在数据时代，过多耗内存的大查询都有可能压垮整个集群，所以其内存管理模块在整个系统中扮演着非常重要的角色。

而PolarDB-X 作为一款分布式数据库，其面对的数据可能从TB到GB字节不等，同时又要支持TP和AP Workload，要是在计算过程中内存使用不当，不仅会造成TP和AP相互影响，严重拖慢响应时间，甚至会出现内存雪崩、OOM问题，导致数据库服务不可用。

CPU和MEMORY相对于网络带宽比较昂贵，所以PolarDB-X 代价模型中，一般不会将涉及到大量数据又比较耗内存的计算下推到存储DN，DN层一般不会有比较耗内存的计算。这样还有一个好处，当查询性能不给力的时候，无状态的CN节点做弹性扩容代价相对于DN也低。

鉴于此，所以本文主要对PolarDB-X计算层的内存管理进行分析，这有助于大家有PolarDB-X有更深入的理解。

PolarDB-X内存管理机制的设计，主要为了几类问题：

1. 让用户更容易控制每个查询的内存限制；

2. 预防内存使用不当，导致内存溢出进而引发OOM；

3. 避免查询间由于内存争抢出现相互饿死现象；

4. 避免AP Workload使用过多内存，严重拖慢TP Workload

业界解决方案

在计算层遇到的内存问题，业界其他产品也会遇到。这里我们先看下业界对此类问题是如何解决的。

PostgreSQL

1. 内存按照一定的比例，分为四大区域(Shared Buffers、Temp Buffers、Work Mem、Maintenance Work Mem)；

2. 在查询过程算子主要使用Work Mem区域内存，且每个算子都是预先分配固定内存的，但内存不够时，需要与硬盘进行swap；

Flink

1. 引入了一套基于字节流的数据结构，在JVM虚拟机上实现了类似C申请和释放内存的池化管理；

2. 内存主要分为三块: 网络内存池、系统预留的内存池、计算内存池。

3. 为每个算子设置一个[min-memory, max-meory] 调度上可以保证每个算子初始化的时候预先分配min memory，在计算过程中不断从计算内存池申请内存，当申请失败或者内存使用超过算子预先定义max memory的时候，主动触发数据落盘。

1. 整个计算是动态的，其实是很难权衡哪个算子抢占权重高，如果任意放开，肯定会影响性能；

2. Flink是流水线计算模型，类似PartialAgg算子一定不落盘，所以一旦PartialAgg占用过多内存，导致下游没有内存可用，而PartialAgg又一定会往下游发送数据，这样必然会导致Dead Lock。

Spark

Presto

1. 采用的是逻辑内存池，来管理不同类型的内存需求。

2. Presto整体将内存分为三块: System Pool、Reserved Pool、General Pool。

3. Presto内存申请其实是不预分配的，且抢占是完全随机的，理论上不设定Task抢占的上限，但为了出现某个大查询把内存耗尽的现象，所以后台会有定时轮训的机制，定时轮训和汇总Task使用内存，限制Query使用的大内存；同时当内存不够用的时候，会对接下来提交的查询做限流，确保系统能够平稳运行。

PolarDB-X内存管理

统一的内存模型

• 结合HTAP特性，我们将内存池划分为：

1. System Memory Pool：系统预留的内存，主要用于分片元数据和数据结构、临时对象;

2. Cache Memory Pool：用于管理Plan Cache和其他LRU Cache的内存；

3. AP Memory Pool: 用于管理WorkLoad是AP的内存;

4. TP Memory Pool: 用于管理WorkLoad是TP的内存;

• 结合我们的计算层次结构，我们按照树形结构去管理内存:

• 结合算子对内存申请和释放的行为，我们对一个Operator Memory划分为两个内存块: Reserve和Revoke。

内存对象

interface MemoryPool {//申请reserve 内存ListenableFuture<?> allocateReserveMemory(long size);//尝试着申请reserve 内存boolean tryAllocateReserveMemory(long size, ListenableFuture<?> allocFuture);//申请revoke 内存ListenableFuture<?> allocateRevocableMemory(long size);//释放reserve 内存void freeReserveMemory(long size);//释放revoke 内存void freeRevocableMemory(long size);}