近年來，大數(shù)據(jù)行業(yè)的蓬勃發(fā)展除了來自軟件層的持續(xù)迭代與創(chuàng)新，更有賴于計算機硬件環(huán)境的持續(xù)優(yōu)化，尤其是在芯片與操作系統(tǒng)國產(chǎn)化的大趨勢下，硬件升級帶來的性能提升、成本降低、并行處理能力優(yōu)化、存儲與網(wǎng)絡(luò)優(yōu)化、安全風險管控等均為數(shù)據(jù)引擎的發(fā)展提供了階梯式進步的空間。在奇點云2024年版《OLAP數(shù)據(jù)庫引擎選型白皮書》中，中科馭數(shù)聯(lián)合奇點云針對Spark+Hive這類大數(shù)據(jù)計算場景下的主力引擎，測評DPU環(huán)境下對比CPU環(huán)境下的性能提升效果。特此節(jié)選該章節(jié)內(nèi)容，與大家共享。

DPU概述

什么是DPU？為什么要關(guān)注DPU？

DPU（Data Processing Unit）是以數(shù)據(jù)為中心構(gòu)造的專用處理器，采用軟件定義技術(shù)路線支撐基礎(chǔ)設(shè)施層資源虛擬化，支持存儲、安全、服務(wù)質(zhì)量管理等基礎(chǔ)設(shè)施層服務(wù)。提到DPU，2020年英偉達CEO黃仁勛在其GTC大會上的一句話引起業(yè)界高度關(guān)注：“DPU 將成為未來計算的三大支柱之一，未來的數(shù)據(jù)中心標配是“ CPU + DPU + GPU”。NVIDIA GTC 2020（英偉達2020年GPU技術(shù)大會）上，其CEO黃仁勛的一句話引起了業(yè)界高度關(guān)注：“DPU 將成為未來計算的三大支柱之一，未來的數(shù)據(jù)中心標配是CPU + DPU + GPU?！盌PU的設(shè)計思路，是將“CPU處理效率低下、GPU處理不了”的負載卸載到專用DPU，提升整個計算系統(tǒng)的效率、降低整體系統(tǒng)的總體擁有成本（TCO，Total Cost of Ownership），以實現(xiàn)底層基礎(chǔ)設(shè)施的“降本增效”。DPU最直接的作用是作為CPU的卸載引擎，接管網(wǎng)絡(luò)虛擬化、硬件資源池化等基礎(chǔ)設(shè)施層服務(wù)，釋放CPU的算力到上層應(yīng)用。對比CPU、GPU與DPU：

CPU面向應(yīng)用程序，負責進行系統(tǒng)管理維持軟硬件生態(tài)；

GPU面向科學計算，負責進行規(guī)則計算支持數(shù)據(jù)級并行應(yīng)用；

DPU面向數(shù)據(jù)中心基礎(chǔ)設(shè)施，負責進行異構(gòu)計算支撐卸載網(wǎng)絡(luò)、存儲、安全業(yè)務(wù)等降低“Datacenter Tax”。

DPU與CPU最大的區(qū)別是，DPU是IO密集型，而GPU是計算密集型。CPU通過間接手段來支持網(wǎng)絡(luò)IO，其前端總線帶寬也主要匹配主存（特別是DDR）的帶寬，而非網(wǎng)絡(luò)IO的帶寬；DPU的IO帶寬則幾乎可以與網(wǎng)絡(luò)帶寬等同，其在支持強IO基礎(chǔ)上具備強算力。DPU的出現(xiàn)并非偶然，而是IT產(chǎn)業(yè)發(fā)展到一定階段的必然選擇。隨著AI、5G等技術(shù)的發(fā)展，端、邊、云各處的計算節(jié)點暴露在了劇增的數(shù)據(jù)量下，CPU的性能增長率與數(shù)據(jù)量增長率出現(xiàn)了“剪刀差”現(xiàn)象。同時，以數(shù)據(jù)為中心的新興應(yīng)用對數(shù)據(jù)的實時處理提出了越來越高的要求。DPU則可以在數(shù)據(jù)流上就近計算，實現(xiàn)數(shù)據(jù)處理的低時延和高吞吐，更具靈活性與效率。業(yè)內(nèi)越來越多觀點認為，CPU+DPU的異構(gòu)計算解決方案將是應(yīng)對大數(shù)據(jù)性能瓶頸的新趨勢，DPU也越來越得到數(shù)據(jù)中心運營商和大數(shù)據(jù)軟件廠商的關(guān)注。因此，本書選擇“Spark+Hive”（大數(shù)據(jù)計算場景下的主力引擎）為代表，進行了DPU與CPU環(huán)境下的性能對比測評，為讀者提供參考。

