【围观】麒麟芯片遭打压成绝版，华为亿元投入又砸向了哪里？>>>
最近我们扩展了 TiDB 表达式计算框架，增加了向量化计算接口，初期的性能测试显示，多数表达式计算性能可大幅提升，部分甚至可提升 1~2 个数量级。为了让所有的表达式都能受益，我们需要为所有内建函数实现向量化计算。
TiDB 的向量化计算是在经典 Volcano 模型上的进行改进，尽可能利用 CPU Cache，SIMD Instructions，Pipeline，Branch Predicatation 等硬件特性提升计算性能，同时降低执行框架的迭代开销，这里提供一些参考文献，供感兴趣的同学阅读和研究： MonetDB/X100: Hyper-Pipelining Query Execution Balancing Vectorized Query Execution with Bandwidth-Optimized Storage The Design and Implementation of Modern Column-Oriented Database Systems
在这篇文章中，我们将描述： 如何在计算框架下实现某个函数的向量化计算； 如何在测试框架下做正确性和性能测试； 如何参与进来成为 TiDB Contributor。
表达式向量化
1. 如何访问和修改一个向量
在 TiDB 中，数据按列在内存中连续存在 Column 内，Column 详细介绍请看： TiDB 源码阅读系列文章（十）Chunk 和执行框架简介 。本文所指的向量，其数据正是存储在 Column 中。
我们把数据类型分为两种： 定长类型： Int64 、 Uint64 、 Float32 、 Float64 、 Decimal 、 Time 、 Duration ； 变长类型： String 、 Bytes 、 JSON 、 Set 、 Enum 。
定长类型和变长类型数据在 Column 中有不同的组织方式，这使得他们有如下的特点： 定长类型的 Column 可以随机读写任意元素； 变长类型的 Column 可以随机读，但更改中间某元素后，可能需要移动该元素后续所有元素，导致随机写性能很差。
对于定长类型（如 int64 ），我们在计算时会将其转成 Golang Slice（如 []int64 ），然后直接读写这个 Slice。相比于调用 Column 的接口，需要的 CPU 指令更少，性能更好。同时，转换后的 Slice 仍然引用着 Column 中的内存，修改后不用将数据从 Slice 拷贝到 Column 中，开销降到了最低。
对于变长类型，元素长度不固定，且为了保证元素在内存中连续存放，所以不能直接用 Slice 的方式随机读写。我们规定变长类型数据以追加写（ append ）的方式更新，用 Column 的 Get() 接口进行读取。
总的来说，变长和定长类型的读写方式如下： 定长类型（以 int64 为例)
a. ResizeInt64s(size, isNull) ：预分配 size 个元素的空间，并把所有位置的 null 标记都设置为 isNull ；
b. Int64s() ：返回一个 []int64 的 Slice，用于直接读写数据；
c. SetNull(rowID, isNull) ：标记第 rowID 行为 isNull 。 变长类型（以 string 为例）
a. ReserveString(size) ：预估 size 个元素的空间，并预先分配内存；
b. AppendString(string) : 追加一个 string 到向量末尾；
c. AppendNull() ：追加一个 null 到向量末尾；
d. GetString(rowID) ：读取下标为 rowID 的 string 数据。
当然还有些其他的方法如 IsNull(rowID) ， MergeNulls(cols) 等，就交给大家自己去探索了，后面会有这些方法的使用例子。
2. 表达式向量化计算框架
向量化的计算接口大概如下（ 完整的定义在这里 ）： vectorized() bool vecEvalXType(input *Chunk, result *Column) error XType 可能表示 Int , String 等，不同的函数需要实现不同的接口； input 表示输入数据，类型为 *Chunk ； result 用来存放结果数据。
外部执行算子（如 Projection，Selection 等算子），在调用表达式接口进行计算前，会通过 vectorized() 来判断此表达式是否支持向量化计算，如果支持，则调用向量化接口，否则就走行式接口。
对于任意表达式，只有当其中所有函数都支持向量化后，才认为这个表达式是支持向量化的。
比如 (2+6)*3 ，只有当 MultiplyInt 和 PlusInt 函数都向量化后，它才能被向量化执行。
为函数实现向量化接口
要实现函数向量化，还需要为其实现 vecEvalXType() 和 vectorized() 接口。 在 vectorized() 接口中返回 true ，表示该函数已经实现向量化计算； 在 vecEvalXType() 实现此函数的计算逻辑。
尚未向量化的函数在 issue/12058 中，欢迎感兴趣的同学加入我们一起完成这项宏大的工程。
向量化代码需放到以 _vec.go 结尾的文件中，如果还没有这样的文件，欢迎新建一个，注意在文件头部加上 licence 说明。
这里是一个简单的例子 PR/12012 ，以 builtinLog10Sig 为例： 这个函数在 expression/builtin_math.go 文件中，则向量化实现需放到文件 expression/builtin_math_vec.go 中； builtinLog10Sig 原始的非向量化计算接口为 evalReal() ，那么我们需要为其实现对应的向量化接口为 vecEvalReal() ； 实现完成后请根据后续的说明添加测试。
下面为大家介绍在实现向量化计算过程中需要注意的问题。
1. 如何获取和释放中间结果向量
