详解开源大数据引擎Greenplum的架构和技术特点
本文介绍了大数据引擎Greenplum的架构和部分技术特点。从GPDB基本背景开始，在架构的层面上讲解GPDB系统内部各个模块的概貌，然后围绕GPDB的自身特性、并行执行和运维等技术细节，阐述了为什么选择Greenplum作为下一代的查询引擎解决方案。
Greenplum的MPP架构
Greenplum（以下简称GPDB）是一款开源数据仓库，基于开源的PostgreSQL改造而来，主要用来处理大规模数据分析任务。相比Hadoop，Greenplum更适合做大数据的存储、计算和分析引擎。
GPDB是典型的Master/Slave架构，在Greenplum集群中，存在一个Master节点和多个Segment节点，每个节点上可以运行多个数据库。Greenplum采用shared nothing架构（MPP），典型的Shared Nothing系统汇集了数据库、内存Cache等存储状态的信息，不在节点上保存状态的信息。节点之间的信息交互都是通过节点互联网络实现的。通过将数据分布到多个节点上来实现规模数据的存储，再通过并行查询处理来提高查询性能。每个节点仅查询自己的数据，所得到的结果再经过主节点处理得到终结果。通过增加节点数目达到系统线性扩展。
图1为GPDB的基本架构，客户端通过网络连接到gpdb，其中Master Host是GP的主节点（客户端的接入点），Segment Host是子节点（连接并提交SQL语句的接口），主节点不存储用户数据，子节点存储数据并负责SQL查询，主节点负责相应客户端请求并将请求的SQL语句进行转换，转换之后调度后台的子节点进行查询，并将查询结果返回客户端。
Greenplum Master
Master只存储系统元数据，业务数据全部分布在Segments上。其作为整个数据库系统的入口，负责建立与客户端的连接，SQL的解析并形成执行计划，分发任务给Segment实例，并且收集Segment的执行结果。正因为Master不负责计算，所以Master不会成为系统的瓶颈。
Master节点的高可用类似Hadoop的NameNode HA，如图2，Standby Master通过synchronization process，保持与Primary Master的catalog和事务日志一致，当Primary Master出现故障时，Standby Master承担Master的全部工作。
Segments
Greenplum中可以存在多个Segment，Segment主要负责业务数据的存储和存取（图3），用户查询SQL的执行时，每个Segment会存放一部分用户数据，但是用户不能直接访问Segment，所有对Segment的访问都必须经过Master。进行数据访问时，所有的Segment先并行处理与自己有关的数据，如果需要关联处理其他Segment上的数据，Segment可以通过Interconnect进行数据的传输。Segment节点越多，数据就会打的越散，处理速度就越快。因此与Share All数据库集群不同，通过增加Segment节点服务器的数量，Greenplum的性能会成线性增长。
每个Segment的数据冗余存放在另一个Segment上，数据实时同步，当Primary Segment失效时，Mirror Segment将自动提供服务。当Primary Segment恢复正常后，可以很方便地使用gprecoverseg -F工具来同步数据。
Interconnect
Interconnect是Greenplum架构中的网络层（图4），也是GPDB系统的主要组件，它默认使用UDP协议，但是Greenplum会对数据包进行校验，因此可靠性等同于TCP，但是性能上会更好。在使用TCP协议的情况下，Segment的实例不能超过1000，但是使用UDP则没有这个限制。
Greenplum，新的解决方案
前面介绍了GPDB的基本架构，让读者对GPDB有了初步了解。下面对GPDB的部分特性进行了描述，可以很好地理解为什么选择GPDB作为新的解决方案。
丰富的工具包，运维从此不是事儿
对比开源社区中其他项目在运维上面临的困难，GPDB提供了丰富的管理工具和图形化的web监控页面，帮助管理员更好地管理集群，监控集群本身以及所在服务器的运行状况。
近的公有云集群迁移过程中，impala总查询段达到100的时候，系统开始变得极不稳定，后来在外援的帮助下发现是系统内核本身的问题，在恶补系统内核参数的同时，发现GPDB的工具也变相填充了我们的短板，比如提供了gpcheck和gpcheckperf等命令，用于检测GPDB运行所需的系统配置是否合理以及对相关硬件做性能测试。如下，执行gpcheck命令后，检测sysctl.conf中参数的设置是否符合要求，如果对参数的含义感兴趣，可以自行搜索学习。
1. [gpadmin@gzns-waimai-do-hadoop28 greenplum]$ gpcheck --host mdw
2. variable not detected in /etc/sysctl.conf: 'net.ipv4.tcp_max_syn_backlog'
3. variable not detected in /etc/sysctl.conf: 'kernel.sem'
4. variable not detected in /etc/sysctl.conf: 'net.ipv4.conf.all.arp_filter'
5. /etc/sysctl.conf value for key 'kernel.shmall' has value '4294967296' and expects '4000000000'
6. variable not detected in /etc/sysctl.conf: 'net.core.netdev_max_backlog'
7. /etc/sysctl.conf value for key 'kernel.sysrq' has value '0' and expects '1'
8. variable not detected in /etc/sysctl.conf: 'kernel.shmmni'
9. variable not detected in /etc/sysctl.conf: 'kernel.msgmni'
10. /etc/sysctl.conf value for key 'net.ipv4.ip_local_port_range' has value '10000 65535' and expects '1025 65535'
11. variable not detected in /etc/sysctl.conf: 'net.ipv4.tcp_tw_recycle'
12. hard nproc not found in /etc/security/limits.conf
13. soft nproc not found in /etc/security/limits.conf另外在安装过程中，用其提供的gpssh-exkeys命令打通所有机器免密登录后，可以很方便地使用gpassh命令对所有的机器批量操作，如下演示了在master主机上执行gpssh命令后，在集群的五台机器上批量执行pwd命令。
1. [gpadmin@gzns-waimai-do-hadoop280 greenplum]$ gpssh -f hostlist
2. => pwd
3. [sdw3] /home/gpadmin
4. [sdw4] /home/gpadmin
5. [sdw5] /home/gpadmin
6. [ mdw] /home/gpadmin
7. [sdw2] /home/gpadmin
8. [sdw1] /home/gpadmin
9. =>诸如上述的工具GPDB还提供了很多，比如恢复segment节点的gprecoverseg命令，比如切换主备节点的gpactivatestandby命令等。这类工具让集群的维护变得很简单，当然我们也可以基于强大的工具包开发自己的管理后台，让集群的维护更加傻瓜化。
查询计划和并行执行，SQL优化利器
查询计划包括了一些传统的操作，比如扫表、关联、聚合、排序等。另外，GPDB有一个特定的操作：移动（motion）。移动操作涉及到查询处理期间在Segment之间移动的数据。
下面的SQL是TPCH中Query 1的简化版，用来简单描述查询计划。