バージョン: 4.x

データバケッティング

パーティションは、ビジネスロジックに基づいて異なるデータバケットにさらに分割することができます。各バケットは物理的なデータタブレットとして保存されます。適切なバケット戦略により、クエリ時にスキャンされるデータ量を効果的に削減し、クエリパフォーマンスの向上とクエリ同時実行数の増加を実現できます。

バケット方式

Dorisは2つのバケット方式をサポートしています：Hash BucketingとRandom Bucketing。

Hash Bucketing

テーブル作成時またはパーティション追加時に、ユーザーはバケットカラムとして1つ以上のカラムを選択し、バケット数を指定する必要があります。同一パーティション内では、システムがバケットキーとバケット数に基づいてハッシュ計算を実行します。同じハッシュ値を持つデータは同じバケットに割り当てられます。例えば、下図では、パーティションp250102がregionカラムに基づいて3つのバケットに分割され、同じハッシュ値を持つ行が同じバケットに配置されています。

hash-bucket

以下のシナリオでHash Bucketingの使用を推奨します：

ビジネスで特定のフィールドに基づく頻繁なフィルタリングが必要な場合、そのフィールドをHash Bucketingのバケットキーとして使用することでクエリ効率を向上させることができます。
テーブル内のデータ分布が比較的均等な場合、Hash Bucketingも適切な選択肢です。

以下の例では、Hash Bucketingを使用してテーブルを作成する方法を示しています。詳細な構文については、CREATE TABLE文を参照してください。

CREATE TABLE demo.hash_bucket_tbl(
    oid         BIGINT,
    dt          DATE,
    region      VARCHAR(10),
    amount      INT
)
DUPLICATE KEY(oid)
PARTITION BY RANGE(dt) (
    PARTITION p250101 VALUES LESS THAN("2025-01-01"),
    PARTITION p250102 VALUES LESS THAN("2025-01-02")
)
DISTRIBUTED BY HASH(region) BUCKETS 8;

この例では、DISTRIBUTED BY HASH(region) はHash Bucketingの作成を指定し、region 列をバケットキーとして選択します。一方、BUCKETS 8 は8つのバケットの作成を指定します。

Random Bucketing

各パーティション内で、Random Bucketingは特定のフィールドのハッシュ値に依存せず、データをさまざまなバケットにランダムに分散します。Random Bucketingは均一なデータ分散を保証し、不適切なバケットキー選択によるデータスキューを回避します。

データインポート中、単一のインポートジョブの各バッチはtabletにランダムに書き込まれ、均一なデータ分散が保証されます。例えば、1つのオペレーションで、8つのデータバッチがパーティション p250102 の下の3つのバケットにランダムに割り当てられます。

random-bucket

Random Bucketingを使用する場合、single-tabletインポートモード（load_to_single_tablet を true に設定）を有効にできます。大規模データインポート中、1つのデータバッチは1つのデータtabletにのみ書き込まれ、データインポートの同時実行性とスループットの向上に役立ち、データインポートとCompactionによる書き込み増幅を削減し、クラスタの安定性を確保します。

以下のシナリオではRandom Bucketingの使用を推奨します：

任意次元分析のシナリオで、ビジネスが特定の列に基づくフィルタやjoinクエリを頻繁に行わない場合、Random Bucketingを選択できます。
頻繁にクエリされる列または列の組み合わせのデータ分散が極端に不均一な場合、Random Bucketingを使用してデータスキューを回避できます。
Random Bucketingはバケットキーに基づくプルーニングができず、ヒットしたパーティション内のすべてのデータをスキャンするため、ポイントクエリシナリオには推奨されません。
DUPLICATEテーブルのみがRandom partitioningを使用できます。UNIQUEおよびAGGREGATEテーブルはRandom Bucketingを使用できません。

以下の例では、Random Bucketingを使用してテーブルを作成する方法を示します。詳細な構文については、CREATE TABLE文を参照してください：

CREATE TABLE demo.random_bucket_tbl(
    oid         BIGINT,
    dt          DATE,
    region      VARCHAR(10),
    amount      INT
)
DUPLICATE KEY(oid)
PARTITION BY RANGE(dt) (
    PARTITION p250101 VALUES LESS THAN("2025-01-01"),
    PARTITION p250102 VALUES LESS THAN("2025-01-02")
)
DISTRIBUTED BY RANDOM BUCKETS 8;

例では、DISTRIBUTED BY RANDOM文はRandom Bucketingの使用を指定します。Random Bucketingの作成ではbucket keyを選択する必要がなく、BUCKETS 8文は8個のbucketの作成を指定します。

Bucket Keyの選択

Note

Hash BucketingのみがBucket Keyの選択を必要とし、Random BucketingはBucket Keyの選択を必要としません。

Bucket keyは1つまたは複数の列にできます。DUPLICATEテーブルの場合、任意のKey列またはValue列をbucket keyとして使用できます。AGGREGATEまたはUNIQUEテーブルの場合、段階的な集計を確保するために、bucket列はKey列である必要があります。

