多跳查詢?yōu)槠髽I(yè)提供了深入的數(shù)據(jù)洞察和分析能力，它在小紅書(shū)眾多在線業(yè)務(wù)中扮演重要的角色。然而，這類查詢往往很難滿足穩(wěn)定的 P99 時(shí)延要求。小紅書(shū)基礎(chǔ)架構(gòu)存儲(chǔ)團(tuán)隊(duì)針對(duì)這一挑戰(zhàn)，基于大規(guī)模并行處理（MPP）的理念，開(kāi)發(fā)了一種圖數(shù)據(jù)庫(kù)上的分布式并行查詢框架，成功將多跳查詢的時(shí)延降低了 50% 以上，尤其是使 3 跳查詢?cè)谠诰€場(chǎng)景從不能用到落地，極大地增強(qiáng)了在線業(yè)務(wù)的數(shù)據(jù)處理能力。

本文核心貢獻(xiàn)在于：團(tuán)隊(duì)提出了一種從框架層面優(yōu)化多跳查詢時(shí)延的方案，在業(yè)務(wù)上使在線場(chǎng)景中使用多跳查詢成為可能，在技術(shù)上實(shí)現(xiàn)了圖數(shù)據(jù)庫(kù)查詢的框架級(jí)優(yōu)化。全文將從以下幾個(gè)方面依次展開(kāi)：

• 介紹小紅書(shū)使用圖數(shù)據(jù)庫(kù)的背景，并分析多跳查詢?cè)趯?shí)際業(yè)務(wù)中因時(shí)延高而受限的現(xiàn)狀（需求是什么）
• 深入探討 REDgraph 架構(gòu)，揭示原有查詢模式的不足和可優(yōu)化點(diǎn)（存在的問(wèn)題）
• 詳細(xì)闡述優(yōu)化原查詢模式的方案，并提供部分實(shí)現(xiàn)細(xì)節(jié)（改進(jìn)方案）
• 通過(guò)一系列性能測(cè)試，驗(yàn)證優(yōu)化措施的有效性（改進(jìn)后效果）

本方案為具有復(fù)雜查詢需求的在線存儲(chǔ)產(chǎn)品提供了優(yōu)化思路，歡迎業(yè)界同行深入探討。

同時(shí)，作者再興曾在「DataFunCon 2024·上海站」分享過(guò)本議題，感興趣的同學(xué)歡迎點(diǎn)擊“閱讀原文”，回看完整錄播視頻。

一、背景

1.1 圖數(shù)據(jù)庫(kù)在小紅書(shū)的使用場(chǎng)景

小紅書(shū)是一個(gè)以社區(qū)屬性為主的產(chǎn)品，覆蓋多個(gè)領(lǐng)域，鼓勵(lì)用戶通過(guò)圖文、短視頻、直播等形式記錄和分享生活點(diǎn)滴。在社交領(lǐng)域中，我們存在多種實(shí)體，如用戶、筆記、商品等，它們之間構(gòu)成了復(fù)雜的關(guān)系網(wǎng)絡(luò)。為高效處理這些實(shí)體間的一跳查詢，小紅書(shū)自研了圖存儲(chǔ)系統(tǒng) REDtao，滿足極致性能的需求。

（參見(jiàn)：小紅書(shū)如何應(yīng)對(duì)萬(wàn)億級(jí)社交網(wǎng)絡(luò)關(guān)系挑戰(zhàn)？圖存儲(chǔ)系統(tǒng) REDtao 來(lái)了！）

面對(duì)更為復(fù)雜的多跳查詢場(chǎng)景，我們自研了圖數(shù)據(jù)庫(kù)系統(tǒng) REDgraph，將多跳查詢的需求應(yīng)用于小紅書(shū)多個(gè)業(yè)務(wù)領(lǐng)域，包括但不限于：

• 社區(qū)推薦：利用用戶間的關(guān)系鏈和分享鏈，為用戶推薦可能感興趣的好友、筆記和視頻。這類推薦機(jī)制通常涉及多于一跳的復(fù)雜關(guān)系。
• 風(fēng)控場(chǎng)景：通過(guò)分析用戶和設(shè)備的行為模式，識(shí)別可能的欺詐行為（如惡意薅羊毛），從而保護(hù)平臺(tái)免受濫用和作弊行為的影響。
• 電商場(chǎng)景：構(gòu)建商品與商品、商品與品牌之間的關(guān)聯(lián)模型，優(yōu)化商品分類和推薦，從而提升用戶的購(gòu)物體驗(yàn)。

在傳統(tǒng)的 SQL 產(chǎn)品（如 MySQL）中，想實(shí)現(xiàn)這些多跳查詢，通常需要在一個(gè)查詢語(yǔ)句中寫多個(gè) JOIN，這樣的性能無(wú)疑是較差的。若想利用鍵值存儲(chǔ) KV 產(chǎn)品實(shí)現(xiàn)，則需要分多次發(fā)送 get 請(qǐng)求，并自行處理中間結(jié)果，實(shí)現(xiàn)過(guò)程也較為麻煩。

相比之下，圖數(shù)據(jù)庫(kù)的設(shè)計(jì)理念為處理這類查詢提供了天然優(yōu)勢(shì)。在圖數(shù)據(jù)庫(kù)中，數(shù)據(jù)表被抽象為頂點(diǎn)，表之間的關(guān)系被抽象為邊，并且邊作為一等公民被存儲(chǔ)和處理。這樣一來(lái)，執(zhí)行 n 度關(guān)系查詢只需查詢 n 次邊表，大大簡(jiǎn)化查詢過(guò)程，并提高了效率。

1.2 業(yè)務(wù)上面臨的困境

小紅書(shū)在社交、風(fēng)控及離線任務(wù)調(diào)度等場(chǎng)景中均采用了圖數(shù)據(jù)庫(kù)，然而在實(shí)際應(yīng)用過(guò)程中遇到了一些挑戰(zhàn)。

場(chǎng)景一：社交推薦

在社交推薦中，我們希望能夠及時(shí)地將用戶可能感興趣的好友或內(nèi)容推薦給他們。例如，如果用戶 A 關(guān)注了用戶 B，而用戶 B 點(diǎn)贊了筆記 C，那么用戶 D（也點(diǎn)贊了筆記 C）就可能成為用戶 A 的潛在好友，使小紅書(shū)的好友社區(qū)建立更豐富的連接。

業(yè)務(wù)當(dāng)然可以使用離線任務(wù)分析，基于分析結(jié)果進(jìn)行推薦，但社交圖譜是無(wú)時(shí)無(wú)刻不在變化，基于離線分析做出的推薦往往是滯后的。如果推薦得更及時(shí)，能更好地抓住一些潛在的用戶關(guān)系，建立更豐富完善的社交圖譜，賦能其他業(yè)務(wù)（如：社區(qū)興趣小組，電商商品推薦）。

