1estudo de viabilidade de uma plataforma de baixo custo para data warehouse estudo de viabilidade de...
TRANSCRIPT
1Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
ESTUDO DE VIABILIDADE DE UMA PLATAFORMA DE ESTUDO DE VIABILIDADE DE UMA PLATAFORMA DE BAIXO CUSTO PARA DATA WAREHOUSEBAIXO CUSTO PARA DATA WAREHOUSE
Eduardo Cunha de AlmeidaEduardo Cunha de AlmeidaOrientador: Prof. Dr. Marcos SunyeOrientador: Prof. Dr. Marcos Sunye
Agosto / 2004Agosto / 2004
2Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
AgendaAgenda
✔Motivação
✔Objetivo
✔Data Warehouse
✔PostgreSQL
✔Metodologias de Benchmark
✔Resultados
✔Conclusão
3Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
MotivaçãoMotivação
✔Data Warehouse
✔Demanda crescente pela implementação de Data Warehouses
✔SW “Open Source” e HW de baixo custo
✔Três maiores desafios em Data Warehouse (KIM, W., 2003)
• Limpeza de dados• Seleção de Fontes • Desempenho
4Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
ObjetivoObjetivo
✔ Viabilidade de uma Plataforma de Baixo Custo para um Data Warehouse
• SGBD PostgreSQL• SO LINUX• HW – Equipamentos de baixo custo
✔ Futuras implementações no PostgreSQL visando Data Warehouse
✔ Fomentar:• Desenvolvimento de softwares “open source” para os outros componentes do ambiente Data Warehouse (OLAP e ETL)
5Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
Data WarehouseData Warehouse
ConceitoDW é um grande repositório de dados coletados de diversas fontes que destina-se a gerar informações para o nível gerencial sendo fonte para tomadas de decisão.
Características
• Orientado a consultas
• Exige grande capacidade de armazenamento
• Não volátil
• Permite redundância
• Poucos usuários
• Consultas complexas
• Não possui metodologia padrão, apenas recomendações de metodologias.
6Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
Data Warehouse – Poder de Data Warehouse – Poder de processamentoprocessamento
Consultas
• Varredura completa de tabela
• Agregações
• Múltiplas junções
Índices• Índices de Bitmap utilizados por SGBDs como Oracle e
DB2, também chamados de índices de HG pelo Sybase IQ
Carregamento
• Armazenado histórico de dados, ou seja, grande quantidade de dados
• Grandes segmento de rollback
• Carregamento periódico
Ex.1: GVT carrega diariamente 8 milhões de registros. Atualmente o DW possui 2,5 TB de dados.
Ex.2: BCP carrega diariamente 30 milhões de registros
7Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
PostgreSQLPostgreSQL
O PostgreSQL é um SGBD de código aberto que deriva seu desenvolvimento do SGBD Ingres.
Características
• SGBD de código aberto mais avançado
• Integridade referencial
• Suporte as especificações da SQL92 e SQL99
• Controle de concorrência, evitando bloqueios de leitura quando existe uma escrita no banco de dados
Próxima versão
• Tablespace
• Índice multi-coluna
• Melhorias no otimizador (rewriter)
8Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
PostgreSQL – Execução de ConsultasPostgreSQL – Execução de Consultas
1 - A consulta é submetida ao parser que verifica as definições dos objetos
no dicionário de dados;
2 - É realizado a reescrita das consultas;
3 - O planner constrói um plano de execução orientado pela consulta reescrita e pelas estatísticas coletadas pelo DBA;
4 - É executado o plano criado pelo planner.
9Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
Metodologias de Benchmark para DWMetodologias de Benchmark para DW
Visão Geral
Metodologia para simular a execução de uma carga de trabalho do mundo real.
Metodologias Utilizadas• TPC-H – Mantida pelo Transaction Processing Performance Council (TPC)• OSDL DBT3 – Mantida pelo Open Source Development Lab (OSDL)
O TPC é uma corporação sem fim lucrativo fundado para definir processamento de transações e benchmarks de banco de dados. O propósito do benchmark TPC é prover dados de desempenho relevantes e objetivos para a indústria. O OSDL é uma organização sem fim lucrativo que fornece o “estado da arte” em computação e ambientes de teste para acelerar o crescimento e adoção do SO Linux nas empresas.
10Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
Metodologia TPC-HMetodologia TPC-H
Visão Geral TPC-H é compreendido de consultas de negócio projetadas para exercitar as funcionalidades de um sistema buscando representar aplicações complexas de análises de negócios. São 22 consultas de natureza ad-hoc, com vários tipos de acesso, alto grau de complexidade e que examinam uma grande porcentagem dos dados disponíveis. Estas consultas são executadas de forma seqüencial e formam uma seqüência de consultas. São executadas também 2 consultas de atualização. Para a execução dos testes o driver foi desenvolvido em Java/Shell script. As escalas para o benchmark estão divididas em: 1 GB, 10 GB, 30 GB, 100 GB, 300 GB, 1.000 GB, 3.000 GB e 10.000 GB.
Operações realizadas• Varredura seqüencial de grandes volumes de dados;• Agregações de grandes volumes de dados; • Junções de múltiplas tabelas;• Ordenações.
11Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
Metodologia TPC-HMetodologia TPC-H
Regras de execuçãoCada seqüência de consultas deve corresponder a uma sessão;
Power TestExecução de uma seqüência de consulta entre a execução das duas consultas de atualização.
Throughput TestExecução em paralelo de várias seqüência de consulta entre a execução das duas consultas de atualização.A quantidade de seqüências é definida de acordo com a escala utilizada.
O sistema deverá ser o mesmo para os dois testes.
Medidas• TPC-H Power;• TPC-H Query-por-hora ou Consulta-por-hora;• TPC-H Price/Performance ou Preço / Desempenho.
12Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
Metodologia OSDL DBT3Metodologia OSDL DBT3
O OSDL DBT3 é uma adaptação do TPC-H para testar o sistema operacional Linux e sua pilha de softwares de código aberto.
• Possibilidade de reescrita das consultas, pois o PostgreSQL não resolve de maneira eficaz como será demonstrado. A reescrita é proibida pelo TPC;• Pode ser utilizado qualquer fator de escala e não somente os utilizados pelo TPC-H. Apesar disto foram utilizados neste trabalho as escalas 1GB e 100GB;• No TPCH algumas consultas são restringidas no retorno de linhas e esta restrição não é aplicada pelo DBT3. Neste trabalho utilizamos a mesma opção do DBT3;• Não é realizado o teste de ACID no DBT3;• Não é utilizada a métrica de preço/desempenho.
Diferenças entre DBT3 e TPC-H
13Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
Configuração do AmbienteConfiguração do Ambiente
Benchmark• OSDL DBT3 versão 1.4 e TPC-H versão 2.0.0• Fator de escala de 1GB e 100GB • Carregamento realizado utilizando arquivos (flat file)
Software• PostgreSQL 7.4.2• Mandrake Linux 64bits (kernel 2.6.5)• Java SDK 1.4.2_04 • PostgreSQL JDBC pg74.1jdbc3.jar• Utilitários TPC-H (DBGEN and QGEN)
Hardware• Dual Opteron 64bits Model 240 1.4GHz• 4 GB RAM• 960 GB Disk em RAID 0
14Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
ResultadosResultados
Carregamento
Distribuição Kernel Scala(GB) Script Data load PK and index Total load timeDebian 32bits 2.4.24 100 Monolitico 11:37:59 12:22:04 24:00:04Mandrake 64bits 2.6.5 100 Monolitico 07:24:23 13:42:31 21:06:54Mandrake 64bits 2.6.5 100 Distribuído 06:14:30 09:58:31 16:13:01Mandrake 64bits 2.6.5 1 Distribuído 00:03:40 00:03:39 00:07:19
Tempo(Hr)
TPC-H (100 GB)• Sybase / Solaris (2 CPU) : 6,27 H• MS SQL Server / Win 2003 (2 CPU): 4.79 H• DB2 / Linux (16 CPU): 0,63 H
DBT3 (1 GB)• PostgreSQL / RedHat (8 CPU) : 00:42:47 H• PostgreSQL / RedHat (4 CPU) : 00:39:54 H
15Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
Resultados – TPC-HResultados – TPC-H
1 – Execução com clausula de timeout (25000 s)PostgreSQL nunca foi submetido a uma carga de trabalho TPC-H de 100 GB
2 – Verificação dos resultadosVerificação das consultas que interromperam por timeout
3 – Execução sem clausula de timeoutVerificar o tempo total da execução do benchmark
4 – Interrupção do teste após 72 H
5 – Verificação dos resultadosVerificação das consultas que foram interrompidas
6 – Estudo das consultas (texto e plano de execução) Identificação dos problemas de demora na execução das consultas
Procedimentos realizados
16Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
Resultados – TPC-HResultados – TPC-H
TPCH 100 GB - PostgreSQL 7.4.2
13.821621
6.84325.000
12.5681.383
15.73425.00025.00025.001
3892.381
3.3711.374
4.2733.171
6.7802.429
25.00025.001
5.57725.001
64561
-
2.5
00
5.0
00
7.5
00
10.
