10月14日，2017杭州云栖大会·阿里云大数据计算服务（MaxCompute）专场，阿里云技术专家路璐带来《MaxCompute基于BigBench标准的最新测试进展》分享。
在11日的主论坛上，MaxCompute做了敢为人先、引领潮流BigBench On MaxCompute2.0的重磅发布，意味着MaxCompute成为第一个做到100TB数据规模的BigBench，并且在100T数据规模的Qpm达到7830Qpm，成为第一个达到7000分的大数据引擎。同时MaxCompute也是第一个公有云服务的BigBench Benchmark，在性价比上具有很大的优势，并给出了几种性价比计算方式：其中预付费3年的性价比达到371美元per Qpm；预付费1月的性价比达到12.3美元per Qpm；按需后付费的性价比达到2.1美元per Qpm。
这也就是说从规模、性能、性价比角度，MaxCompute都达到了业界领先水平。本文正是为大家解读这组数据。
TPCx-BB简介
BigBench实际上就是TPCx-BB的前身，它于2016年2月被TPC委员会接受以后被命名为TPCx-BB，在此之前叫BigBench。
TPCx-BB是业界领先的基于端到端的大数据分析领域应用级测试基准，由Intel领衔发起，并作为主要开发和大力推广。这里有两个关键词，第一个是端到端的，作为大数据从业者，我们在选择大数据引擎时，性能只是其中一方面，服务等级协议（SLA）和总体拥有成本（TCO）也是我们考量的一方面，甚至是更重要的一方面。传统的Benchmark可能只关注性能，但BigBench作为一款端到端的测试基准，它不仅仅考量大数据引擎的性能，同时参考了大数据工业领域的应用特征，引入了SLA和TCO的衡量标准。
第二个关键词是应用级，现在大数据领域的应用种类繁多，很难用一种应用满足所有的业务需求，同时也很难衡量出大数据平台的真实情况。TPCx-BB模拟了一个真实的线下、线上销售场景的完整应用，应用类型包含SQL、MapReduce、MachineLearning、Streaming等，并且各种应用类型之间的比例与实际情况相近，所以是一款应用级的测试基准。
基于以上特征，TPCx-BB提出了一个完整的软硬件评估标准，并且针对大数据业务类型和应用特征，可以在不同的规模上进行评测。目前官方最大数据规模是10TB，最佳性能是1491 BBQpm，最高性价比的589 美元per Qpm。
TPCx-BB作业特征分布
上图展示了TPCx-BB的作业特征分布，TPCx-BB一共包含30个作业：
从源数据分析，包含了18个结构化作业、7个半结构化作业和5个非结构化作业；
从作业类型分析，包含6个统计分析作业，17个数据挖掘作业和8个报表类作业；
从应用类型分析，包含13个 纯sql，5个machine learning的作业，5个OpenNLP作业，3个JavaMr作业和4个streamling。
从以上分类可以看出，TPCx-BB包含的作业类型十分全面，基本涵盖了大数据领域的一些常见应用，并且应用间的比例与实际情况相当吻合。
TPCx-BB性能评估标准
TPCx-BB性能评估标准有两个，一是根据软硬件性能评估，二是根据软硬件性价比评估。
根据软硬件性能评估（SLA）是指通过BBQpm@SF评估性能，它涵盖数据规模、数据导入的性能，Power测试阶段，Throughput测试阶段。BBQpm@SF的公式如下，其中SF（scale factor）表示基准测试数据规模大小，以G为单位，比如1000代表1T，M代表基准测试运行的作业数量，完整的BBQpm包含30个query。
Load测试阶段：测试数据导入。Load测试阶段通过数据导入的时间衡量，因为相对作业执行，这部分对大数据系统相对不那么重要，所以在计算时加上了0.1的系数。
Power测试阶段：单个查询流顺序执行30个查询语句，衡量方式是计算这些查询语句的几何平均执行时间，所以在Power测试阶段大作业和小作业的权重是一样的，这就避免了针对性优化某一个大作业大幅提升成绩的问题。
Throughput测试阶段：多个并发查询流并发执行查询语句，衡量方式是整体执行时间除以并发数，所以在Throughput测试阶段，大作业占的比重会更大。
根据软硬件性价比评估（TCO）也就是被评估系统的总价格除以BBQpm，这样就避免了用大量硬件获取更高的BBQpm，真实反映出软硬件的综合实力。
C：被评估SUT的总价格
BigBench on MaxCompute软件栈