業(yè)務(wù)希望能即時(shí)向用戶推送可能感興趣的 “好友” 或 “內(nèi)容”，如果能即時(shí)完成此推薦，則能有效優(yōu)化用戶使用體驗(yàn)，提升留存率。然而，由于先前 REDgraph 在某些方面的能力尚未完善，導(dǎo)致三跳時(shí)延比較高，所以業(yè)務(wù)一直只采用了一跳和兩跳查詢。

場(chǎng)景二：社區(qū)生態(tài)與風(fēng)險(xiǎn)控制

小紅書(shū)致力于促進(jìn)社區(qū)生態(tài)的健康發(fā)展，對(duì)優(yōu)質(zhì)內(nèi)容創(chuàng)作者提供獎(jiǎng)勵(lì)。然而，這也吸引了一些作弊用戶想薅羊毛。例如，作弊用戶可能會(huì)通過(guò)組織點(diǎn)贊來(lái)提升低質(zhì)量筆記的排名，將低質(zhì)筆記偽造成優(yōu)質(zhì)筆記以賺取獎(jiǎng)勵(lì)。

風(fēng)控業(yè)務(wù)需要對(duì)這種行為予以識(shí)別并防范，借助圖數(shù)據(jù)庫(kù)的多跳查詢，我們構(gòu)建出一個(gè)包含用戶和筆記為頂點(diǎn)、點(diǎn)贊為邊的復(fù)雜關(guān)系圖（“用戶->筆記-> ... ->用戶->筆記“）。隨后，對(duì)每篇筆記查詢其多度關(guān)系（筆記 -> 用戶 -> 筆記 -> 用戶）上作弊用戶的比例，若比例高于一定閾值，把筆記打上作弊標(biāo)簽，系統(tǒng)便不對(duì)作弊用戶和作弊筆記發(fā)放獎(jiǎng)勵(lì)。

打標(biāo)行為往往是實(shí)時(shí)消費(fèi)消息隊(duì)列去查詢圖數(shù)據(jù)庫(kù)，如果查詢動(dòng)作本身比較慢，則會(huì)造成整體消費(fèi)積壓。例如，如果一個(gè)查詢?nèi)蝿?wù)本應(yīng)在 12:00 執(zhí)行，但由于性能問(wèn)題直到 12:10 才開(kāi)始觸發(fā)，那么在這十分鐘的延遲期間，一篇劣質(zhì)筆記已成為優(yōu)質(zhì)筆記，作者薅羊毛成功。等到發(fā)現(xiàn)這是作弊用戶時(shí)，顯然「為時(shí)晚矣」，因?yàn)閾p失已經(jīng)造成了。

具體來(lái)說(shuō)，社交推薦場(chǎng)景要求三跳的 P99 低于 50 毫秒，風(fēng)控場(chǎng)景則要求三跳的 P99 低于 200 毫秒，這是目前 REDgraph 所面臨的一大難題。那為何一至二跳可行，三跳及以上就難以實(shí)現(xiàn)呢？對(duì)此，我們基于圖數(shù)據(jù)庫(kù)與其他類型系統(tǒng)在工作負(fù)載的差異，做了一些難點(diǎn)與可行性分析。

1.3 難點(diǎn)與可行性分析

首先在并發(fā)方面，OLTP 的并發(fā)度很高，而 OLAP 則相對(duì)較低。圖的三跳查詢，服務(wù)的仍然是在線場(chǎng)景，其并發(fā)度也相對(duì)較高，這塊更貼近 OLTP 場(chǎng)景。

其次在計(jì)算復(fù)雜度方面，OLTP 場(chǎng)景中的查詢語(yǔ)句較為簡(jiǎn)單，包含一到兩個(gè) join 操作就算是較為復(fù)雜的情況了，因此，OLTP 的計(jì)算復(fù)雜度相對(duì)較低。OLAP 則是專門為計(jì)算設(shè)計(jì)的，因此其計(jì)算復(fù)雜度自然較高。圖的三跳查詢則介于 OLTP 和 OLAP 之間，它雖不像 OLAP 那樣需要執(zhí)行大量的計(jì)算，但其訪問(wèn)的數(shù)據(jù)量相對(duì)于 OLTP 來(lái)說(shuō)還是更可觀的，因此屬于中等復(fù)雜度。

第三，數(shù)據(jù)時(shí)效性方面，OLTP 對(duì)時(shí)效性的要求較高，必須基于最新的數(shù)據(jù)提供準(zhǔn)確且實(shí)時(shí)的響應(yīng)。而在 OLAP 場(chǎng)景中則沒(méi)有這么高的時(shí)效要求，早期的 OLAP 數(shù)據(jù)庫(kù)通常提供的是 T+1 的時(shí)效。圖的三跳查詢，由于我們服務(wù)的是在線場(chǎng)景，所以對(duì)時(shí)效性有一定的要求，但并不是非常高。使用一小時(shí)或 10 分鐘前的狀態(tài)進(jìn)行推薦，也不會(huì)產(chǎn)生過(guò)于嚴(yán)重的后果。因此，我們將其定義為中等時(shí)效性。

最后，查詢失敗代價(jià)方面。OLTP 一次查詢的成本較低，因此其失敗的代價(jià)也低；而 OLAP 由于需要消耗大量的計(jì)算資源，因此其失敗代價(jià)很高。圖查詢?cè)谶@塊，更像 OLTP 場(chǎng)景一些，能夠容忍一些失敗，但畢竟訪問(wèn)的數(shù)據(jù)量較大，在查一遍代價(jià)稍高，因此同樣歸屬到中等。

總結(jié)一下：圖的三跳查詢具備 OLTP 級(jí)別的并發(fā)度，卻又有比一般 OLTP 大得多的數(shù)據(jù)訪問(wèn)量和計(jì)算復(fù)雜度，所以比較難在在線場(chǎng)景中使用。好在其對(duì)數(shù)據(jù)時(shí)效性的要求沒(méi)那么高，也能容忍一些查詢失敗，所以我們能嘗試對(duì)其優(yōu)化。

此外正如上文指出的，在小紅書(shū)業(yè)務(wù)場(chǎng)景中，三跳查詢的首要目標(biāo)還是降低延遲。有些系統(tǒng)中會(huì)考慮犧牲一點(diǎn)時(shí)延來(lái)?yè)Q取吞吐的大幅提升，而這在小紅書(shū)業(yè)務(wù)上是不可接受的。如果吞吐上不去，還可以通過(guò)擴(kuò)大集群規(guī)模來(lái)作為兜底方案，而如果時(shí)延高則直接不能使用了。

二、原架構(gòu)問(wèn)題分析

2.1 REDgraph 架構(gòu)

REDgraph 的整體結(jié)構(gòu)如上圖所示，其與當(dāng)前較為流行的 NewSQL，如 TiDB 的架構(gòu)構(gòu)相似，采用了存算分離 + shared-nothing 的架構(gòu)。奇包含三類節(jié)點(diǎn)：