000
12.
500
15.
000
17.
500
20.
000
22.
500
25.
000
123456789
10111213141516171819202122
RF1RF2
Co
ns
ult
as
Tempo (segundos)
17Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
Resultados – TPC-H e DBT3Resultados – TPC-H e DBT3
Plano de execução
PostgreSQL gerou planos de execução ruins sendo necessário a reescrita das consultas.Motivo para a execução de outro benchmark que permita a reescrita.
Algumas consultas rodaram próximas ou mais rápido que os SGBDs Sybase e MS SQL Server. Estas consultas são as de numero 11 e 18. As consultas que consumiram o maior tempo mostraram algumas deficiências do PostgreSQL em comparação com outros SGBDs. Estas consultas são as de numero 4, 8, 9, 10, 19, 20 e 22. As operações realizadas foram:
• Sub-consultas dentro de outra sub-consulta;• Operadores EXISTS e NOT EXISTS• Agregações quando utilizado visões in-line, que são sub-consultas dentro da clausula FROM
Texto das consultas
18Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
Resultados – TPC-H e DBT3Resultados – TPC-H e DBT3
Comparação entre consultas
Select sum(l_extendedprice* (1 - l_discount)) as revenue
from
lineitem,
part
where
(
p_partkey = l_partkey
and p_brand = ‘[BRAND1]'
and p_container in ('SM CASE', 'SM BOX', 'SM PACK', 'SM PKG')
and l_quantity >= [QUANTITY1] and l_quantity <= [QUANTITY1] + 10
and p_size between 1 and 5
and l_shipmode in ('AIR', 'AIR REG')
and l_shipinstruct = 'DELIVER IN PERSON'
)or
(
p_partkey = l_partkey
and p_brand = '[BRAND2]'
and p_container in ('MED BAG', 'MED BOX', 'MED PKG', 'MED PACK')
and l_quantity >= [QUANTITY2] and l_quantity <= [QUANTITY2] + 10
and p_size between 1 and 10
and l_shipmode in ('AIR', 'AIR REG')
and l_shipinstruct = 'DELIVER IN PERSON'
)or
...
Select sum(l_extendedprice* (1 - l_discount)) as revenue
from
lineitem,
part
where
p_partkey = l_partkey
and l_shipmode in ('AIR', 'AIR REG')
and l_shipinstruct = 'DELIVER IN PERSON'
and
( (
p_brand = '[BRAND1]'
and p_container in ('SM CASE', 'SM BOX', 'SM PACK', 'SM PKG')
and l_quantity >= [QUANTITY1] and l_quantity <= [QUANTITY1] +10
and p_size between 1 and 5
) or
(
p_brand = '[BRAND2]'
and p_container in ('MED BAG', 'MED BOX', 'MED PKG', 'MED PACK')
and l_quantity >= [QUANTITY2] and l_quantity <= [QUANTITY2] +10
and p_size between 1 and 10
)or
...
Consulta 19 - Original Consulta 19 - Reescrita
19Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
Resultados – TPC-H e DBT3Resultados – TPC-H e DBT3
Comparação entre planos de execução
Aggregate (cost=672136305127.42..672136305127.43 rows=1 width=22)
-> Nested Loop (cost=7117.00..672136305127.15 rows=108 width=22)
Join Filter: (...........)
