メインコンテンツまでスキップ
バージョン: 3.x

レイクハウス概要

lakehouseは、データレイクとデータウェアハウスの利点を組み合わせた現代的なビッグデータソリューションです。データレイクの低コストと高いスケーラビリティを、データウェアハウスの高性能と強力なデータガバナンス機能と統合し、ビッグデータ時代における様々なデータの効率的で安全、かつ品質管理された保存と処理分析を可能にします。標準化されたオープンデータフォーマットとメタデータ管理により、リアルタイムと履歴データ、バッチ処理とストリーム処理を統合し、徐々に企業ビッグデータソリューションの新標準となっています。

Doris Lakehouseソリューション​

Dorisは拡張可能なコネクターフレームワーク、計算・ストレージ分離アーキテクチャ、高性能データ処理エンジン、およびデータエコシステムの開放性を通じて、ユーザーに優れたlakehouseソリューションを提供します。

doris lakehouse architecture

柔軟なデータアクセス​

Dorisは拡張可能なコネクターフレームワークを通じて主流のデータシステムとデータフォーマットアクセスをサポートし、SQLベースの統一されたデータ分析機能を提供します。これにより、ユーザーは既存のデータを移動することなく、クロスプラットフォームのデータクエリと分析を簡単に実行できます。詳細については、Catalog Overviewを参照してください。

データソースコネクター​

Hive、Iceberg、Hudi、Paimon、またはJDBCプロトコルをサポートするデータベースシステムのいずれであっても、Dorisは簡単に接続し、効率的にデータにアクセスできます。

lakehouseシステムの場合、DorisはHive Metastore、AWS Glue、Unity Catalogなどのメタデータサービスからデータテーブルの構造と分散情報を取得し、合理的なクエリプランニングを実行し、MPPアーキテクチャを活用して分散計算を行います。

詳細については、Iceberg Catalogなどの各catalogドキュメントを参照してください。

拡張可能なコネクターフレームワーク​

Dorisは、開発者が企業内の固有のデータソースに迅速に接続し、高速なデータ相互運用を実現するのに役立つ優れた拡張性フレームワークを提供します。

DorisはCatalog、Database、Tableの3レベルの標準を定義し、開発者が必要なデータソースレベルに簡単にマッピングできるようにします。Dorisはまた、メタデータサービスとストレージサービスへのアクセス用の標準インターフェースを提供しており、開発者は対応するインターフェースを実装するだけでデータソース接続を完了できます。

DorisはTrino Connectorプラグインと互換性があり、TrinoプラグインパッケージをDorisクラスターに直接デプロイでき、最小限の設定で対応するデータソースにアクセスできます。DorisはすでにKudu、BigQuery、Delta Lakeなどのデータソースへの接続を完了しています。新しいプラグインを自分で適応させることもできます。

便利なクロスソースデータ処理​

Dorisは実行時に複数のデータcatalogの作成をサポートし、SQLを使用してこれらのデータソースに対してフェデレーテッドクエリを実行できます。例えば、ユーザーはHive内のファクトテーブルデータとMySQL内のディメンションテーブルデータを関連付けてクエリできます：

SELECT h.id, m.name
FROM hive.db.hive_table h JOIN mysql.db.mysql_table m
ON h.id = m.id;

Dorisの内蔵job scheduling機能と組み合わせることで、スケジュールされたタスクを作成してシステムの複雑性をさらに簡素化することもできます。例えば、ユーザーは上記のクエリの結果を1時間ごとに実行される定期タスクとして設定し、各結果をIcebergテーブルに書き込むことができます：

CREATE JOB schedule_load
ON SCHEDULE EVERY 1 HOUR DO
INSERT INTO iceberg.db.ice_table
SELECT h.id, m.name
FROM hive.db.hive_table h JOIN mysql.db.mysql_table m
ON h.id = m.id;

高性能データ処理​

分析データウェアハウスとして、Dorisはlakehouseデータ処理と計算において多数の最適化を行い、豊富なクエリ高速化機能を提供しています：

  • 実行エンジン

    Doris実行エンジンはMPP実行フレームワークとPipelineデータ処理モデルに基づいており、マルチマシン、マルチコア分散環境で大量データを迅速に処理できます。完全ベクトル化実行オペレータのおかげで、DorisはTPC-DSなどの標準ベンチマークデータセットにおいて計算性能で優位性を保っています。