• Meta 服務(wù)：負(fù)責(zé)管理圖數(shù)據(jù)庫(kù)的元信息，包括數(shù)據(jù)模式（Schema）、用戶賬號(hào)和權(quán)限、存儲(chǔ)分片的位置信息、作業(yè)與后臺(tái)任務(wù)等；
• Graph 服務(wù)：負(fù)責(zé)處理用戶的查詢請(qǐng)求，并做相應(yīng)的處理，涵蓋查詢的解析、校驗(yàn)、優(yōu)化、調(diào)度、執(zhí)行等環(huán)節(jié)。其本身是無(wú)狀態(tài)的，便于彈性擴(kuò)縮容；
• Storgae 服務(wù)：負(fù)責(zé)數(shù)據(jù)的物理存儲(chǔ)，其架構(gòu)分為三層。最上層是圖語(yǔ)義 API，將 API 請(qǐng)求轉(zhuǎn)換為對(duì) Graph 的鍵值（KV）操作；中間層采用 Raft 協(xié)議實(shí)現(xiàn)共識(shí)機(jī)制，確保數(shù)據(jù)副本的強(qiáng)一致性和高可用性；最底層是單機(jī)存儲(chǔ)引擎，使用 rocksdb 來(lái)執(zhí)行數(shù)據(jù)的增刪查等操作。

2.2 圖切分方式

圖切分的含義是，如果我們擁有一個(gè)巨大的圖，規(guī)模在百億到千億水平，應(yīng)該如何將其存儲(chǔ)在集群的各節(jié)點(diǎn)之中，即如何對(duì)其切分。在工業(yè)界中，主要存在兩種典型的切分策略：邊切分和點(diǎn)切分。

邊切分，以頂點(diǎn)為中心，這種切分策略的核心思想是每個(gè)頂點(diǎn)會(huì)根據(jù)其 ID 進(jìn)行哈希運(yùn)算，并將其路由到特定的分片上。每個(gè)頂點(diǎn)上的每條邊在磁盤中都會(huì)被存儲(chǔ)兩份，其中一份與起點(diǎn)位于同一分片，另一份則與終點(diǎn)位于同一分片。

點(diǎn)切分，與邊切分相對(duì)應(yīng)，也就是以邊為中心做哈希打散，每個(gè)頂點(diǎn)會(huì)在集群內(nèi)保存多份。

這兩種切分方式各有利弊。邊切分的優(yōu)點(diǎn)在于每個(gè)頂點(diǎn)與其鄰居都保存在同一個(gè)分片中，因此當(dāng)需要查詢某個(gè)頂點(diǎn)的鄰居時(shí)，其訪問(wèn)局部性極佳；其缺點(diǎn)在于容易負(fù)載不均，且由于節(jié)點(diǎn)分布的不均勻性，引發(fā)熱點(diǎn)問(wèn)題。點(diǎn)切分則恰恰相反，其優(yōu)點(diǎn)在于負(fù)載較為均衡，但缺點(diǎn)在于每個(gè)頂點(diǎn)會(huì)被切成多個(gè)部分，分配到多個(gè)機(jī)器上，因此更容易出現(xiàn)同步問(wèn)題。

REDgraph 作為一個(gè)在線的圖查詢系統(tǒng)，選擇的是邊切分的方案。

2.3 優(yōu)化方案 1.0

·  通用性差，且在 3 跳場(chǎng)景中效果還不夠。

我們之前已經(jīng)實(shí)施了一些優(yōu)化，可以稱之為優(yōu)化方案 1.0。當(dāng)時(shí)主要考慮的是如何快速滿足用戶需求，因此我們的方案包括：首先根據(jù)常用的查詢模式提供一些定制化的算法，這些算法可以跳過(guò)解析、校驗(yàn)、優(yōu)化和執(zhí)行等繁瑣步驟，直接處理請(qǐng)求，從而實(shí)現(xiàn)加速。其次，我們會(huì)對(duì)每個(gè)頂點(diǎn)的扇出操作進(jìn)行優(yōu)化，即每個(gè)頂點(diǎn)在向外擴(kuò)展時(shí)，對(duì)其擴(kuò)展數(shù)量進(jìn)行限制，以避免超級(jí)點(diǎn)的影響，降低時(shí)延。此外，我們還完善了算子的下推策略，例如 filter、sample、limit 等，使其盡可能在存儲(chǔ)層完成，以減少網(wǎng)絡(luò)帶寬的消耗。同時(shí)，我們還允許讀從節(jié)點(diǎn)、讀寫線程分離、提高垃圾回收頻率等優(yōu)化。

然而，這些優(yōu)化策略有一個(gè)共性，就是每個(gè)點(diǎn)都比較局部化和零散，因此其通用性較低。比如第一個(gè)優(yōu)化，如果用戶需要發(fā)起新的查詢模式，那么此前編寫的算法便無(wú)法滿足其需求，需要另行編寫。第二個(gè)優(yōu)化，如果用戶所需要的是頂點(diǎn)的全部結(jié)果，那此項(xiàng)也不再適用。第三個(gè)優(yōu)化，如果查詢中本身就不存在這些運(yùn)算符，那么自然也無(wú)法進(jìn)行下推操作。諸如此類，通用性較低，因此需要尋找一種更為通用，能夠減少重復(fù)工作的優(yōu)化策略。

2.4 新方案思考

如上圖所示，我們對(duì)一個(gè)耗時(shí)接近一秒的三跳查詢的 profile 分析。我們發(fā)現(xiàn)在每一跳產(chǎn)出的記錄數(shù)量上，第一跳至第二跳擴(kuò)散了 200 多倍，第二跳至第三跳擴(kuò)散了 20 多倍，表現(xiàn)在結(jié)果上，需要計(jì)算的數(shù)據(jù)行數(shù)從 66 條直接躍升至 45 萬(wàn)條，產(chǎn)出增長(zhǎng)速度令人驚訝。此外，我們發(fā)現(xiàn)三跳算子在整個(gè)查詢過(guò)程中占據(jù)了較大的比重，其在查詢層的耗時(shí)更是占據(jù)了整個(gè)查詢的 80% 以上。

那么應(yīng)該如何進(jìn)行優(yōu)化呢？在數(shù)據(jù)庫(kù)性能優(yōu)化方面，有許多可行的方案，主要分為三大類：存儲(chǔ)層的優(yōu)化、查詢計(jì)劃的優(yōu)化以及執(zhí)行引擎的優(yōu)化。

由于耗時(shí)大頭在查詢層，所以我們重點(diǎn)關(guān)注這塊。因?yàn)椴樵冇?jì)劃的優(yōu)化是一個(gè)無(wú)止境的工程，用戶可能會(huì)寫出各種查詢語(yǔ)句，產(chǎn)生各種算子，難以找到一個(gè)通用且可收斂的方案來(lái)覆蓋所有情況。而執(zhí)行引擎則可以有一個(gè)相對(duì)固定的優(yōu)化方案，因此我們優(yōu)先選擇了優(yōu)化執(zhí)行引擎。

