使用情况：

select max(cpu) from mst where region=’北京’ and service=’influx’ and time>now()-30s

只指定了部分tag值。

对于第一种查询方案，可以直接根据tag值来确定数据源，但是对于第二种场景，查询没有直接给出具体的数据源，仅指定了两个维度（region和service）以及查询的指标cpu，这种查询就需要根据部分维度组合（region=北京，service=influx）找到所有对应的数据源，例如在数据中北京的Influx服务有3台主机(host001, host002, host003)，就需要查找到这3台主机数据源，这就需要倒排索引，否则就需要进行大量的数据扫描。

有了倒排索引，Influx的查询能力得到了很大的提升，但是随着数据量的不断增长，消耗在倒排索引的时间也越来越长；倒排索引的作用就是通过部分维度来找到对应所有的数据源，那么如果我们可以通过其他方式更快地找到数据源，就可以跳过倒排索引了。数据源是由tag set的value组成的，即由region，service，host三个tag的值组成，例如region=“北京”，service=“influx”，host=“host001”三个tag值就组成一个数据源。那么当业务要查询的查询里带了所有tag的值时，我们就可以根据查询语句来确定数据源，例如：

select max(cpu) from mst where region=’北京’ and service=’influx’ and host=’host001’ and time>now()-30s

该语句查询过去30s内北京region，Influx服务，host001主机的CPU的最大值。上面的查询带了需要确定数据源的所有tag的值，因此我们在这种查询中就可以跳过倒排索引的阶段，类似的查询我们也叫做单时间线查询。

2. GaussDB(for Influx)的实现方案

上一章节讲到，如果业务的查询是单时间线查询，我们就可以根据查询语句来确认数据源，而不用再去倒排索引中找。基于这个思路，GaussDB(for Influx)实现了hint特性，hint特性允许客户指定查询跳过倒排索引模块，直接去查找数据，从而进一步提高查询性能。

GaussDB(for Influx)通过定义特殊的hint语法来识别查询语句是否走倒排索引，系统解析业务查询语句时，如果识别到查询带有hint语法，就会跳过倒排索引查找的步骤，直接根据查询语句中tagset信息，找到数据源，去存储层查找对应的数据，其逻辑对比如下图：

3. Hint查询的性能

针对单时间线查询的场景下，我们测试了使用hint功能和不适用hint功能之间的性能。
测试条件为：300万时间线，单时间线查询；执行查询1000次取平均时延。下图为hint查询和非hint查询的测试结果对比：

从图中可以看出，在相同的查询语句和测试环境下，hint查询时延明显优于非hint查询。

4. Hint查询的使用

使用hint查询的方法也很简单，业务只需要少量的改动即可，在查询时添加hint查询标识/*+ full_series */。例如，常规查询语句为：

select max(cpu) from mst where region=’北京’ and service=’influx’ and host=’host001’ and time>now()-30s

改为用hint的方式，查询语句为：

select /*+ full_series */ max(cpu) from mst where region=’北京’ and service=’influx’ and host=’host001’ and time>now()-30s

在使用hint方式查询时，一定要确定是单时间线的查询，否则可能会出现查不出来数据的问题。

5. 总结

GaussDB(for Influx)通过提供hint功能，在单时间线的查询场景下，性能有大幅度的提升，能有效满足客户某些特定场景的查询需求。

除了以上优势外，GaussDB(for Influx)还在集群化、冷热分级存储、高可用方面也做了深度优化，能更好地满足时序应用的各种场景。

6. 结束

本文作者：华为 云数据库创新Lab & 华为云时空数据库团队
更多技术文章，关注GaussDB(for Influx)官方博客：
https://bbs.huaweicloud.com/community/usersnew/id_1586596796288328
Lab官网：https://www.huaweicloud.com/lab/clouddb/home.html
产品首页：https://www.huaweicloud.com/product/gaussdbforinflux.html
欢迎加入我们！
云数据库创新Lab（成都、北京）简历投递邮箱：xiangyu9@huawei.com
华为云时空数据库团队（西安、深圳）简历投递邮箱：yujiandong@huawei.com