数据智能产业创新服务媒体
——聚焦数智 · 改变商业
任务背景
国际大环境就不用多说了。
对于数据库类的关键业务，全国产技术（国产 CPU+ 国产数据库）和国外主流技术在性能上相比还有不小的差距，经常需要借助分布式技术使用数倍的硬件才能获得类似的效果。
国产编程语言 SPL 的问世，可以方便程序员写出（比 SQL）更短小简单且计算量更低的代码（针对同样计算任务），能够对采用 SQL 的主流数据库形成明显的效率和性能优势。这样，在国产 CPU 上运行用 SPL 编写的数据库运算，就可能获得在国外 CPU 上运行 SQL 数据库的同样性能，甚至大幅超过。从而使数据库运算类的关键业务实现全国产技术替代。
本次测试设计了三个计算任务，涉及常规查询、复杂在线查询和离线跑批任务，分别在海光、龙芯、飞腾三款国产芯片上运行后看效果，并对比历史上在国外芯片上运行的情况
系统配置
海光 | 龙芯 | 飞腾 | |
CPU | 2颗7285， 共64核 | 4颗3C5000， 共64核 | 2颗2500， 共128核 |
RAM | 256G | 256G | 256G |
硬盘 | SSD | SSD | SSD |
OS | 麒麟V10 | Loongnix | 麒麟V10 |
SPL | 开源社区版 202208 | ||
测试一 常规查询，TPCH
TPCH 是国际标准，具体内容不再过多解释。
需要说明的是，TPCH 虽然有 22 个题，但仍然不能全面反映出被测系统对实际业务的响应性能。主要原因如下两点：
1.TPCH 中问题比较常规，没有涉及序运算，分步运算也较简单。而实际业务中有性能瓶颈的运算，其复杂度通常会远高于 TPCH，会大量涉及序运算和分步计算；
2. 测试问题已经被长期公开，有些数据库可能会专门做相应的优化；
当然，作为国际标准，也会有一定的参考价值。
TPCH 各题的 SPL 写法可参考 从 TPCH 测试学习性能优化技巧
测试结果（单位：秒）
海光 | 龙芯 | 飞腾 | Intel+Oracle | |
Q1 | 25 | 40 | 33 | 131 |
Q2 | 2 | 4 | 3 | 27 |
Q3 | 8 | 19 | 15 | 222 |
Q4 | 4 | 12 | 9 | 207 |
Q5 | 15 | 20 | 27 | 225 |
Q6 | 3 | 7 | 8 | 135 |
Q7 | 11 | 18 | 21 | 184 |
Q8 | 13 | 20 | 28 | 192 |
Q9 | 31 | 63 | 58 | 234 |
Q10 | 10 | 19 | 16 | 215 |
Q11 | 2 | 5 | 4 | 33 |
Q12 | 7 | 19 | 13 | 184 |
Q13 | 97 | 195 | 152 | 37 |
Q14 | 6 | 22 | 20 | 157 |
Q15 | 12 | 22 | 24 | 155 |
Q16 | 9 | 19 | 15 | 13 |
Q17 | 9 | 13 | 25 | 165 |
Q18 | 7 | 21 | 14 | 344 |
Q19 | 9 | 16 | 16 | 154 |
Q20 | 7 | 12 | 16 | 175 |
Q21 | 19 | 24 | 24 | 326 |
Q22 | 23 | 37 | 33 | 48 |
AVG | 14.95 | 28.5 | 26.09 | 161.95 |
AVG-G | 9.68 | 19.22 | 18.36 | 125.56 |
1. 海光、龙芯、飞腾均以 32 线程运算，初步的测试表明，大多数运算在这个并行数下最快。
2.AVG 行是 22 个题的平均时间；AVG-G 行是几何平均数，这样能反应出性能差距的倍数关系，规避某些题因为普遍都慢在简单平均时权重太大的问题。
3. 最右边对比列，硬件环境：2 颗 Intel 3014 1.7G 共 12 核，64G 内存；Oracle 运行 12 线程。因 CPU 主频及并行数不同，没有直接可比性，但仍有参考价值。
4.SPL 的 Q13 的表现有点特殊，因为 Q13 在这个线程数时，会占用过大内存；而 SPL 用 Java 实现，内存不足时会导致大量的垃圾收集时间。本次测试目标不是调出每个题的最优性能，就没有刻意再优化它。
测试二 离线数据准备，国家天文台聚类计算
这是国家天文台的实际业务，测试也采用了真实数据。
共 11 张照片，每张有 500 万天体，将位置（天文距离）邻近的天体聚合成一个计算属性。期望计算时间在数小时内，因为每天都会有新的照片拍摄出来，必须当天处理完。
本任务的数据量不大（<10G)，但计算量非常大，和规模的平方成正比。
用某分布式数据库动用 100 个 CPU，仅处理 50 万天体也需要 3.8 小时，处理 500 万目标规模预计需要 15 天，不具有实用性。
详情可参考 SPL 提速天体聚类任务 2000 倍
测试结果（单位：小时）
并行数 | 16 | 32 | 64 |
海光 | 3.91 | 2.39 | 2.21 |
龙芯 | 6.65 | 4.04 | 3.96 |
飞腾 | 9.27 | 5.33 | 3.64 |
更高并行没有表现出线性加速，主要是因为这个问题的特殊性，运算步骤之间有依赖关系，各个线程会有重复计算，无法做到线性提速。
三款芯片均可以在目标数据规模时达到任务要求的时间指标，性能都具有实用性。
测试三 在线查询，电商漏斗计算
电商漏斗是典型的有序计算，需要统计在指定时间窗口按指定次序发生多次事件中前 N 个的用户数，以便计算用户流失率为营销动作提供依据。
这是用户行为分析中很常见的计算，也是传统数据库很难高速完成的计算。
漏斗计算的细节和 SPL 加速方法可参考 SQL 提速：漏斗转化分析
本题是美国一家电商企业的真实案例，漏斗共有 5 步，计算难度较高。使用该企业在某个分站点一个月的脱敏数据，规模接近 4 亿行。这个运算用 SQL 在美国著名云数据仓库 Snowflake 的 Medium 级服务器（相当于 64 核）上三分钟未跑出结果，用户期望不超过 30 秒。
测试结果（单位：秒）
并行数 | 32 | 16 | 8 | 4 |
海光 | 16 | 18 | 29 | 59 |
龙芯 | 32 | 41 | 59 | 101 |
飞腾 | 25 | 30 | 44 | 76 |
三款芯片在 32 线程时的运算性能可以达到或接近用户的期望值。
补充说明
1. 测试海光时还使用过 CentOS，性能表现要比使用麒麟时有较明显的优势（天文台运算 64 线在 1.5 小时内完成）；测试飞腾时仅使用了麒麟，有可能其性能被操作系统影响；龙芯的 Loongnix 看起来表现较出色。
2. 在龙芯上还做过一个军方外围任务测试：在 82 亿行的脱敏海事数据中按时间段和经纬度范围查找经过船只，龙芯上 SPL 的执行性能大概相当于 Intel3014 的 50%，仍比 Intel8260 上的 MySQL 快了数倍到上百倍（和时间段宽度有关）。
初步结论
1. 海光的性能表现明显在三者中最强，性能大约是龙芯和飞腾的两倍。龙芯总体较飞腾稍弱，但差距不是很大，在长时间小并行任务中还能胜出。
2. 使用 SPL 编程时，这三款国产芯片都能胜任数据仓库类的复杂计算场景，能赶上甚至大幅超越国外芯片上国外数据库的性能，完全可应用于关键的数据计算任务。
