![]()
StoneDB 是一款兼容 MySQL 的开源 HTAP 数据库。StoneDB 的整体架构分为三层，分别是应用层、服务层和存储引擎层。应用层主要负责客户端的连接管理和权限验证；服务层提供了 SQL 接口、查询缓存、解析器、优化器、执行器等组件；Tianmu 引擎所在的存储引擎层是 StoneDB 的核心，数据的组织和压缩、以及基于知识网格的查询优化均是在 Tianmu 引擎实现。
本文主要为大家介绍 StoneDB 的读操作、写操作执行过程，方便大家了解引擎架构、内部逻辑和各个功能模块。
![]()
Tianmu 引擎架构
1.Tianmu 存储引擎在 Server 组件中的位置
![]()
2.Tianmu 引擎架构图
![]()
3.Tianmu 引擎各个模块介绍
Tianmu Parser
解析客户端传来的 SQL ，进行关键字提取、解析，生成解析树。解析的词包括 select、update、delete、or、group by 等，对不支持的语法会向客户端抛出异常：ERROR：You have an error in your SQL syntax.
比如，执行如下语句：
select * from user where userId =1234;
在分析器中就通过语义规则器将 select、from、where 这些关键词提取和匹配出来， MySQL 会自动判断关键词和非关键词，将用户的匹配字段和自定义语句识别出来。这个阶段也会做一些校验，比如校验当前数据库是否存在 user 表，同时假如 user 表中不存在 userId 这个字段同样会报错：unknown column in field list.
解析入口：
parse_sql()
Tianmu Optimizer
对于来自客户端的请求，首先由查询优化器进行基于知识网格的优化，产生执行计划后再交给执行引擎去处理。基于知识网格中的信息进行粗糙集（Rough Set）构建，并确定此次请求所需使用到的数据包。
优化入口：
optimize_select()
Insert Buffer
InnoDB 的 insert buffer 是为辅助索引的插入做的优化设计，而 Tianmu 的 insert buffer 是为整张表的插入做的优化设计。当向表插入数据时，数据先暂存到 Tianmu 的 insert buffer，然后再从 insert buffer 批量刷新到磁盘，从系统的表现来看是吞吐量提高了。如果不经过 insert buffer，而是直接写入磁盘，由于 Tianmu 不支持事务，只能一行接着一行往磁盘写入，系统的吞吐量是不高的，插入效率固然不高。Tianmu 的 insert buffer 由变量 stonedb_insert_delayed 控制，默认为 on 表示开启。
插入缓存入口：
Engine::insert_buffer
Knowledge Grid Manager
Tianmu 引擎利用知识网格架构来对查询优化器、计划执行和压缩算法等提供支持。知识网格是 Tianmu 引擎进行快速数据查询的关键，在查询计划分析与构建过程中，通过知识网格可以消除或大量减少需要解压的数据块，降低 IO 消耗，提高查询响应时间和网络利用率。对于大部分统计/聚合性查询，Tianmu 引擎往往只需要使用知识网格就能返回查询结果（而不需要读取数据）， 这种情况下在 1s 时间内就可以返回查询结果。
入口函数：
RCAttr::ApproxAnswerSize
Knowledge Grid
Knowledge Grid，即知识网格，是 Tianmu 引擎进行快速数据查询的关键，在查询计划分析与构建过程中，通过知识网格可以消除或大量减少需要解压的数据块，降低 IO 消耗，提高查询响应时间和网络利用率。
KN Node
Knowledge Node（KN Node），即知识节点，除了基础元数据外，还包括数据特征以及更深度的数据统信息，知识节点在数据查询/装载过程中会动态计算。
DPN
Data Pack Node（DPN），即数据包节点，又叫元数据节点（Metadata Node，MD Node），与数据包（DP）之间保持一一对应关系，数据包节点中包含了其对应数据包的元数据信息。
数据结构：
struct DPN{}
获取DPN：
DPN &get_dpn
Data Pack
Data Pack（DP），即数据包，数据包用于存放实际数据，是最底层的数据存储单元，每列按照65536行切分成一个数据包。每个数据包比列更小，具有更高的压缩比，而每个数据包又比每行更大，具有更好的查询性能。数据包是知识网格的解压缩单元。
获取 DP：
Pack *get_pack(size_t i)