作为一个大数据分析领域应用级测试基准，BigBench包含了多种语义类型，也就是说一个大数据分析平台至少应该支持BigBench的所有应用类型，才能满足用户数据分析的基本需求。BigBench on MaxCompute基于BigBench进行修改，兼容所有语义，只是对一些API做了适配。这也正说明MaxCompute可以完全支持BigBench，作为大数据分析平台具有功能完备性。
从详细的软件栈看，MaxCompute平台提供了Hive兼容模式，完全兼容Hive的所有数据类型和SQL语法；MaxCompute提供Tunnel数据导入导出工具，可以将不同平台数据导入到MaxCompute中；机器学习方面，MaxCompute与阿里巴巴一站式机器学习平台PAI数据打通，可以无缝接入。
BigBench的默认大数据引擎是Hive on Spark，上表还提供了Hive on Spark与MaxCompute的软件栈对比，可以看出将BigBench从Hive on Spark迁移到MaxCompute的对应关系，说明将业务从Hive on Spark迁移到MaxCompute上的Gap不是很大。
BigBench on MaxCompute结果分析
数据规模达到100TB，性能达到7830Qpm，性价比达到$2.1/Qpm，以及第一个公共云服务Benchmark。BigBench on MaxCompute在数据规模、性能和性价比上能够取得这样的成绩，主要跟以下几个方面相关。
首先MaxCompute本身具有的海量数据处理能力。MaxCompute的总数据量已经达到EB级，并且在高速增长中。可以说MaxCompute的大数据能力是在海量数据中锤炼出来的。MaxCompute基于阿里云自主研发的Apsara分布式操作系统，单集群机器规模达到万台，具有业界领先的能力。其中最重要的组件是Fuxi和Pangu，Fuxi是飞天的分布式资源管理和调度系统，在2015年曾经打破GraySort世界纪录，Pangu是大规模分布式文件系统，可以支持10亿+文件条目。
MaxCompute高速增长的业务需求也带来了性能优化的压力和动力，因此在MaxCompute新一代执行引擎中，对Compiler、Optimizer、Runtime等模块进行了深度优化，比如使用range partition做distribute order by，对部分Bigbench作业的性能提升超过100%；使用auto mapjoin对join进行优化，使用shuffle remove减少不必要的stage等；另外我们与Intel有软硬件深度优化的全面合作，充分发挥至强R可扩展处理器架构优势。
同时，BigBench on MaxCompute还是第一个公共云服务Benchmark，包含完整的TCO和软硬件运维服务。事实上按照传统的购买软硬件的方式组建可以运行100T BigBench的集群是一个非常庞大的工程，可能需要几个团队长达几个月的合作才能完成。在公共云上运行100TB BigBench只需要两天的时间。云栖大会后的一个月内将会开放这部分资源给用户，让用户可以在两天的时间内在MaxCompute上完整运行100TB的BigBench。
除了获取方便，公共云服务的另一巨大优势是成本，公有云计价规则灵活，可以按需后付费、按月预付费、按年预付费等。所谓按需后付费是根据实际跑的作业收费，100TB BigBench在MaxCompute上的性价比达到2.1美元Per Qpm。预付费模式是提前预定好机器资源，传统的购买机器一般会有3年或者几年的生命周期，也就是说需要一次性购买三年以上的硬件。而公共云的预付费模式最短可以只购买一个月。实际上即使购买3年的硬件，在MaxCompute购买同样的硬件资源也有一定的价格优势。不过一般没有人会这样做，同样性能的硬件成本会逐年下降，按照现在的价格购买未来几年的硬件是不明智的。公共云按月、按年购买的方式可以避免这种不明智，而公共云平台大量硬件资源可以将这部分成本分摊掉。
测试开放
目前团队即将开放一个月的测试期，免费提供MaxCompute测试资源，让用户可以在2天内完整试跑100TB的BigBench。具体的Test kit和操作指南都已开源提供钉钉联系。
MaxCompute招聘信息：DT时代，与坚持梦想者同行！
阿里巴巴大数据-玩家社区 https://yq.aliyun.com/teams/6/
---阿里大数据博文，问答，社群，实践，有朋自远方来，不亦说乎……
