更高性能表现、更低资源占用，高精度计算数据类型 DecimalV3 揭秘
数值运算是数据库中十分常见的需求，例如计算数量、重量、价格等，为了适应多样化运算场景，数据库系统通常支持精准的数字类型和近似的数字类型，当我们需要精确地表示小数并计算小数时，通常会考虑使用 Decimal 数据类型。区别于浮点小数，Decimal 作为定点小数类型，可以支持高精度的小数运算，因此适用于各种高精度计算的场景，常见的应用场景有以下几种： 金融行业：在金融交易中经常涉及到小数，比如利息、金额的计算，金融场景对数字准确的要求极高，因此精确的小数运算是必要的。 财务软件：财务软件通常需要进行复杂的财务计算，Decimal 类型可以提供精确的小数计算，避免计算过程中产生的舍入误差。 科学计算、工程计算等其他场景。 DecimalV3 功能介绍 在 Apache Doris 1.2.1 之前的版本中，我们已对 Decimal(precision, scale)(precision<=27) 数据类型进行了支持，随着 Apache Doris 用户的持续增长，银行、证券、基金等金融领域的用户也随之快速增长，对高精度的小数计算场景也提出了更高的要求，旧的 Decimal 数据类型已无法满足。因此，我们在 Apache Doris 1.2.1 推出了精度更高、速度更快的 DecimalV3(precision, scale)(precision<=38)，实现了真正意义上的高精度定点数，相比于老版本中的 Decimal ，DecimalV3 有以下核心优势： 可表示范围更大。DECIMALV3 对 Precision 和 Scale 的取值范围进行扩充。 内存占用更低，性能更高。老版本的 Decimal 需要占用 16 Bytes 的内存，而 DecimalV3 对内存可进行自适应调整，如下所示。 +----------------------+-------------------+ | precision | 占用空间（内存/磁盘）| +----------------------+-------------------+ | 0 < precision <= 8 | 4 bytes | +----------------------+-------------------+ | 8 < precision <= 18 | 8 bytes | +----------------------+-------------------+ | 18 < precision <= 38 | 16 bytes | +----------------------+-------------------+ 更完备的精度推演。 精度推演规则 DECIMALV3 有一套很复杂的类型推演规则，针对不同的表达式，会应用不同规则进行精度推演，下面来介绍一下推演规则： 四则运算 加法 / 减法：DECIMALV3(a, b) + DECIMALV3(x, y) -> DECIMALV3(max(a - b, x - y) + max(b, y), max(b, y))，即整数部分和小数部分都分别使用两个操作数中较大的值。 乘法：DECIMALV3(a, b) * DECIMALV3(x, y) -> DECIMALV3(a + x, b + y) 除法：DECIMALV3(a, b) / DECIMALV3(x, y) -> DECIMALV3(a + y, b) 聚合运算 SUM / MULTI_DISTINCT_SUM：SUM(DECIMALV3(a, b)) -> DECIMALV3(38, b)。 AVG：AVG(DECIMALV3(a, b)) -> DECIMALV3(38, max(b, 4))（鉴于每个系统 AVG 的精度不同，且不同用户对精度的需求也不一样，经调研，决定选择与 SQLServer 相同的策略，因此选择“4”既能保证较好的性能，也不会有较大的精度损失。） 默认规则 除上述提到的函数外，其余表达式都使用默认规则进行精度推演。即对于表达式 expr(DECIMALV3(a, b))，结果类型同样也是 DECIMALV3(a, b)。 结果精度调整 上述几种规则为当前 Doris 的默认行为，而不同场景对 DECIMALV3 的精度要求各不相同，远超出以上几种规则。当用户有不同的精度需求，可以通过以下方式进行精度调整： 当期望的结果精度大于默认精度时，可通过调整入参精度来调整结果精度。例如用户期望计算AVG(col)得到DECIMALV3(x, y)作为结果，其中col的类型为 DECIMALV3(a, b)，则可以改写表达式为AVG(CAST(col as DECIMALV3(x, y)))。 当期望的结果精度小于默认精度时，可通过对输出结果求近似得到想要的精度。例如用户期望计算AVG(col)得到DECIMALV3(x, y)作为结果，其中col的类型为DECIMALV3(a, b)，则可以改写表达式为ROUND(AVG(col), y)。 使用演示 这里我们采用 Bitcoin 的数据集对 DecimalV3 进行演示。 Bitcoin 的数据集部分示例如下： Unix - 时间戳 Date - 时间 Symbol - 时间序列数据所指代的交易品种 Open - 该时间段的开盘价 High - 该时间段的最高价 Low - 该时间段的最低价 Close - 该时间段的收盘价 Volume BTC - BTC 金额 Volume USD - USD 金额 以下是在 Doris 中的建表存储数据，其中小数的列分别用 DecimalV3 进行存储： CREATE TABLE `btc` ( `unix` bigint(20) NOT NULL, `date` datetime NULL, `symbol` varchar(30) NULL, `open` decimalv3(8, 2) NULL, `high` decimalv3(8, 2) NULL, `low` decimalv3(8, 2) NULL, `close` decimalv3(7, 2) NULL, `Volume_BTC` decimalv3(10, 8) NULL, `Volume_USD` decimalv3(38, 30) NULL ) ENGINE=OLAP DUPLICATE KEY(`unix`) COMMENT 'OLAP' DISTRIBUTED BY HASH(`unix`) BUCKETS 4 PROPERTIES ( "replication_allocation" = "tag.location.default: 1" ); 我们来计算一下 2022 年 1 月 1 日这一天的平均 