圖數(shù)據(jù)庫(kù)的核心就是多跳查詢執(zhí)行框架，而其由于數(shù)據(jù)量大，計(jì)算量大，導(dǎo)致查詢時(shí)間較長(zhǎng)，因此我們借鑒了 MPP 數(shù)據(jù)庫(kù)和其他計(jì)算引擎的思想，提出了分布式并行查詢的解決方案。

2.5 原多跳查詢執(zhí)行流程

原有的多跳查詢執(zhí)行流程如上圖所示。假設(shè)我們要查詢 933 頂點(diǎn)的三跳鄰居節(jié)點(diǎn) ID，即檢索到藍(lán)圈中的所有頂點(diǎn)。經(jīng)過(guò)查詢層處理后，將生成右圖所示執(zhí)行計(jì)劃，START 表示計(jì)劃的起點(diǎn)，本身并無(wú)實(shí)際操作。GetNeighbor 算子則負(fù)責(zé)實(shí)際查詢頂點(diǎn)的鄰居，例如根據(jù) 933 找到 A 和 B。后續(xù)的 Project、InnerJoin 以及 Project 等操作均為對(duì)先前產(chǎn)生的結(jié)果進(jìn)行數(shù)據(jù)結(jié)構(gòu)的轉(zhuǎn)換、處理及裁剪等操作，以確保整個(gè)計(jì)算流程的順利進(jìn)行。正是后續(xù)的這幾個(gè)算子耗費(fèi)的時(shí)延較高。

2.6 可優(yōu)化點(diǎn)分析

2.6.1 Barrier 等待使時(shí)延增加

從上述物理執(zhí)行中可以看出：查詢節(jié)點(diǎn)必須等所有存儲(chǔ)節(jié)點(diǎn)的響應(yīng)返回后，才會(huì)執(zhí)行后面的算子。這樣即使大多數(shù)存儲(chǔ)節(jié)點(diǎn)很快返回，只要有一個(gè)「慢存儲(chǔ)節(jié)點(diǎn)」存在，整個(gè)查詢都得 block 住。

在圖計(jì)算（AP）場(chǎng)景中，一次計(jì)算往往要經(jīng)過(guò)很多輪迭代（Epoch），并且每輪迭代后都需要進(jìn)行全局指標(biāo)的更新，更新完再繼續(xù)下一輪迭代。在 Epoch 之間插入 Barrier 做同步是有必要的。

但在圖查詢（TP）場(chǎng)景中，通常不需要全局性更新，只是在下發(fā)請(qǐng)求時(shí)對(duì)起點(diǎn) ID 做去重，即使有往往也是在查詢的最后一步，因此沒(méi)有必要 barrier。

此外，圖數(shù)據(jù)庫(kù)負(fù)載往往呈現(xiàn)出“冪律分布”現(xiàn)象，即少數(shù)頂點(diǎn)鄰居邊多、多數(shù)頂點(diǎn)鄰居邊少；REDgraph 本身也是以邊切分的方式存儲(chǔ)數(shù)據(jù)，這就使得「慢存儲(chǔ)節(jié)點(diǎn)」很容易出現(xiàn)。加之某個(gè)存儲(chǔ)節(jié)點(diǎn)的網(wǎng)絡(luò)抖動(dòng)或節(jié)點(diǎn)負(fù)載高等因素，可能導(dǎo)致響應(yīng)時(shí)間進(jìn)一步延長(zhǎng)，影響查詢效率。

如圖所示，如果查詢層收到一個(gè)響應(yīng)就處理一個(gè)響應(yīng)（類似于 pipeline 的機(jī)制），則能避免無(wú)意義的空等，從整體上加速查詢的執(zhí)行。

2.6.2 查詢層串行執(zhí)行效率低

在整個(gè)查詢計(jì)劃中，只有 GetNeighbor 算子是在多個(gè)存儲(chǔ)節(jié)點(diǎn)上并行執(zhí)行，而其他算子是在查詢節(jié)點(diǎn)上串行執(zhí)行，這里我們想到兩個(gè)問(wèn)題：

• 串行執(zhí)行的效率天然低于并行執(zhí)行。只有在數(shù)據(jù)量太少或者計(jì)算邏輯太簡(jiǎn)單的情況下，上下文切換的開(kāi)銷會(huì)超過(guò)并行的收益。在正常負(fù)載的圖查詢場(chǎng)景中，數(shù)據(jù)量和計(jì)算邏輯都挺可觀；
• 當(dāng)多個(gè)存儲(chǔ)節(jié)點(diǎn)的響應(yīng)數(shù)據(jù)匯聚到查詢節(jié)點(diǎn)時(shí)，數(shù)據(jù)量仍然相當(dāng)可觀。如果能在 storaged 節(jié)點(diǎn)上完成這些計(jì)算，將顯著減少查詢節(jié)點(diǎn)需要處理的數(shù)據(jù)量。

我們?cè)跇I(yè)務(wù)的線上集群和性能測(cè)試顯示：GetNeighbors 和 GetVertices 不是所有算子中最耗時(shí)的，反倒是不起眼的 Project 算子往往耗費(fèi)更多時(shí)間，特別是那些緊隨 GetNeighbors 和 GetVertices 之后的 Project 算子，因?yàn)樗粌H需要執(zhí)行數(shù)據(jù)投影，還負(fù)責(zé)將 map 展平。

這表明整個(gè)查詢的主要瓶頸在于計(jì)算量大。而查詢計(jì)劃中大部分都是純計(jì)算型算子，將它們并行化對(duì)于提升查詢效率很有必要。

2.6.3 查詢結(jié)果轉(zhuǎn)發(fā)浪費(fèi) IO

如上文所說(shuō)，在圖查詢場(chǎng)景中一般不需要做全局性的更新，查詢節(jié)點(diǎn)收到各存儲(chǔ)節(jié)點(diǎn)的響應(yīng)后，只是簡(jiǎn)單地再次分區(qū)然后下發(fā)，所以存儲(chǔ)節(jié)點(diǎn)的結(jié)果轉(zhuǎn)發(fā)到查詢層，再?gòu)牟樵児?jié)點(diǎn)分發(fā)到各存儲(chǔ)節(jié)點(diǎn)很浪費(fèi)。

如果存儲(chǔ)節(jié)點(diǎn)自身具備路由和分發(fā)的能力，那可以讓存儲(chǔ)節(jié)點(diǎn)執(zhí)行完 GetNeighbors 算子后，接著執(zhí)行 Project、InnerJoin 等算子，每當(dāng)遇到下一個(gè) GetNeighbor 算子時(shí)，自行組織請(qǐng)求并分發(fā)給其他存儲(chǔ)節(jié)點(diǎn)。其他存儲(chǔ)節(jié)點(diǎn)收到后接著執(zhí)行后面的算子，以此規(guī)則往復(fù)，直到最后一步將結(jié)果匯聚到查詢層，統(tǒng)一返回給客戶端。