一般的に、以下のルールに基づいてbucket keyを選択できます：

クエリフィルタ条件の使用： Hash Bucketingにクエリフィルタ条件を使用することで、データプルーニングが可能になり、データスキャン量が削減されます；
高カーディナリティ列の使用： Hash Bucketingに高カーディナリティ（多くの一意な値）列を選択することで、各bucket間でデータを均等に分散させることができます；
高並行性ポイントクエリシナリオ： bucketingには単一列または少数の列を選択することが推奨されます。ポイントクエリは1つのbucketのスキャンのみをトリガーする可能性があり、異なるクエリが異なるbucketのスキャンをトリガーする確率が高く、それによってクエリ間のIO影響を削減します。
高スループットクエリシナリオ： データをより均等に分散させるために、bucketingには複数の列を選択することが推奨されます。クエリ条件がすべてのbucket keyの等価条件を含むことができない場合、クエリスループットが向上し、単一クエリの遅延が削減されます。

Bucket数の選択

Dorisでは、bucketは物理ファイル（tablet）として保存されます。テーブル内のtablet数はpartition_num（パーティション数）にbucket_num（bucket数）を掛けた値と等しくなります。パーティション数が指定されると、変更することはできません。

bucket数を決定する際は、事前にマシン拡張を考慮する必要があります。バージョン2.0以降、Dorisはマシンリソースとクラスター情報に基づいてパーティション内のbucket数を自動的に設定することをサポートします。

Bucket数の手動設定

DISTRIBUTED文を使用してbucket数を指定できます：

-- Set hash bucket num to 8
DISTRIBUTED BY HASH(region) BUCKETS 8

-- Set random bucket num to 8
DISTRIBUTED BY RANDOM BUCKETS 8

bucket数を決定する際は、通常2つの原則に従います：数量と大きさです。この2つの間に矛盾がある場合は、大きさの原則が優先されます：

大きさの原則: tabletの大きさは1-10GBの範囲内にすることが推奨されます。tabletが小さすぎると集約効果が悪くなり、メタデータ管理の負荷が増加する可能性があります。tabletが大きすぎるとreplicaの移行や補完に不利で、Schema Change操作の再試行コストが増加します。
数量の原則: 拡張を考慮しない場合、テーブルのtablet数はクラスタ全体のディスク数よりもわずかに多くすることが推奨されます。

例えば、BE1台あたり1つのディスクを持つBEマシンが10台あると仮定した場合、データのbucketingについて以下の推奨事項に従うことができます：

テーブルサイズ	推奨bucket数
500MB	4-8 buckets
5GB	6-16 buckets
50GB	32 buckets
500GB	Partition推奨、partition当たり50GB、partition当たり16-32 buckets
5TB	Partition推奨、partition当たり50GB、partition当たり16-32 buckets

Note

テーブルのデータ量はSHOW DATAコマンドを使用して確認できます。結果はreplica数とテーブルのデータ量で割る必要があります。

自動bucket数設定

自動bucket数計算機能は、一定期間のpartitionサイズに基づいて将来のpartitionサイズを自動的に予測し、それに応じてbucket数を決定します。

-- Set hash bucket auto
DISTRIBUTED BY HASH(region) BUCKETS AUTO
properties("estimate_partition_size" = "20G")

-- Set random bucket auto
DISTRIBUTED BY RANDOM BUCKETS AUTO
properties("estimate_partition_size" = "20G")

bucketを作成する際、estimate_partition_size属性を通じて推定パーティションサイズを調整できます。このパラメータはオプションであり、提供されない場合、Dorisはデフォルトで10GBに設定されます。このパラメータは、履歴パーティションデータに基づいてシステムが計算する将来のパーティションサイズとは関係がないことにご注意ください。

データBucketの保守

Note

現在、Dorisは新しく追加されたパーティションでのbucket数の変更のみをサポートしており、以下の操作はサポートしていません：

bucketingタイプの変更
bucket keyの変更
既存のbucketのbucket数の変更

テーブルを作成する際、各パーティションのbucket数はDISTRIBUTED文を通じて統一的に指定されます。データの増加や減少に対処するため、パーティションを動的に追加する際に新しいパーティションのbucket数を指定できます。以下の例は、ALTER TABLEコマンドを使用して新しく追加されたパーティションのbucket数を変更する方法を示しています：

-- Modify hash bucket table
ALTER TABLE demo.hash_bucket_tbl 
ADD PARTITION p250103 VALUES LESS THAN("2025-01-03")
DISTRIBUTED BY HASH(region) BUCKETS 16;

-- Modify random bucket table
ALTER TABLE demo.random_bucket_tbl 
ADD PARTITION p250103 VALUES LESS THAN("2025-01-03")
DISTRIBUTED BY RANDOM BUCKETS 16;

-- Modify dynamic partition table
ALTER TABLE demo.dynamic_partition_tbl
SET ("dynamic_partition.buckets"="16");

バケット数を変更した後、SHOW PARTITIONコマンドを使用して更新されたバケット数を確認できます。

バケット方式​

Hash Bucketing​

Random Bucketing​

Bucket Keyの選択​

Bucket数の選択​

Bucket数の手動設定​

自動bucket数設定​

データBucketの保守​

バケット方式

Hash Bucketing

Random Bucketing

Bucket Keyの選択

Bucket数の選択

Bucket数の手動設定

自動bucket数設定

データBucketの保守