CMAP
字符过滤，粗糙集过滤寻找可疑包，生成字符位图文件。
RSIndex_CMap::RSIndex_CMap;
HIST
整形过滤，粗糙集过滤寻找可疑包，生产直方图文件。
RSIndex_Hist::RSIndex_Hist
Replication Manager
StoneDB 复制引擎， StoneDB 本身与常见关系数据库的高可用架构一样（例如 MySQL ），为了保证强一致性，都会将数据更新在 Master 上执行，然后通过复制技术将副本导入到 Slave 节点。但是与 MySQL 标准的 binlog 复制不同，Tianmu 引擎中存储的不是原始数据，而是压缩后的数据块（DP） 。此时如果使用 binlog 的方式来进行复制，会导致网络上产生大量数据流量。为了解决这一点，Tianmu 实现了基于压缩后数据块的高效数据复制支持，相对于 binlog 复制，该技术可以大大降低网络传输所需的数据量。
Compress&Decompress
数据压缩和解压模块，Tianmu 基于列数据类型和特定领域优化的压缩算法，因为列中所有记录的类型一致，可以基于数据类型选择压缩算法，列中重复值越高压缩效果越好。除了常规的压缩算法外，针对特殊场景提供高效的压缩算法，如 Email 地址, IP 地址, URL 等 。
压缩入口：
Compress()
解压入口：
CprsErr Decompress
![]()
读操作执行过程
对于来自客户端的请求，首先由查询优化器进行基于知识网格的优化，产生执行计划后再交给执行引擎去处理。
•基于知识网格中的信息进行粗糙集（Rough Set）构建, 并确定此次请求所需使用到的数据包（DP）。
•基于知识节点和数据包节点，确定查询涉及到的数据包集合，并将数据包归类:
•相关 DP：满足查询条件限制的 DP（直接读取并返回）；
•可疑 DP：DP 中部分数据满足查询条件（解压后进行处理再返回）；
•不相关 DP：与查询条件完全不相关（直接忽略）。
执行计划构建时, 会完全规避不相关 DP，仅读取并解压相关 DP，按照特定情况决定是否读取可疑 DP。例如，对于一个查询请求，通过 Knowledge Grid 可以确定 3 个相关和 1 个可疑 DP。如果此请求包含聚合函数，此时只需要解压可疑 DP 并计算聚合值，再结合 3 个相关 DP 的数据包节点 （DPN）中的统计值即可得出结果。如果此请求需要返回具体数据，那么无论相关 DP 还是可疑 DP，都需要读取数据块并解压缩，以获得结果集。
•如果查询请求的结果可以直接从 DPN 中产生（例如 count, max, min 等操作），则直接返回元信息节点中的数据,无需访问物理数据文件。
![]()
例如：SELECT count(*) FROM employees where salary < 2500：
通过 Knowledge Grid 知识，查找包含 salary < 2500 的 DP，此处可以看到只有 A/B/C 三个 DP 涉及到该查询。
DP A 与 B 属于相关 DP， 只需直接从对应的 DPN 中获取 count 值即可。
DP C 属于不相关 DP，需要读取数据块并解压，执行函数计算后才能返回结果集。
这里只有 DP C 会被读取并解压，DP A 与 B 并不消耗 IO 资源。
![]()
![]()
执行代码：
Engine::HandleSelect();
Engine::GetTableShare();
class ColumnShare;
ColumnShare::map_dpn();
ColumnShare::read_meta();
ColumnShare::scan_dpn();
TableShare::TableShare();
RCAttr::RoughCheck;
RSIndex_CMap::RSIndex_CMap;
CprsErr Decompress;
TempTable::SendResult();
![]()
写操作执行过程
![]()
来自客户端的请求经过连接器、分析器后，由查询优化器进行基于知识网格的优化，产生执行计划，经过数据的压缩、校验后再交给执行引擎去处理。
Tianmu 执行引擎将数据组织为两个层次：物理存储介质上的的数据块（Data Pack，DP），内存上的知识网格层（Knowledge Grid，KG）。
入口函数：
write_row
StoneDB 现已开源，欢迎大家在 GitHub 上关注~
https://github.com/stoneatom/stonedb
添加微信小助手，进群与数百位数据库从业者共话真正的HTAP
![]()
![]()
![]()
![]()
![]()