存储表达式计算中间结果的向量可通过表达式内部对象 bufAllocator 的 get() 和 put() 来获取和释放，参考 PR/12014 ，以 builtinRepeatSig 的向量化实现为例： buf2, err := b.bufAllocator.get(types.ETInt, n) if err != nil { return err } defer b.bufAllocator.put(buf2) // 注意释放之前申请的内存
2. 如何更新定长类型的结果
如前文所说，我们需要使用 ResizeXType() 和 XTypes() 来初始化和获取用于存储定长类型数据的 Golang Slice，直接读写这个 Slice 来完成数据操作，另外也可以使用 SetNull() 来设置某个元素为 NULL 。代码参考 PR/12012 ，以 builtinLog10Sig 的向量化实现为例： f64s := result.Float64s() for i := 0; i < n; i++ { if isNull { result.SetNull(i, true) } else { f64s[i] = math.Log10(f64s[i]) } }
3. 如何更新变长类型的结果
如前文所说，我们需要使用 ReserveXType() 来为变长类型预分配一段内存（降低 Golang runtime.growslice() 的开销），使用 AppendXType() 来追加一个变长类型的元素，使用 GetXType() 来读取一个变长类型的元素。代码参考 PR/12014 ，以 builtinRepeatSig 的向量化实现为例： result.ReserveString(n) ... for i := 0; i < n; i++ { str := buf.GetString(i) if isNull { result.AppendNull() } else { result.AppendString(strings.Repeat(str, int(num))) } }
4. 如何处理 Error
所有受 SQL Mode 控制的 Error，都利用对应的错误处理函数在函数内就地处理。部分 Error 可能会被转换成 Warn 而不需要立即抛出。
这个比较杂，需要查看对应的非向量化接口了解具体行为。代码参考 PR/12042 ，以 builtinCastIntAsDurationSig 的向量化实现为例： for i := 0; i < n; i++ { ... dur, err := types.NumberToDuration(i64s[i], int8(b.tp.Decimal)) if err != nil { if types.ErrOverflow.Equal(err) { err = b.ctx.GetSessionVars().StmtCtx.HandleOverflow(err, err) // 就地利用对应处理函数处理错误 } if err != nil { // 如果处理不掉就抛出 return err } result.SetNull(i, true) continue } ... }
5. 如何添加测试
我们做了一个简易的测试框架，可避免大家测试时做一些重复工作。
该测试框架的代码在 expression/bench_test.go 文件中，被实现在 testVectorizedBuiltinFunc 和 benchmarkVectorizedBuiltinFunc 两个函数中。
我们为每一个 builtin_XX_vec.go 文件增加了 builtin_XX_vec_test.go 测试文件。当我们为一个函数实现向量化后，需要在对应测试文件内的 vecBuiltinXXCases 变量中，增加一个或多个测试 case。下面我们为 log10 添加一个测试 case： var vecBuiltinMathCases = map[string][]vecExprBenchCase { ast.Log10: { {types.ETReal, []types.EvalType{types.ETReal}, nil}, }, }
具体来说，上面结构体中的三个字段分别表示: 该函数的返回值类型； 该函数所有参数的类型； 是否使用自定义的数据生成方法（dataGener）， nil 表示使用默认的随机生成方法。
对于某些复杂的函数，你可自己实现 dataGener 来生成数据。目前我们已经实现了几个简单的 dataGener，代码在 expression/bench_test.go 中，可直接使用。
添加好 case 后，在 expression 目录下运行测试指令： # 功能测试 GO111MODULE=on go test -check.f TestVectorizedBuiltinMathFunc # 性能测试 go test -v -benchmem -bench=BenchmarkVectorizedBuiltinMathFunc -run=BenchmarkVectorizedBuiltinMathFunc
在你的 PR Description 中，请把性能测试结果附上。不同配置的机器，性能测试结果可能不同，我们对机器配置无任何要求，你只需在 PR 中带上你本地机器的测试结果，让我们对向量化前后的性能有一个对比即可。
如何成为 Contributor
为了推进表达式向量化计算，我们正式成立 Vectorized Expression Working Group，其具体的目标和制度详见 这里 。与此对应，我们在 TiDB Community Slack 中创建了 wg-vec-expr channel 供大家交流讨论，不设门槛，欢迎感兴趣的同学加入。
如何成为 Contributor： 在此 issue 内选择感兴趣的函数并告诉大家你会完成它； 为该函数实现 vecEvalXType() 和 vectorized() 的方法； 在向量化测试框架内添加对该函数的测试； 运行 make dev ，保证所有 test 都能通过； 发起 Pull Request 并完成 merge 到主分支。
如果贡献突出，可能被提名为 reviewer，reviewer 的介绍请看 这里 。
如果你有任何疑问，也欢迎到 wg-vec-expr channel 中提问和讨论。 原文阅读： https://pingcap.com/blog-cn/10mins-become-contributor-of-tidb-20190916/