性能在數(shù)據(jù)分析中至關(guān)重要，它直接決定數(shù)據(jù)處理的效率與及時性，進一步對數(shù)據(jù)驅(qū)動的企業(yè)決策造成影響。
舉個例子來看，某個大型電商公司每天產(chǎn)生海量的交易數(shù)據(jù)，數(shù)據(jù)分析團隊需要通過這些數(shù)據(jù)了解客戶的購買行為、熱門商品、銷售趨勢等，來制定營銷策略和優(yōu)化運營。當(dāng)分析團隊獲取過去一個月的銷售數(shù)據(jù)報告時，由于數(shù)據(jù)量龐大，系統(tǒng)處理速度緩慢，需要幾十分鐘到幾小時才能得出結(jié)果。而在某些促銷活動期間，如果不能及時獲取最新的銷售數(shù)據(jù)來評估活動效果，就無法及時調(diào)整策略，錯失營銷機會。
隨著數(shù)字化轉(zhuǎn)型的深入，不僅僅是電商領(lǐng)域，各行業(yè)都需要基于實時數(shù)據(jù)做出關(guān)鍵決策。而對企業(yè)底層數(shù)據(jù)系統(tǒng)來說，在處理復(fù)雜的數(shù)據(jù)分析任務(wù)，如多維度的關(guān)聯(lián)分析或數(shù)據(jù)挖掘時，可能出現(xiàn)延遲、崩潰、錯誤等問題，導(dǎo)致數(shù)據(jù)不準(zhǔn)確、不完整、時效性差。
作為火山引擎推出的一款OLAP產(chǎn)品，ByteHouse具備原生的高性能優(yōu)勢，廣泛應(yīng)用于字節(jié)跳動和外部企業(yè)的數(shù)據(jù)分析場景。早在2022年2月，ByteHouse在字節(jié)跳動的部署規(guī)模已超1萬8000臺，單集群超2400臺。針對數(shù)據(jù)分析中常見的實時吞吐慢、BI報表慢、在線/離線分析慢等情況，ByteHouse推出六大場景的性能提升方案，進一步提升OLAP性能，助力企業(yè)更快速、更準(zhǔn)確實施決策。
第一，在實時吞吐的場景中，ByteHouse支持 Upsert的部分列更新能力，確保每秒百萬數(shù)據(jù)入庫前提下的落盤即更新。其次，基于自研uniqueMergeTree引擎，ByteHouse為數(shù)據(jù)寫入即去重提供性能保障，特別是滿足了 IoT 場景下的高性能訴求。此外，ByteHouse自研的 Flink Connector 能更好對接 Flink，為數(shù)據(jù)寫入建立更高效、流暢的通路。以某暢銷游戲公司的實踐舉例，該公司每秒需要寫入 220 萬條游戲平臺日志數(shù)據(jù)，相當(dāng)于每秒寫入約 4GB 數(shù)據(jù)，而在ByteHouse的支持下，該公司的底層數(shù)據(jù)引擎能很好滿足以上訴求，且性能實現(xiàn)線性增長。
第二，在BI報表分析場景中，數(shù)據(jù)分析師、運營團隊等經(jīng)常會遇到報表生成慢、指標(biāo)平臺響應(yīng)慢、管理駕駛艙顯示速度慢等問題。一方面，ByteHouse通過增強MV物化視圖和Projection功能，實現(xiàn)對復(fù)雜查詢、計算邏輯的預(yù)聚合，提升應(yīng)用層的性能表現(xiàn)，另一方面基于Query Cache來緩存數(shù)據(jù)和復(fù)雜查詢中的結(jié)果集。在某娛樂型公司的應(yīng)用實踐中，ByteHouse支撐該公司每天15億數(shù)據(jù)記錄，每秒6萬TPS峰值，使報表時效性從過去的 T+1 方式直接壓縮到分鐘級，甚至秒級。
第三，在在線、離線復(fù)雜分析場景中，ByteHouse則針對CBO、RBO等進行自研優(yōu)化器增強。此外，對于Runtime Filter 這一對大關(guān)聯(lián)場景性能提升有關(guān)鍵影響的技術(shù)，ByteHouse自研分布式緩存能夠進一步解決分離架構(gòu)帶來的性能損失問題。
第四，在湖倉聯(lián)邦分析場景中，ByteHouse基于 Native Reader 技術(shù)壓縮 IO 訪問路徑，提升外表訪問性能。通過進一步與優(yōu)化器進行融合，ByteHouse能持續(xù)提高湖倉分析速度。
第五，在人群圈選與行為分析場景中，ByteHouse 具備 BitEngine/BitMap64/BitMap indexDe 等自研引擎和增強功能，通過與增長分析DataFinder、客戶數(shù)據(jù)平臺VeCDP等應(yīng)用緊密結(jié)合，ByteHouse針對業(yè)務(wù)場景開發(fā)了大量內(nèi)置分析函數(shù)，如留存分析、路徑分析等。即使在 10 億級的用戶圈選的場景下， P99 響應(yīng)時間也能達(dá)到秒級到毫秒級。
第六，在以圖搜圖場景中，ByteHouse推出了Vector引擎，即向量檢索能力。通過支持多種向量檢索算法以及高效的執(zhí)行鏈路，ByteHouse可以支撐極大規(guī)模向量檢索場景，達(dá)到毫秒級的查詢延遲。在某輿情監(jiān)測企業(yè)的實踐中，行業(yè)相關(guān)產(chǎn)品的查詢效率在幾秒到十多秒之間，而優(yōu)化后的ByteHouse只需150-200 毫秒內(nèi)，就能從大規(guī)模數(shù)據(jù)中查找出近似的 1000 張圖片，并完成相似度評分。
在整體性能數(shù)據(jù)上，通過使用SSB、TPC-H 和 TPC-DS 三種數(shù)據(jù)集進行性能測試，并以性能著稱的某開源OLAP為基準(zhǔn)測試產(chǎn)品，ByteHouse在不同查詢項上都有顯著的性能提升。以TPC-H 數(shù)據(jù)集舉例，在相同硬件和軟件環(huán)境下， ByteHouse 查詢效率高于本次基準(zhǔn)測試產(chǎn)品幾十倍。
目前，ByteHouse應(yīng)用于互聯(lián)網(wǎng)、游戲、金融、汽車、氣象等領(lǐng)域，持續(xù)為企業(yè)提供極致的數(shù)據(jù)分析能力，助推數(shù)智化轉(zhuǎn)型升級。