  • クエリオプティマイザ

    Dorisはクエリオプティマイザを通じて複雑なSQLリクエストを自動的に最適化・処理できます。クエリオプティマイザは複数テーブル結合、集約、ソート、ページネーションなどの様々な複雑なSQLオペレータを深く最適化し、コストモデルと関係代数変換を十分に活用して、より良い、または最適な論理・物理実行プランを自動的に取得し、SQL記述の難易度を大幅に削減し、使いやすさと性能を向上させます。

  • データキャッシュとIO最適化

    外部データソースへのアクセスは通常ネットワークアクセスで、高レイテンシと安定性の低さの問題があります。Apache Dorisは豊富なキャッシュメカニズムを提供し、キャッシュタイプ、適時性、戦略において多数の最適化を行い、メモリとローカル高速ディスクを十分に活用してホットデータの分析性能を向上させます。さらに、Dorisは高スループット、低IOPS、高レイテンシなどのネットワークIOの特性に対して標的最適化を行い、ローカルデータに匹敵する外部データソースアクセス性能を提供します。

  • マテリアライズドビューと透明な高速化

    Dorisは豊富なマテリアライズドビュー更新戦略を提供し、全体およびパーティションレベルの増分リフレッシュをサポートして構築コストを削減し、適時性を向上させます。手動リフレッシュに加えて、Dorisはスケジュールリフレッシュとデータ駆動リフレッシュもサポートし、メンテナンスコストをさらに削減し、データ整合性を向上させます。マテリアライズドビューは透明な高速化機能も備えており、クエリオプティマイザが自動的に適切なマテリアライズドビューにルーティングして、シームレスなクエリ高速化を実現できます。さらに、Dorisのマテリアライズドビューは高性能ストレージ形式を使用し、カラムストレージ、圧縮、インテリジェントインデックス技術により効率的なデータアクセス機能を提供し、データキャッシュの代替としてクエリ効率を向上させます。

以下に示すように、Icebergテーブル形式に基づく1TB TPCDSの標準テストセットにおいて、Dorisの99クエリの全体実行時間はTrinoの1/3にすぎません。

doris-tpcds

実際のユーザーシナリオでは、Dorisはリソース使用量を半分に抑えながら、Prestoと比較して平均クエリレイテンシを20%、95パーセンタイルレイテンシを50%削減し、ユーザーエクスペリエンスを向上させながらリソースコストを大幅に削減しています。

doris-performance

便利なサービス移行​

複数のデータソースを統合してlakehouse変換を実現する過程において、システム間のSQL方言が構文と機能サポートにおいて異なるため、SQLクエリをDorisに移行することは課題となります。適切な移行計画がなければ、ビジネス側は新しいシステムのSQL構文に適応するために大幅な変更が必要になる可能性があります。

モダンなデプロイメントアーキテクチャ​

バージョン3.0以降、Dorisはクラウドネイティブなコンピュート・ストレージ分離アーキテクチャをサポートしています。このアーキテクチャは低コストと高弾力性により、リソース使用率を効果的に向上させ、コンピュートとストレージの独立したスケーリングを可能にします。

compute-storage-decouple

上図はDorisのコンピュート・ストレージ分離のシステムアーキテクチャを示しており、コンピュートとストレージを分離しています。コンピュートノードはもはやプライマリデータを保存せず、下位の共有ストレージレイヤー（HDFSとオブジェクトストレージ）が統一されたプライマリデータストレージ空間として機能し、コンピュートとストレージリソースの独立したスケーリングをサポートします。コンピュート・ストレージ分離アーキテクチャはlakehouseソリューションに大きな利点をもたらします：

  • 低コストストレージ：ストレージとコンピュートリソースを独立してスケールでき、企業はコンピュートリソースを増やすことなくストレージ容量を拡張できます。さらに、クラウドオブジェクトストレージを使用することで、企業はより低いストレージコストとより高い可用性を享受でき、同時にローカル高速ディスクを相対的に低い割合のホットデータのキャッシュに使用できます。

  • Single Source of Truth：すべてのデータは統一されたストレージレイヤーに保存され、同じデータを異なるコンピュートクラスタがアクセス・処理でき、データの整合性と完全性を保証し、データ同期と重複ストレージの複雑性を削減します。

  • ワークロードの多様性：ユーザーは異なるワークロードのニーズに基づいてコンピュートリソースを動的に割り当て、バッチ処理、リアルタイム分析、機械学習などの様々なアプリケーションシナリオをサポートできます。ストレージとコンピュートを分離することで、企業はリソース使用をより柔軟に最適化し、異なる負荷下での効率的な動作を保証できます。