-> Seq Scan on lineitem (cost=0.00..218010.15 rows=6001215 width=79)
-> Materialize (cost=7117.00..9117.00 rows=200000 width=36)
-> Seq Scan on part (cost=0.00..7117.00 rows=200000 width=36)
(6 rows)
Aggregate (cost=288750.64..288750.64 rows=1 width=22)
-> Hash Join (cost=7617.00..288750.37 rows=104 width=22)
Hash Cond: ("outer".l_partkey = "inner".p_partkey)
Join Filter: ((("inner".p_brand = 'Brand#44'::bpchar) AND (("inner".p_container = 'SM CASE'::bpchar) OR ("inner".p_container = 'SM BOX'::bpchar) OR ("inner".p_container = 'SM PACK'::bpchar) OR ("inner".p_container = 'SM PKG'::bpchar)) AND ("outer".l_quantity >= 6::numeric) AND ("outer".l_quantity <= 16::numeric) AND ("inner".p_size >= 1) AND ("inner".p_size <= 5)) OR (("inner".p_brand = 'Brand#21'::bpchar) AND (("inner".p_container = 'MED BAG'::bpchar) OR ("inner".p_container = 'MED BOX'::bpchar) OR ("inner".p_container = 'MED PKG'::bpchar) OR ("inner".p_container = 'MED PACK'::bpchar)) AND ("outer".l_quantity>= 11::numeric) AND ("outer".l_quantity <= 21::numeric) AND ("inner".p_size >= 1) AND ("inner".p_size <= 10)) OR (("inner".p_brand = 'Brand#21'::bpchar) AND (("inner".p_container = 'LG CASE'::bpchar) OR ("inner".p_container = 'LG BOX'::bpchar) OR ("inner".p_container = 'LG PACK'::bpchar) OR ("inner".p_container = 'LG PKG'::bpchar)) AND ("outer".l_quantity >= 23::numeric) AND ("outer".l_quantity <= 33::numeric) AND ("inner".p_size >= 1) AND ("inner".p_size <= 15)))
-> Seq Scan on lineitem (cost=0.00..263019.26 rows=219565 width=36)
Filter: (((l_shipmode = 'AIR'::bpchar) OR (l_shipmode = 'AIR REG'::bpchar)) AND (l_shipinstruct = 'DELIVER IN PERSON'::bpchar))
-> Hash (cost=7117.00..7117.00 rows=200000 width=36)
-> Seq Scan on part (cost=0.00..7117.00 rows=200000 width=36)
(8 rows)
Plano de execução original
Plano de execução após reescrita
20Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
Resultados – DBT3Resultados – DBT3
OSDL DBT3 1 GB - PostgreSQL 7.4.2 -
50
100
150
200
250
300
350
400
Q01Q02Q03Q04Q05Q06Q07Q08Q09Q10Q11Q12Q13Q14Q15Q16Q17Q18Q19Q20Q21Q22RF1RF2
Co
ns
ult
as
Tempo (segundos)
Pow er
Throughput
Consulta Power ThroughputQ1 135,292 138,627 Q2 1,748 1,995 Q3 39,181 102,552 Q4 19,531 11,838 Q5 28,017 44,982 Q6 20,448 16,562 Q7 33,927 36,587 Q8 6,215 13,040 Q9 377,367 72,558 Q10 33,418 46,324 Q11 7,094 10,326 Q12 23,916 29,520 Q13 25,430 35,261 Q14 16,145 15,716 Q15 34,547 31,695 Q16 16,760 19,610 Q17 1,406 2,218 Q18 22,827 31,860 Q19 21,923 21,008 Q20 68,576 3,821 Q21 12,329 27,868 Q22 4,789 4,962 RF1 5,468 51,683 RF2 0,013 0,027
21Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
Resultados – DBT3Resultados – DBT3
Índices gerados
• Power@size = 332,35• Throughput@size = 224,85• Composite = 273,37
Resultado dos benchmarks
BenchmarkEscala (GB)
Situação Timeout por
consulta (seg)
Tempo final (seg)
Situação Tempo final
TPC-H 100 Executado (*) 25.000 256.424 Interrompido > 72HrTPC-H 1 - - - Interrompido > 24HrDBT3 1 - - - Executado 2.482 seg(*) somente power test
Timeout Sem Timeout
22Estudo de Viabilidade de uma Plataforma de Baixo Custo para Data Warehouse
ConclusãoConclusão
✔ Atual versão do PostgreSQL (7.4.x) não executou satisfatoriamente o TPC-H sendo necessário executar o DBT3;✔ O PostgreSQL não possui um problema estrutural que impeça a execução das consultas, apenas não as executa de um forma adequada;✔ Implementação de estruturas que aumentem o desempenho de um bancos de dados de DW:
• Páginas PAX• Índices de bitmap• Paralelismo intra-query
✔ Diante do exposto concluímos que, atualmente, somente é viável utilizar o PostgreSQL num projeto de data warehouse de maneira restrita: • Escassez de recursos financeiros para adquirir SGBDs mais maduros • Monitorar constantemente as consultas submetidas ao banco de dados • Aceitar o baixo desempenho nas consultas apontadas neste trabalho