2.7 改造后的執(zhí)行流程

首先，查詢服務(wù)器（Query Server）將整個(gè)執(zhí)行計(jì)劃以及執(zhí)行計(jì)劃所需的初始數(shù)據(jù)傳輸至存儲(chǔ)服務(wù)器（Store Server），之后 Store Server 自身來(lái)驅(qū)動(dòng)整個(gè)執(zhí)行過(guò)程。以 Store Server 1 為例，當(dāng)它完成首次查詢后，便會(huì)根據(jù)結(jié)果 ID 所在的分區(qū)，將結(jié)果轉(zhuǎn)發(fā)至相應(yīng)的 Store Server。各個(gè) Store Server 可以獨(dú)立地繼續(xù)進(jìn)行后續(xù)操作，從而實(shí)現(xiàn)整個(gè)執(zhí)行動(dòng)作的并行化，并且無(wú)同步點(diǎn)，也無(wú)需額外轉(zhuǎn)發(fā)。

需要說(shuō)明的是，圖中右側(cè)白色方框比左側(cè)要矮一些，這是因?yàn)閿?shù)據(jù)由上方轉(zhuǎn)到下方時(shí)，進(jìn)行了分區(qū)下發(fā)，必然比在查詢服務(wù)器接收到的總數(shù)據(jù)量要少。

可以看到，在各部分獨(dú)立驅(qū)動(dòng)后，并未出現(xiàn)等待或額外轉(zhuǎn)發(fā)的情況，Query Server 只需在最后一步收集各個(gè) Store Server 的結(jié)果并聚合去重，然后返回給客戶端。如此一來(lái)，整體時(shí)間相較于原始模型得到了顯著縮短。

三、分布式并行查詢的實(shí)現(xiàn)

分布式并行查詢的具體實(shí)現(xiàn)，涉及到許多個(gè)關(guān)鍵點(diǎn)，接下來(lái)介紹其中一些細(xì)節(jié)。

3.1 如何保證不對(duì) 1-2 跳產(chǎn)生負(fù)優(yōu)化

首先一個(gè)問(wèn)題是，在進(jìn)行改造時(shí)如何確保不會(huì)對(duì)原始的 1-2 跳產(chǎn)生負(fù)優(yōu)化。在企業(yè)內(nèi)部進(jìn)行新的改造和優(yōu)化時(shí)，必須謹(jǐn)慎評(píng)估所采取的措施是否會(huì)對(duì)原有方案產(chǎn)生負(fù)優(yōu)化。我們不希望新方案還未能帶來(lái)收益，反而破壞了原有的系統(tǒng)。因此，架構(gòu)總體上與原來(lái)保持一致。在 Store Server 內(nèi)部插入了一層，稱為執(zhí)行層，該層具有網(wǎng)絡(luò)互聯(lián)功能，主要用于分布式查詢的轉(zhuǎn)發(fā)。Query Server 層則基本保持不變。

這樣，當(dāng)接收到用戶的執(zhí)行計(jì)劃后，便可根據(jù)其跳數(shù)選擇不同的處理路徑。若為 1 至 2 跳，則仍沿用原有的流程，因?yàn)樵械牧鞒棠軌驖M足 1-2 跳的業(yè)務(wù)需求，而 3 跳及以上則采用分布式查詢。

3.2 如何與原有執(zhí)行框架兼容

原有代碼中每一個(gè)操作都是用算子方式實(shí)現(xiàn)。為了讓分布式并行查詢的實(shí)現(xiàn)與原有框架兼容，我們把「轉(zhuǎn)發(fā)」也定義為一個(gè)算子，取名為 Forward。這一算子的功能類似于 Spark 中的 Shuffle 算子、或 OceanBase 中的 Exchange 算子，關(guān)鍵在于它能夠確保查詢?cè)诜植际江h(huán)境中順暢執(zhí)行。

我們對(duì)查詢計(jì)劃進(jìn)行了以下關(guān)鍵改寫：

• 在每個(gè)要「切換分區(qū)才能執(zhí)行的」算子前（例如 GetNeighbors、GetVertices 等），我們添加一個(gè) FORWARD 算子。FORWARD 算子負(fù)責(zé)記錄分區(qū)的依據(jù)，通常是起點(diǎn) ID。
• 為了將分布式節(jié)點(diǎn)的查詢結(jié)果有效地匯總，我們?cè)诓樵冇?jì)劃的末端添加了 CONVERGE 算子，它指示各節(jié)點(diǎn)將結(jié)果發(fā)送回 DistDriver 節(jié)點(diǎn)，即最初接收用戶請(qǐng)求的節(jié)點(diǎn)。
• 隨后，我們引入了 MERGE 算子，它的作用是對(duì)所有從節(jié)點(diǎn)收到的結(jié)果進(jìn)行匯總，并將最終結(jié)果返回給客戶端。

通過(guò)這種方式，當(dāng) REDgraph-Server 準(zhǔn)備執(zhí)行 GetNeighbors、GetVertices 算子時(shí)，它會(huì)首先執(zhí)行 FORWARD、CONVERGE算子，將必要的數(shù)據(jù)和查詢計(jì)劃轉(zhuǎn)發(fā)到其他服務(wù)器。這樣，其他服務(wù)器在接收到請(qǐng)求后，就能明確自己的任務(wù)和所需的數(shù)據(jù)，從而推動(dòng)查詢計(jì)劃的執(zhí)行。

值得注意的是，F(xiàn)ORWARD 和 CONVERGE算子都有「轉(zhuǎn)發(fā)/發(fā)送」數(shù)據(jù)的含義，不過(guò)它們的側(cè)重點(diǎn)不太一樣：

• FORWARD 強(qiáng)調(diào)的是路由轉(zhuǎn)發(fā)，并且要指定轉(zhuǎn)發(fā)的依據(jù)，即 partitionKey 字段，不同的數(shù)據(jù)行會(huì)根據(jù)其 partitionKey 字段值的不同轉(zhuǎn)發(fā)到不同的節(jié)點(diǎn)上；
• CONVERGE 強(qiáng)調(diào)的是發(fā)送匯聚，具有單一確定的目標(biāo)節(jié)點(diǎn)，即 DistDriver；

因它們只是在做轉(zhuǎn)發(fā)/發(fā)送的工作，我們將這類算子統(tǒng)稱為「路由」算子。

在改造后的查詢計(jì)劃中，從 START 算子開(kāi)始，直到遇到「路由」算子，這多個(gè)算子都可以在某個(gè)節(jié)點(diǎn)本地執(zhí)行的，因此我們將這一系列算子劃分到一個(gè) stage 內(nèi)。整個(gè)查詢計(jì)劃由多個(gè) stage 組成，其中首尾兩個(gè) stage 在 DistDriver 上執(zhí)行，中間的 stage 在 DistWorker 上執(zhí)行。

