メインコンテンツまでスキップ
バージョン: 4.x

カラム圧縮

Dorisはcolumnar storageモデルを採用してデータを整理・保存しており、これは特に分析ワークロードに適しており、クエリ効率を大幅に向上させることができます。columnar storageでは、Tableの各カラムが独立して保存され、圧縮技術の適用が促進されるため、ストレージ効率が向上します。Dorisは様々な圧縮アルゴリズムを提供しており、ユーザーはワークロード要件に基づいて適切な圧縮方法を選択し、ストレージとクエリパフォーマンスを最適化できます。

圧縮が必要な理由​

Dorisにおいて、データ圧縮には主に以下の2つの核となる目的があります：

  1. ストレージ効率の向上 圧縮により、データストレージに必要なディスク容量を大幅に削減でき、同じ物理リソースでより多くのデータを保存できます。

  2. パフォーマンスの最適化 圧縮されたデータの容量は小さくなり、クエリ中に必要なI/O操作が少なくなるため、クエリの応答時間が高速化されます。現代の圧縮アルゴリズムは通常非常に高速な展開速度を持ち、ストレージ容量を削減しながら読み取り効率を向上させることができます。

サポートされる圧縮アルゴリズム​

Dorisは様々な圧縮アルゴリズムをサポートしており、それぞれ圧縮率と展開速度の間で異なるトレードオフを持っているため、ユーザーはニーズに基づいて適切なアルゴリズムを選択できます：

Compression タイプ特徴適用シナリオ
No Compression- データに圧縮を適用しない。圧縮が不要なシナリオに適している。データが既に圧縮されている場合やストレージ容量が問題でない場合など。
LZ4- 非常に高速な圧縮・展開速度。
- 中程度の圧縮率。		展開速度の要求が高いシナリオに適している。リアルタイムクエリや高並行負荷など。
LZ4F (LZ4 Frame)- LZ4の拡張版で、より柔軟な圧縮設定をサポート。
- 高速で中程度の圧縮率。		高速圧縮が必要で、設定のきめ細かい制御が必要な場合。
LZ4HC (LZ4 High Compression)- LZ4と比較してより高い圧縮率だが、圧縮速度は遅い。
- 展開速度はLZ4と同程度。		より高い圧縮率が必要で、展開速度に重点を置く場合。
ZSTD (Zstandard)- 高い圧縮率で柔軟な圧縮レベル調整が可能。
- 高い圧縮率でも展開速度は高速のまま。		高いストレージ効率の要求がありながら、クエリパフォーマンスのバランスを取る場合。
Snappy- 高速展開のために設計されている。
- 中程度の圧縮率。		高い展開速度と低いCPUオーバーヘッドの要求があるシナリオで必要。
Zlib- 圧縮率と速度の良いバランス。
- 他のアルゴリズムと比較して圧縮・展開速度は遅いが、より高い圧縮率。		高いストレージ効率の要求があり、展開速度に敏感でないシナリオで必要。アーカイブやコールドデータストレージなど。

圧縮原理​

カラム圧縮 columnar storageの採用により、DorisはTable内の各カラムを独立して圧縮できます。同じカラム内のデータは多くの場合類似した分布特性を持つため、この方法により圧縮効率が向上します。

圧縮前のエンコーディング データを圧縮する前に、Dorisはカラムデータをエンコーディング（例：dictionary encoding、run-length encodingなど）し、データを圧縮により適した形式に変換することで、圧縮効率をさらに向上させます。

Pageレベル圧縮 Dorisはpageレベルの圧縮戦略を採用しています。各カラム内のデータは複数のページに分割され、各ページ内のデータは独立して圧縮されます。ページごとの圧縮により、Dorisは大規模データセットを効率的に処理しながら、高い圧縮率と展開パフォーマンスを確保できます。

設定可能な圧縮戦略 ユーザーはTable作成時に使用する圧縮アルゴリズムを指定できます。この柔軟性により、ユーザーは特定のワークロードに基づいて圧縮効率とパフォーマンスの間で最適な選択を行えます。

圧縮効果に影響する要因​

異なる圧縮アルゴリズムにはそれぞれ利点と欠点がありますが、圧縮の効果は選択されたアルゴリズムだけでなく、以下の要因にも依存します：

データの順序​

データの順序は圧縮効果に大きな影響を与えます。高い連続性を持つカラム（例：タイムスタンプや連続した数値カラム）に対して、圧縮アルゴリズムは通常より良い結果を達成できます。データの順序が規則的であればあるほど、圧縮アルゴリズムが圧縮時により多くの反復パターンを識別でき、圧縮率が向上します。

データの冗長性​

データカラム内の重複する値が多いほど、圧縮効果はより顕著になります。例えば、重複する値にdictionary encodingを使用すると、ストレージ容量を大幅に削減できます。ただし、明らかな重複のないデータカラムの場合、圧縮効果は期待に応えない可能性があります。

データタイプ​

データのタイプも圧縮効果に影響を与えることがあります。一般的に、数値データタイプ（整数や浮動小数点数など）は文字列データタイプよりも圧縮しやすいです。値の範囲が広いデータタイプの場合、圧縮アルゴリズムの効果が影響を受ける可能性があります。

カラム長​

カラム内のデータの長さも圧縮効果に影響を与えることがあります。短いカラムは通常、長いカラムよりも圧縮しやすいです。これは、圧縮アルゴリズムが短いデータブロック内でより効率的に反復パターンを見つけることができるためです。

Null値​

カラム内のnull値の割合が高い場合、圧縮アルゴリズムはより効果的になる可能性があります。これらのnull値を特別なパターンとしてエンコーディングし、ストレージ容量を削減できるためです。

適切な圧縮アルゴリズムの選択方法​

適切な圧縮アルゴリズムの選択は、ワークロードの特性に基づいて行うべきです：

  • 高パフォーマンスリアルタイム分析シナリオでは、LZ4またはSnappyの使用が推奨されます。
  • ストレージ効率を優先するシナリオでは、ZSTDまたはZlibの使用が推奨されます。
  • 速度と圧縮率のバランスが必要なシナリオでは、LZ4Fを選択できます。
  • アーカイブやコールドデータストレージシナリオでは、ZlibまたはLZ4HCの使用が推奨されます。

Dorisでの圧縮設定​

Table作成時に圧縮アルゴリズムを指定して、データの保存方法を決定できます：

CREATE TABLE example_table (
    id INT,
    name STRING,
    age INT
)
DUPLICATE KEY(id)
DISTRIBUTED BY HASH(id) BUCKETS 10
PROPERTIES (
    "compression" = "zstd"
);