论文解读：基于 OpenMLDB 的流式特征计算优化
近期，数据库领域的顶级学术会议 ICDE 2023 在迪斯尼主题公园的故乡 - 美国的安纳海姆（Anaheim）举办。由 OpenMLDB 开源社区和新加坡科技设计大学（Singapore University of Technology and Design）联合完成的研究工作在 ICDE 2023 上作为工业界的常规论文发表。该项研究工作增强了 OpenMLDB 的流式特征计算能力，对其中的关键操作 Interval Join 进行了深度优化，取得了比目前工业界普遍使用的算法高达数量级的吞吐和延迟优化。基于该优化算法，克服了流式计算在实时机器学习领域所遇到的性能瓶颈，可以支持在金融、风控、推荐等领域的毫秒级实时流式特征计算的需求。其论文预印版可在此链接阅读：Scalable Online Interval Join on Modern Multicore Processors in OpenMLDB
OpenMLDB 作为一个线上线下一致的实时特征计算平台，被广泛应用于如反欺诈、风控、实时推荐等场景。在本次的研究工作中，双方合作对基于 OpenMLDB 进行流式特征的计算能力进行了深度优化。特别的，我们关注其中的性能瓶颈，即 Interval Join 操作。下图为 Interval Join 的示意图。其基于数据流 S，定义一个往前两秒的时间窗口，对数据流 R 上在对应时间窗口内的数据进行 JOIN 或者聚合操作，完成需要的特征计算逻辑。该操作在 Flink 中即为 Interval Join，在 OpenMLDB 中是通过 WINDOW UNION 语法进行副表多行聚合特征的开发，或者也被称为 point-in-time join/aggregation。
Interval Join 在现有的工业界流式处理系统中，一般使用 key-partitioned based join 算法，简称为 Key-OIJ。比如在工业界中普遍使用的流式计算框架 Flink，即使用了 Key-OIJ 的算法实现 Interval Join 的计算任务。此种算法对于一个 buffer 内的 R 和 S 做 partition，然后对于在相同 partition 内的数据再进行 join 或者聚合操作。在此次研究工作中，我们发现 Key-OIJ 在很多真实世界的工作负载中存在严重的性能问题。主要总结为：
- 工作负载不平衡和数据倾斜。当 key 的数目较少时（甚至如 key 的数量小于线程数量），非常容易出现数据倾斜的问题，从而导致整体系统的效率大幅下降。
- 当存在时间上的重叠窗口时，该算法会带来大量的重复计算，导致大窗口下整体计算效率低下。
- 由于数据无序，导致了整个计算过程的大量数据扫描；并且需要缓存更多的数据以保证结果的正确性。
在实时机器学习领域，实时特征计算一般对性能的需求在毫秒级别。使用 Key-OIJ 算法进行线上实时计算，很可能会因为高延迟而无法满足业务需求。因此，我们需要对该算法进行进一步的优化，以满足实时机器学习的需求。
为了克服以上 Key-OIJ 算法存在的问题，优化 Interval Join 的性能，我们在 OpenMLDB 的现有算法基础上，提出了一个全新的算法，称为 Scalable Online Interval Join（Scale-OIJ）。该算法针对此类工作负载优化，基于 OpenMLDB 的核心数据结构 - 双层跳表，设计了一个支持高效率单写多读（Single-Writer-Multiple-Reader index，即 SWMR）优化的索引。如下图显示了该核心数据结构和 SWMR 机制。第一次跳表维护键值到第二次跳表的映射关系；第二次跳表维护时间戳到数据行的映射关系，通过双层跳表的数据结构，可以以 log(N) 的时间复杂度，定位到需要的窗口数据，避免了如 Key-OIJ 算法中的大量数据扫描。通过支持单写多读的无锁并行数据结构，可以更加轻量的在多线程间共享数据。
除了基于双层跳表的核心数据结构，我们还引入了更多的优化技术。
- 动态调度：通过分析实时数据流的分布情况，动态调整 partition 的策略，使得数据可以更均匀地分布到所有线程上，避免了工作负载不平衡和数据倾斜。基于单写多读的数据结构，不同线程之间可以共享数据，协同对同一个 key 进行处理，即使当 key 的数目较少时，所有线程仍然可以保持较高的稳定的 CPU 利用率。
- 增量聚合：真实数据集中，会出现大量的窗口重叠的情况，很大地浪费了计算资源。通过利用之前计算的结果，增量地更新当前计算，从而避免了重复的数据扫描和计算。当窗口很大的情况下，极大地减少了整体的数据访问和计算。
基于以上的优化，我们对 Scale-OIJ 算法进行了系统性的评估。我们使用了三个具备不同特性的真实世界数据集进行测试，测试数据集和实验结果显示如下。可以看到，在三个不同的数据集下，我们设计的 Scale-OIJ 算法比现有的 Key-OIJ 算法均有大幅的提升：在吞吐方面，有多达 24 倍的提升；在延迟方面，最多缩短了 99% 的延迟。
目前，该 paper 提出的 Scale-OIJ 算法已经和 OpenMLDB 进行了部分整合。未来，我们将完成最终的工程化整合，为流式特征在 OpenMLDB 的实时处理提供进一步的性能优化。我们也欢迎社区内的开发者和我们进行前沿的学术合作，共同打造 OpenMLDB 在技术上的领先性。
扫描以下二维码加入我们的社区技术讨论群
参考资料
- ICDE 论文原文：https://intellistream.github.io/downloads/papers/Zhang-2023-OIJ-OpenMLDB_CR.pdf
- OpenMLDB 的核心数据结构：实时引擎核心数据结构和优化解析
- OpenMLDB 内基于 WINDOW UNION 语法构造副表多行聚合特征：https://openmldb.ai/docs/zh/main/tutorial/tutorial_sql_2.html#id3
- OpenMLDB 产品文档：https://openmldb.ai/docs/zh/main/
- OpenMLDB GitHub: https://github.com/4paradigm/OpenMLDB