需要注意的是：stage 是一個(gè)邏輯概念，具體執(zhí)行時(shí)，每個(gè) stage 會(huì)依據(jù)分區(qū)和所屬節(jié)點(diǎn)產(chǎn)生多個(gè) task，這些 task 會(huì)分布在多個(gè)節(jié)點(diǎn)上執(zhí)行，每個(gè)節(jié)點(diǎn)僅訪問(wèn)本節(jié)點(diǎn)內(nèi)數(shù)據(jù)，無(wú)需跨網(wǎng)絡(luò)拉取數(shù)據(jù)。這種結(jié)構(gòu)化的方法極大地提高了查詢的并行性和效率。

3.3 如何做熱點(diǎn)處理

在原查詢模式中，每一次在發(fā)起 GetNeighbors 算子前，查詢層會(huì)對(duì)起點(diǎn) ID 去重（查詢計(jì)劃中 GetNeighbors 算子的 dedup 為 true），收到存儲(chǔ)節(jié)點(diǎn)的響應(yīng)后，再依靠后續(xù)算子將結(jié)果按需展平，因此存儲(chǔ)節(jié)點(diǎn)不會(huì)產(chǎn)生重復(fù)查詢。以下圖舉例說(shuō)明：

原查詢模式的執(zhí)行流程可簡(jiǎn)單描述為：

1. 第一跳從存儲(chǔ)層查到 A->C 和 B->C，返回到查詢層；
2. 查詢層會(huì) Project 得到兩個(gè) C，以備后面做 InnerJoin；
3. 準(zhǔn)備執(zhí)行第二跳，構(gòu)造起點(diǎn)集合時(shí)，由于 dedup 為 true，僅會(huì)保留一個(gè) C；
4. 第二跳從存儲(chǔ)層查到 C->D 和 C->E，返回到查詢層；
5. 查詢層執(zhí)行 InnerJoin，由于此前有兩個(gè) C，所以 C->D 和 C->E 也各會(huì)變成兩個(gè)；
6. 查詢層再次 Project 取出 dstId2，得到結(jié)果 D、D、E、E。

從步驟 4 可以看到，存儲(chǔ)層不會(huì)產(chǎn)生重復(fù)查詢。

改造成分布式查詢后，我們只能在每個(gè) stage 內(nèi)去重。但由于缺乏全局 barrier，多個(gè) stage 先后往某個(gè) DistWorker 轉(zhuǎn)發(fā)請(qǐng)求時(shí)，多個(gè)請(qǐng)求之間可能有重復(fù)的起點(diǎn)，會(huì)在存儲(chǔ)層產(chǎn)生重復(fù)查詢和計(jì)算，導(dǎo)致 CPU 開(kāi)銷增加以及查詢時(shí)延增加。

如果每一跳產(chǎn)生的重復(fù)終點(diǎn) ID（將會(huì)作為下一跳的起點(diǎn) ID）很多，分布式查詢反而會(huì)帶來(lái)劣勢(shì)。為解決這一問(wèn)題，我們引入一套起點(diǎn) ID 去重機(jī)制 —— NeighborCache，具體方案如下：

因?yàn)闆](méi)有全局的 Barrier，無(wú)法在下發(fā)請(qǐng)求之前去重，我們選擇在存儲(chǔ)節(jié)點(diǎn)上提供一個(gè) NeighborCache，其本質(zhì)就是一個(gè) map，可表示為 map<vid +="" edgetype,="" list>。在執(zhí)行 GetNeighbors 算子前，存儲(chǔ)節(jié)點(diǎn)會(huì)首先檢查 NeighborCache，如果找到相應(yīng)的條目，則直接使用這些數(shù)據(jù)填充結(jié)果集；如果沒(méi)有找到，則訪問(wèn)存儲(chǔ)層獲取數(shù)據(jù)，并更新 NeighborCache，讀取和更新 Cache 需要用讀寫鎖做好互斥。

另外，NeighborCache 還具有如下特點(diǎn)：

• 每當(dāng)有更新 vid + edgeType 的請(qǐng)求時(shí)，都會(huì)先 invalidate cache 中對(duì)應(yīng)的條目，以此來(lái)保證緩存與數(shù)據(jù)的一致性；
• 即使沒(méi)有更新操作存在，cache 內(nèi)的每個(gè) kv 條目存活時(shí)間也很短，通常為秒級(jí)，超過(guò)時(shí)間就會(huì)被自動(dòng)刪除。為什么這么短呢？

• 充分性：由于在線圖查詢（OLTP）的特性，用戶的多跳查詢通常在幾秒到十幾秒內(nèi)完成。而 NeighborCache 只是為了去重而設(shè)計(jì)，來(lái)自于不同 DistWorker 的 GetNeighbors 請(qǐng)求大概率不會(huì)相隔太長(zhǎng)時(shí)間到達(dá)，所以 cache 本身也不需要存活太久；
• 必要性：從 map 結(jié)構(gòu)的 key 就會(huì)發(fā)現(xiàn)，當(dāng) qps 較高，跳數(shù)多，頂點(diǎn)的鄰居邊多時(shí)，此 map 要承載的數(shù)據(jù)量是非常大的，所以也不能讓其存活的時(shí)間太久，否則很容易 OOM；

• 在填充 cache 前會(huì)做內(nèi)存檢查，如果本節(jié)點(diǎn)當(dāng)前的內(nèi)存水位已經(jīng)比較高，則不會(huì)填充，以避免節(jié)點(diǎn) OOM。

通過(guò)這種起點(diǎn) ID 去重機(jī)制，我們能夠有效地減少重復(fù)查詢，提高分布式查詢的效率和性能。

3.4 如何做負(fù)載均衡

第四個(gè)問(wèn)題是怎么做負(fù)載均衡，包括存儲(chǔ)的均衡和計(jì)算的均衡。

首先，存儲(chǔ)的均衡在以邊切分的圖存儲(chǔ)里面其實(shí)是很難的，因?yàn)樗烊坏木褪前秧旤c(diǎn)和其鄰居全部都存在了一起，這是圖數(shù)據(jù)庫(kù)相比其他數(shù)據(jù)庫(kù)的優(yōu)勢(shì)，也是其要承擔(dān)的代價(jià)。所以目前沒(méi)有一個(gè)徹底的解決方法，只能在真的碰到此問(wèn)題時(shí)擴(kuò)大集群規(guī)模，讓數(shù)據(jù)的哈希打散能夠更加均勻一些，避免多個(gè)熱點(diǎn)都落在同一個(gè)機(jī)器的情況。而在目前的業(yè)務(wù)場(chǎng)景上來(lái)看，其實(shí)負(fù)載不均衡的現(xiàn)象不算嚴(yán)重，例如風(fēng)控的一個(gè)比較大的集群，其磁盤用量最高和最低的也不超過(guò) 10%，所以問(wèn)題其實(shí)并沒(méi)有想象中的那么嚴(yán)重。