Volume_BTC/Volume_USD 以及总的 Volume_BTC/Volume_USD： mysql> select avg(Volume_BTC),avg(Volume_USD),sum(Volume_BTC),sum(Volume_USD) from btc where to_date(date)='2022-01-01'; +-------------------+--------------------------------------+-------------------+-----------------------------------------+ | avg(`Volume_BTC`) | avg(`Volume_USD`) | sum(`Volume_BTC`) | sum(`Volume_USD`) | +-------------------+--------------------------------------+-------------------+-----------------------------------------+ | 0.51494486 | 24236.665942788256243957638888888888 | 741.52060313 | 34900798.957615088991299000000000000000 | +-------------------+--------------------------------------+-------------------+-----------------------------------------+ 通过 SQL 的执行结果可以看到，通过 DecimalV3，在 Volume_USD 这一列的平均结果和总和上，实现了保留 30 位的小数。而旧的 Decimal 类型在这个例子中只能实现保留不超过 20 位。 性能对比 我们采用 TPC-H Benchmark 100G 来对比 DecimalV3 与老版本 Decimal 的执行速度、存储占用、内存占用等性能。 我们在两个库分别对新版 DecimalV3 和老版本 Decimal 进行建表。建表完成如下： tpch1库为DecimalV3 tpch2库为老版本Decimal 执行速度 采用 TPC-H Benchmark 对执行速度进行测试： SQL Q1 select /*+SET_VAR(exec_mem_limit=8589934592, parallel_fragment_exec_instance_num=16, enable_vectorized_engine=true, batch_size=4096, disable_join_reorder=false, enable_cost_based_join_reorder=false, enable_projection=false) */ l_returnflag, l_linestatus, sum(l_quantity) as sum_qty, sum(l_extendedprice) as sum_base_price, sum(l_extendedprice * (1 - l_discount)) as sum_disc_price, sum(l_extendedprice * (1 - l_discount) * (1 + l_tax)) as sum_charge, avg(l_quantity) as avg_qty, avg(l_extendedprice) as avg_price, avg(l_discount) as avg_disc, count(*) as count_order from lineitem where l_shipdate <= date '1998-12-01' - interval '90' day group by l_returnflag, l_linestatus order by l_returnflag, l_linestatus; tpch1库（DecimalV3）的 SQL 执行结果为 6.38s tpch2 库（老版本 Decimal）的 SQL 执行结果为 8.13s SQL Q1 所查询的表是上述展示字段的表 Lineitem，我们可以看到在 DecimalV3 的情况下，查询 速度较老版本有 27.4% 的提升。 存储占用 tpch1库（DecimalV3）的 Lineitem 表的存储占用为 18.475GB tpch2 库（老版本 Decimal）的 Lineitem 表的存储占用为 20.893GB 可以看到在有四个字段由 Decimal 改为 DecimalV3 的情况下，存储占用有 13.1%的降低。 内存占用 内存占用测试我们同样使用 Lineitem 表，采用自己改写的一条 SQL select count(*) from ( select l_quantity,l_extendedprice,l_discount,l_tax from lineitem where l_shipdate < '1995-01-01' group by l_quantity,l_extendedprice,l_discount,l_tax )tmp; 下图的 Grafana 监控中可以看到执行测试前的 Doris 内存稳定为 12.2GB 分别在两个库执行上述 SQL 在 tpch1库（DecimalV3）下执行，内存占用峰值为 26.6GB 内存回落正常后，在 tpch2 库（老版本 Decimal）下执行，内存占用峰值为 30.8GB 从上方三张图中可以看到，这条 SQL 在 DecimalV3 的情况下不仅内存占用降低了 15.8%，执行时间也缩短了10s。 总结 Apache Doris 1.2.1 版本推出的 DecimalV3 实现了更高的精度，更高的性能，更完备的精度推演，使得 Doris 更加适用于金融财务、科学计算等有精确计算需求的应用场景，结合 Apache Doris 强大的分析计算性能，给相关用户及行业提供了更准确、完善的数据服务。 接下来，社区还将实现 JDBC 外表对 DecimalV3 类型的支持，JDBC Catalog 可以通过标准 JDBC 协议，连接其他数据源，连接后 Doris 会自动同步数据源下的 Database 和 Table 的元数据，以便快速访问这些外部数据。基于 JDBC 的通用性，结合 Apache Doris 的 高性能分析能力，实现对各类数据库数据联邦查询的高精度计算。 本文作者： 钟永康，SelectDB 生态研发工程师 李文强，SelectDB 数据库内核研发工程师，Apache Doris Committer
