holo的向量化执行这块都在哪些地方使用了simd指令了啊，这个有文档介绍吗

Hologres支持毫秒级的写入可见性，Druid和ClickHouse支持的是秒级。同时Hologres支持写入更新。在计算方面，Hologres同Druid和ClickHouse都采用了向量化/SIMD执行器，值得一提的是，因Hologres底层技术原理可以支持联邦查询和高QPS的点查，这些都是Druid和ClickHouse无法做到的。

SIMD (Single Instruction Multiple Data) 即单条指令操作多条数据——原理即在CPU 寄存器层面实现数据的并行操作。

向量化计算vectorization 向量化计算(vectorization)，也叫vectorized operation，也叫array programming，说的是一个事情：将多次for循环计算变成一次计算。

简单来说，向量化计算就是将一个loop——处理一个array的时候每次处理1个数据共处理N次，转化为vectorization——处理一个array的时候每次同时处理8个数据共处理N/8次。

每列的数据存储在一起，可以认为这些数据是以数组的方式存储的，基于这样的特征，当该列数据需要进行某一同样操作，可以使用SIMD进一步提升计算效率，即便运算的机器上不支持SIMD, 也可以通过一个循环来高效完成对这个数据块各个值的计算。

可以参考下面这篇文章：

https://m.toutiao.com/is/rsd2Vjj/ - 向量化代码实践与思考：如何借助向量化技术给代码提速 - 今日头条

Hologres高性能的查询：基于 MPP 架构的分布式 ROLAP （Relational OLAP）分析引擎，各节点职责对等，各自负责一部分数据的处理（Shared Nothing），开发了向量化执行引擎，利用日志合并树、bitmap索引与 CPU 的 SIMD（单指令多数据 ，Single Instruction Multiple Data）等特性，充分发挥硬件优势，即使面对大数据量计算的场景，通常也能达到 CPU 性能的极限，达到高效计算的目的。具备同时支持PointQuery，Ad-hoc，OLAP，实时离线联邦分析等多业务场景的能力，让对外服务统一引擎成为可能。

SIMD可以让计算变并行，既然要用SIMD，我们的执行模型就不能再是一次读一个tuple，而是需要一次读一批tuple，不然SIMD中的multiple data从何而来。一个执行向量化执行的引擎首先就需要将数据按照batch做读取，这似乎不是一个太困难的事情，我们并没有改变volcano的设计，依然可以迭代执行，只不过读取的数据量做了些变化，我们需要让每个算子可以执行一批数据并返回。 在ClickHouse中，每种类型都有基于这种类型的序列化函数来完成序列化，因此可以基于不同类型做特定的向量化。在数据比较和过滤的时候，ClickHouse在内存中每种不同的列都有自己单独的filter和compare函数。