さらに、ストレージ・コンピュート結合アーキテクチャの下でも、elastic computing nodesを使用してレイクウェアハウスデータクエリシナリオで弾力的コンピューティング機能を提供できます。

オープン性​

Dorisはオープンなレイクテーブル形式へのアクセスをサポートするだけでなく、自身が保存するデータに対しても優れたオープン性を持っています。DorisはオープンなストレージAPIを提供し、Arrow Flight SQLプロトコルに基づく高速データリンクを実装し、Arrow Flightの速度優位性とJDBC/ODBCの使いやすさを提供します。このインターフェースに基づいて、ユーザーはPython/Java/Spark/FlinkのABDCクライアントを使用してDorisに保存されたデータにアクセスできます。

オープンファイル形式と比較して、オープンストレージAPIは下位のファイル形式の具体的な実装を抽象化し、Dorisが豊富なインデックスメカニズムなどのストレージ形式の高度な機能を通じてデータアクセスを高速化できます。さらに、上位レイヤーのコンピュートエンジンは下位のストレージ形式の変更や新機能に適応する必要がなく、サポートされているすべてのコンピュートエンジンが新機能から同時に恩恵を受けることができます。

Lakehouseベストプラクティス​

lakehouseソリューションにおいて、Dorisは主にlakehouseクエリ高速化、マルチソース連合分析、lakehouseデータ処理に使用されます。

Lakehouseクエリ高速化​

このシナリオでは、Dorisはコンピュートエンジンとして機能し、lakehouseデータのクエリ分析を高速化します。

lakehouse query acceleration

キャッシュ高速化​

HiveやIcebergなどのlakehouseシステムに対して、ユーザーはローカルディスクキャッシュを設定できます。ローカルディスクキャッシュは、クエリで使用されるデータファイルをローカルキャッシュディレクトリに自動的に保存し、LRU戦略を使用してキャッシュ削除を管理します。詳細については、Data Cacheドキュメントを参照してください。

マテリアライズドビューと透明リライト​

Dorisは外部データソースに対するマテリアライズドビューの作成をサポートしています。マテリアライズドビューはSQL定義文に基づいて事前計算された結果をDoris内部テーブル形式で保存します。さらに、DorisのクエリオプティマイザはSPJG（SELECT-PROJECT-JOIN-GROUP-BY）パターンに基づく透明リライトアルゴリズムをサポートしています。このアルゴリズムはSQLの構造情報を分析し、透明リライトに適したマテリアライズドビューを自動的に見つけ、クエリSQLに応答する最適なマテリアライズドビューを選択できます。

この機能は実行時計算を削減することでクエリ性能を大幅に向上させることができます。また、ビジネスが意識することなく透明リライトを通じてマテリアライズドビューのデータにアクセスできます。詳細については、Materialized Viewsドキュメントを参照してください。

マルチソース連合分析​

Dorisは統一SQLクエリエンジンとして機能し、異なるデータソースを接続して連合分析を行い、データサイロの問題を解決できます。

federated analysis

ユーザーはDorisで複数のカタログを動的に作成して異なるデータソースに接続できます。SQL文を使用して異なるデータソースのデータに対して任意の結合クエリを実行できます。詳細については、Catalog Overviewを参照してください。

Lakehouseデータ処理​

このシナリオでは、Dorisはデータ処理エンジンとして機能し、lakehouseデータを処理します。

lakehouse data processing

タスクスケジューリング​

DorisはJob Scheduler機能を導入し、効率的で柔軟なタスクスケジューリングを可能にし、外部システムへの依存を削減します。データソースコネクタと組み合わせることで、ユーザーは外部データの定期処理と保存を実現できます。詳細については、Job Schedulerを参照してください。

データモデリング​

ユーザーは通常、データレイクを使用して生データを保存し、これに基づいて階層化されたデータ処理を実行し、異なる階層のデータを異なるビジネスニーズに対応させます。Dorisのマテリアライズドビュー機能は外部データソースに対するマテリアライズドビューの作成をサポートし、マテリアライズドビューに基づくさらなる処理をサポートして、システムの複雑性を削減し、データ処理効率を向上させます。

データライトバック​

データライトバック機能はDorisのlakehouseデータ処理機能のクローズドループを形成します。ユーザーはDorisを通じて外部データソースでデータベースとテーブルを直接作成し、データを書き込むことができます。現在、JDBC、Hive、Icebergデータソースがサポートされており、将来的にはより多くのデータソースが追加される予定です。詳細については、対応するデータソースのドキュメントを参照してください。