另外一個(gè)優(yōu)化方法是在存儲(chǔ)層及時(shí)清理那些過(guò)期的數(shù)據(jù)，清理得快的話也可以減少一些不均衡。

計(jì)算均衡的問(wèn)題。存儲(chǔ)層采用了三副本的策略，若業(yè)務(wù)能夠接受弱一致的讀?。▽?shí)際上大多數(shù)業(yè)務(wù)均能接受），我們可以在請(qǐng)求轉(zhuǎn)發(fā)時(shí)，查看三副本中的哪個(gè)節(jié)點(diǎn)負(fù)載較輕，將請(qǐng)求轉(zhuǎn)發(fā)至該節(jié)點(diǎn)，以盡量平衡負(fù)載。此外，正如前文所述，熱點(diǎn)結(jié)果緩存也是一種解決方案，只要熱點(diǎn)處理速度足夠快，計(jì)算的不均衡現(xiàn)象便不易顯現(xiàn)。

3.5 如何做流程控制

在分布式查詢架構(gòu)中，由于前面取消全局 Barrier，使得各個(gè) DistWorker 自行驅(qū)動(dòng)查詢的進(jìn)行。這種設(shè)計(jì)提高了靈活性，但也帶來(lái)新的挑戰(zhàn)：

如圖所示，各個(gè) DistWorker 上 stage3 的結(jié)果需要匯聚到 DistDriver 后才能向客戶端返回，但是 DistDriver 只在 stage0 的時(shí)候給 Node2 發(fā)送了請(qǐng)求，后面的所有轉(zhuǎn)發(fā)都是由 DistWorker 自行完成的，脫離了 DistDriver 的「掌控」。這樣 DistDriver 就不知道最后有多少個(gè)節(jié)點(diǎn)在執(zhí)行 stage3，也就不知道該等待哪些 DistWorker 給它發(fā)送結(jié)果，以及何時(shí)可以開(kāi)始執(zhí)行 stage4。

我們引入一個(gè)進(jìn)度匯報(bào)機(jī)制：在 DistDriver 上實(shí)現(xiàn)一個(gè) Acker，負(fù)責(zé)接收各個(gè) DistWorker 上報(bào)的 stage 執(zhí)行進(jìn)度信息。每個(gè) stage 向外擴(kuò)散時(shí)，向 Acker 發(fā)送一條消息，記錄當(dāng)前完成的 stage 和 即將開(kāi)始的 stage 的節(jié)點(diǎn)數(shù)量。具體而言，就是包含兩個(gè)鍵值對(duì)：

• 當(dāng)前的 stage 編號(hào) -> -1；
• 下一個(gè) stage 的編號(hào) -> 執(zhí)行下一個(gè) stage 的節(jié)點(diǎn)的數(shù)量；

比如 Node2 上的 stage-1 擴(kuò)散到 stage-2 時(shí)，目標(biāo)節(jié)點(diǎn)有 3 個(gè)：Node1、Node3、Node5，于是就發(fā)送 {stage-1: -1，stage-2: 3} 的消息到 DistDriver 上，表示有一個(gè)節(jié)點(diǎn)完成了 stage-1，有 3 個(gè)節(jié)點(diǎn)開(kāi)始了 stage-2。而由于 stage-1 此前由 Node1 登記過(guò) {stage-1: 1}，這樣一正一負(fù)就表示所有的 stage-1 都已經(jīng)執(zhí)行完畢。stage-2 和 stage-3 的更新和判定方式類似，當(dāng) DistDriver 發(fā)現(xiàn)所有的前置 stage 數(shù)量都為 0 時(shí)，就可以驅(qū)動(dòng) stage-4 。

我們實(shí)際想要的是每個(gè) stage 數(shù)量的正負(fù)抵消能力，而非 {stage-1: -1，stage-2: 3} 的字符串。為了簡(jiǎn)化這一過(guò)程，我們便采用異或運(yùn)算（相同為 0，相異為 1）跟蹤各個(gè) stage 的狀態(tài)，舉例說(shuō)明：

1. Acker 上有一個(gè)初始的 checksum 值 0000；
2. stage-0 在擴(kuò)散到 stage-1 時(shí)，生成了一個(gè)隨機(jī)數(shù) 0010（這里為了表達(dá)簡(jiǎn)便，以 4 位二進(jìn)制數(shù)代替），這個(gè) 0010 是 Node2 上的 stage-1 的 Id，然后把這個(gè) 0010 伴隨著 Forward 請(qǐng)求發(fā)到 Node2 上，同時(shí)也發(fā)到 Acker 上，這樣就表示 0010 這個(gè) stage 開(kāi)始了，Acker 把收到的值與本地的 checksum 做異或運(yùn)算，得到 0010，并以此更新本地 checksum；
3. stage-1 執(zhí)行完后擴(kuò)散到 stage-2 時(shí)，由于有 3 個(gè)目標(biāo)節(jié)點(diǎn)，就生成 3 個(gè)不相同的隨機(jī)數(shù) 0101、0001、1010（需要檢查這 3 個(gè)數(shù)異或之后不為 0），分別標(biāo)識(shí) 3 個(gè)目標(biāo)節(jié)點(diǎn)上的 stage-2，然后把這 3 個(gè)數(shù)伴隨著 Forward 請(qǐng)求發(fā)到 Node1、Node3、Node5 上，同時(shí)在本地把自身的 stage Id（0010）和這 3 個(gè)數(shù)一起做異或運(yùn)算，再把運(yùn)算的結(jié)果發(fā)到 Acker，Acker 再次做異或運(yùn)算，也就是 0010 ^ (0010 ^ 0101 ^ 0001 ^ 1010），這樣 0010 就被消除掉了，也就表示 stage-1 執(zhí)行完成了；
4. 重復(fù)上述過(guò)程，最后 Acker 上的 checksum 會(huì)變回 0，表示可以驅(qū)動(dòng) stage-4。

注意：盡管在某個(gè)節(jié)點(diǎn)的 stage 擴(kuò)散時(shí)檢查了生成的隨機(jī)數(shù)異或不為 0，但是多個(gè)節(jié)點(diǎn)間生成的隨機(jī)數(shù)異或到一起還是可能為 0 的，比如 Node1 的 stage-2 生成的 3 個(gè)數(shù)異或后為 0001，Node3 的 stage-2 異或后為 0010，Node5 的 stage-2 異或后為 0011，0001 ^ 0010 ^ 0011 = 0。這樣就會(huì)導(dǎo)致 stage-3 還在執(zhí)行中時(shí)，DistDriver 就誤認(rèn)為它已經(jīng)執(zhí)行完畢，提前驅(qū)動(dòng) stage-4 的執(zhí)行。