DPU如何實現(xiàn)加速？有哪些應(yīng)用場景？

針對Spark+Hive的大數(shù)據(jù)計算場景測試，本次測評的技術(shù)方案中除了引入中科馭數(shù)Spark-Race解決方案中最底層的DPU硬件（面向數(shù)據(jù)中心的專用處理器）、HADOS平臺層（異構(gòu)軟件開發(fā)平臺）外，也包含專門針對Spark的DPU加速層，其最核心的能力就是修改查詢計劃樹。簡單來講就是通過 Spark Plugin的機制（作為Spark插件），把 Spark 查詢計劃攔截并下發(fā)給 DPU來執(zhí)行，跳過原生 Spark 不高效的執(zhí)行路徑。整體的執(zhí)行框架仍沿用 Spark 既有實現(xiàn)，包括消費接口、資源和執(zhí)行調(diào)度、查詢計劃優(yōu)化、上下游集成等，用戶可以直接使用已有的代碼，“無痛”享受DPU帶來的性能提升。

中科馭數(shù)介紹，DPU環(huán)境對超大業(yè)務(wù)表或?qū)挶淼膉oin聯(lián)合查詢場景有突破性的優(yōu)化效果。例如，對于連續(xù)join 4張100萬條數(shù)據(jù)的維表，在CPU模式下全部time out（3600s），而DPU模式下只需數(shù)百秒即可查詢出結(jié)果，計算加速比達到8.4倍。在應(yīng)對涉及復雜SQL多表查詢的挑戰(zhàn)時，Spark-Race 2.0的優(yōu)勢也尤為突出。因此，本書就“Spark+Hive”引擎（包括高復雜度的數(shù)據(jù)查詢?nèi)蝿?wù)場景），進行了測試和檢驗。

DPU測試方案說明

測評方案概述

DPU測評方案仍沿用引擎測評模型2.0，在相同環(huán)境與資源配置前提下，分別在底層硬件資源開啟DPU模型與不開啟DPU模式下，執(zhí)行本次測評SQL用例三次，采集SQL執(zhí)行耗時、整機CPU、整機內(nèi)存消耗等核心數(shù)據(jù)進行對比實驗。在測試過程中，除底層硬件資源開啟/關(guān)閉DPU加速功能外，保持DPU和CPU對比實驗環(huán)境的主機與網(wǎng)絡(luò)環(huán)境一致，大數(shù)據(jù)計算引擎Hive、Yarn、Spark配置一致，測評工具（即模型2.0）一致，測試表與數(shù)據(jù)一致。

環(huán)境參數(shù)說明

機器資源配置：12C/144G/6T 物理機1臺；2C/144G/3T物理機2臺

測試工具、測試數(shù)據(jù)集、模型維度、指標與引擎測評模型2.0保持一致，具體參數(shù)信息詳見附錄。

中科馭數(shù)DPU性能測試結(jié)果

經(jīng)過對比測試，在數(shù)據(jù)計算和處理場景中，DPU環(huán)境相較于CPU環(huán)境下的查詢性能提升能達到50%-60%，且DPU環(huán)境下整體較CPU環(huán)境的峰值性能資源有優(yōu)化，整機CPU峰值降低24%，內(nèi)存消耗降低50%且波動更平穩(wěn)。

數(shù)據(jù)處理場景下，SQL性能提升50%

在數(shù)據(jù)處理相關(guān)的場景，如TPC-DS標準SQL和行業(yè)典型場景SQL的測試用例下，DPU模式下占優(yōu)的用例數(shù)明顯高于CPU模式下占優(yōu)的用例數(shù)，且從相同SQL用例的查詢耗時數(shù)據(jù)來看，DPU模式下的耗時相較于CPU模式有50%-60%的提升。

注：性能對比計算公式，針對執(zhí)行結(jié)果數(shù)據(jù)（CPU-DPU）/CPU

表：DPU模式對比CPU模式下SQL查詢耗時性能結(jié)果表

DPU環(huán)境下的整機CPU峰值高位較CPU環(huán)境降低24%

從測試過程中采集到的整機CPU峰值數(shù)據(jù)來看，DPU環(huán)境下的整機CPU峰值高位比CPU環(huán)境下整機CPU峰值高位低24%左右，配合大數(shù)據(jù)平臺完善的調(diào)度體系，可以實現(xiàn)更多的任務(wù)并行。

DPU環(huán)境較CPU環(huán)境可以降低50%的內(nèi)存配置，內(nèi)存消耗走勢更平穩(wěn)

測試過程中采集到的內(nèi)存消耗數(shù)據(jù)來看，DPU環(huán)境在測試執(zhí)行過程中內(nèi)存消耗走勢更平穩(wěn)，且整體峰值相較于CPU環(huán)境更低。從性能優(yōu)化的角度來看，DPU環(huán)境相較于CPU環(huán)境降低50%左右的內(nèi)存配置，即本次實驗DPU環(huán)境內(nèi)存可從128G降為64G。

附錄：測評環(huán)境與數(shù)據(jù)詳細說明

以下針對本次測評的測試環(huán)境、資源參數(shù)、測試數(shù)據(jù)集進行說明：

審核編輯 黃宇