不過(guò)考慮到我們實(shí)際使用的是 int32 整數(shù)，出現(xiàn)這種的情況的概率非常低。在未來(lái)的優(yōu)化中在，我們可以考慮給每個(gè) Node 生成一個(gè) 16 位的隨機(jī) Id（由 metad 生成），并保證這些 NodeId 異或結(jié)果不為 0，當(dāng) stage 擴(kuò)散時(shí)，將 NodeId 置于隨機(jī)數(shù)的高位，確保分布式查詢的每個(gè)階段都能被準(zhǔn)確跟蹤和協(xié)調(diào)。

另一個(gè)重要的問(wèn)題便是全程鏈路的超時(shí)自檢，例如在 stage2 或 stage3 的某一個(gè)節(jié)點(diǎn)上運(yùn)行時(shí)間過(guò)長(zhǎng)，此時(shí)不能讓其余所有節(jié)點(diǎn)一直等待，因?yàn)榭蛻舳艘呀?jīng)超時(shí)了。因此我們?cè)诿總€(gè)算子內(nèi)部的執(zhí)行邏輯中都設(shè)置了一些埋點(diǎn)，用以檢查算子的執(zhí)行是否超過(guò)了用戶側(cè)的限制時(shí)間，一旦超過(guò)，便立即終止自身的執(zhí)行，從而迅速地自我銷毀，避免資源的無(wú)謂浪費(fèi)。

四、性能測(cè)試

我們?cè)诟脑旃こ掏瓿珊筮M(jìn)行了性能測(cè)試，采用 LDBC 組織提供的 SNB 數(shù)據(jù)集，生成了一個(gè) SF100 級(jí)別的社交網(wǎng)絡(luò)圖譜，規(guī)模達(dá)到 3 億頂點(diǎn)，18 億條邊。我們主要考察其一跳、二跳、三跳、四跳等多項(xiàng)查詢性能。

根據(jù)測(cè)試結(jié)果顯示，在一跳和二跳情況下，原生查詢和分布式查詢性能基本相當(dāng)，未出現(xiàn)負(fù)優(yōu)化現(xiàn)象。從三跳起，分布式查詢相較于原生查詢能實(shí)現(xiàn) 50% 至 60% 的性能提升。例如，在 Max degree 場(chǎng)景下的分布式查詢已將時(shí)延控制在 50 毫秒以內(nèi)。在帶有 Max degree 或 Limit 值的情況下，時(shí)延均在 200 毫秒以下。盡管數(shù)據(jù)集與實(shí)際業(yè)務(wù)數(shù)據(jù)集存在差異，但它們皆屬于社交網(wǎng)絡(luò)領(lǐng)域，因此仍具有一定的參考價(jià)值。

四跳查詢，無(wú)論是原始查詢還是分布式查詢，其時(shí)延的規(guī)?；旧隙荚诿胫潦嗝氲姆秶鷥?nèi)。因?yàn)樗奶樵兩婕暗臄?shù)據(jù)量實(shí)在過(guò)于龐大，已達(dá)到百萬(wàn)級(jí)別，僅依賴分布式并行查詢難以滿足需求，因此需要采取其他策略。然而，即便如此，我們所提出的改進(jìn)方案相較于原始查詢模式仍能實(shí)現(xiàn) 50% 至 70% 的提升，效果還是很可觀的。

五、總結(jié)與展望

在過(guò)去的較短時(shí)間內(nèi)，我們基于 MPP 的理念，對(duì) REDgraph 在分布式并行查詢上進(jìn)行了深入探索和實(shí)踐。本方案能顯著優(yōu)化多跳查詢的性能，并且對(duì)業(yè)務(wù)邏輯完全兼容，沒(méi)有使用限制條件，屬于框架級(jí)的通用優(yōu)化。測(cè)試結(jié)果顯示，時(shí)延降低了 50% 以上，滿足在線業(yè)務(wù)場(chǎng)景的時(shí)延要求，驗(yàn)證方案的有效性。

目前，許多公司的圖數(shù)據(jù)庫(kù)產(chǎn)品在在線場(chǎng)景中仍使用兩跳及以下的查詢。這是因?yàn)槎嗵樵兊臅r(shí)延無(wú)法滿足在線業(yè)務(wù)的要需求，導(dǎo)致失去許多潛在的業(yè)務(wù)價(jià)值，也未能充分發(fā)揮圖數(shù)據(jù)庫(kù)的技術(shù)優(yōu)勢(shì)。隨著小紅書(shū) DAU 的持續(xù)增長(zhǎng)，業(yè)務(wù)數(shù)據(jù)規(guī)模朝著萬(wàn)億級(jí)規(guī)模遞增，業(yè)務(wù)上使用替代方案的瓶頸會(huì)逐漸展露。我們計(jì)劃在今年上半年完成開(kāi)發(fā)工作，并在下半年開(kāi)始將這套新架構(gòu)逐步應(yīng)用于相關(guān)業(yè)務(wù)場(chǎng)景。

本方案雖然針對(duì)的是圖數(shù)據(jù)庫(kù)，但其探索實(shí)踐對(duì)公司其他數(shù)據(jù)庫(kù)產(chǎn)品同樣具有重要的參考價(jià)值。例如，REDtable 在處理用戶請(qǐng)求時(shí)，經(jīng)常需要應(yīng)對(duì)復(fù)雜或計(jì)算量大的查詢，以往會(huì)建議用戶修改代碼來(lái)適應(yīng)這些情況?，F(xiàn)在，我們可以借鑒本方案，為這些「具有重查詢需求」產(chǎn)品打造高性能執(zhí)行框架，以增強(qiáng)自身的數(shù)據(jù)處理能力。

我們將繼續(xù)提升 REDgraph 的多跳查詢能力，并將其和 REDtao 融合，打造成一個(gè)統(tǒng)一的數(shù)據(jù)庫(kù)產(chǎn)品，賦能更多業(yè)務(wù)場(chǎng)景。我們誠(chéng)邀對(duì)技術(shù)有極致追求，志同道合的同學(xué)一起加入團(tuán)隊(duì)，共同推動(dòng)圖數(shù)據(jù)技術(shù)的發(fā)展。

六、作者簡(jiǎn)介

• 再興 
  小紅書(shū)基礎(chǔ)架構(gòu)存儲(chǔ)組工程師，負(fù)責(zé)自研分布式表格存儲(chǔ) REDtable（NewSQL），參與分布式圖數(shù)據(jù)庫(kù) REDgraph 的研發(fā)。
• 敬德 
  小紅書(shū)基礎(chǔ)架構(gòu)存儲(chǔ)組工程師，負(fù)責(zé)自研圖存儲(chǔ)系統(tǒng) REDtao 和分布式圖數(shù)據(jù)庫(kù) REDgraph。
• 劉備 
  
  小紅書(shū)基礎(chǔ)架構(gòu)存儲(chǔ)組負(fù)責(zé)人，負(fù)責(zé) REDkv / Redis / REDtao / REDtable / REDgraph / MySQL 的整體架構(gòu)和技術(shù)演進(jìn)。