比Spark快100倍的GPU加速SQL引擎！BlazingSQL开源了

2019年08月06日作者：蔡芳芳

BlazingSQL 是基于英伟达 RAPIDS 生态系统构建的 GPU 加速 SQL 引擎，可以为各种 ETL 大数据集提供 SQL 接口，并且完全运行在 GPU 之上。近日，其研发团队宣布，BlazingSQL 基于 Apache 2.0 许可完全开源！

开源项目地址：

https://github.com/blazingdb/pyBlazing/

关于 BlazingSQL

比Spark快100倍的GPU加速SQL引擎！BlazingSQL开源了

BlazingSQL 是一个基于英伟达 RAPIDS 生态系统构建的 GPU 加速 SQL 引擎。RAPIDS 包含一组软件库（BlazingSQL、cuDF、cuML、cuGraph），用来在 GPU 上执行端到端的数据科学计算和分析管道。RAPIDS 基于 Apache Arrow 列式存储格式，其中 cuDF 是一个 GPU DataFrame 库，用于加载、连接、聚合、过滤和操作数据。BlazingSQL 是面向 cuDF 的 SQL 接口，具备支持大规模数据科学工作流和企业数据集的各种功能。

官方称，BlazingSQL（几乎）可以处理任何你想要的数据。它的前身是 BlazingDB，但因为它并不是一个数据库，所以研发团队将 BlazingDB 改名为 BlazingSQL。

BlazingSQL 主要特性：

查询外部存储数据：仅需一行代码就可以注册远程存储解决方案，例如 Amazon S3。

简单的 SQL：非常容易使用，运行 SQL 查询就能得到 GPU DataFrames（GDF）的查询结果。

互操作性：任意一个 RAPIDS 库都可以访问查询到的 GDF，并用于任意的数据科学工作负载。

BlazingSQL 解决的痛点

价格昂贵： 进行大规模数据科学研究通常需要包含数千台服务器的集群，而 BlazingSQL + RAPIDS 运行相同规模的工作负载只需要其中一小部分基础设施。

速度慢： 在大型数据集上运行工作负载和查询可能需要数小时或数天，而 BlazingSQL + RAPIDS 借助 GPU 加速可以在几秒内得到结果，帮助数据科学家快速迭代新模型。

复杂型： 数据科学工作负载通常基于小数据集开发出原型，然后针对分布式系统进行重建。BlazingSQL + RAPIDS 让用户能够只编写一次代码，并且只需要一行代码就能动态地改变分布式集群规模。

在开发团队看来，迄今为止，SQL 是每一个主流分析生态系统的支柱之一，RAPIDS 是下一代分析生态系统，而 BlazingSQL 是 RAPIDS 的 SQL 标准。

BlazingSQL 完全基于 cuDF 和 cuIO 构建，这些项目的新功能会直接影响 BlazingSQL 的功能和性能。同时，由于 BlazingSQL 运行在 GDF 上，它与 RAPIDS 的所有库都是 100％可互操作的。

如果你正在使用 RAPIDS，或者正在考虑使用 RAPIDS，BlazingSQL 将为你提供更多便利，包括但不限于：

降低代码复杂性：SQL 语句非常简单，你可以用单个语句替换数十到数百个 cuDF 函数调用。

连接到数据湖： 你不再需要同步其他数据库，BlazingSQL 可以查询云端或网络文件系统中的任意原始文件。

让 RAPIDS 变得更快： 更先进的 SQL 优化器让 RAPIDS 技术栈更智能地运行。

BlazingSQL 性能表现

目前，BlazingSQL+RAPIDS 已经上线 Google Colab，研发团队在 GCP 上搭建了两个价格相当的集群，一个用于 Spark，另一个用于 BlazingSQL。他们在集群上运行端到端的数据分析工作负载：从数据湖到 ETL/ 特征工程，再到 XGBoost 训练，并对 Spark 和 BlazingSQL 的性能进行了对比测试。

研发人员在超过两千万行 Netflow 数据上运行两次相同的特定工作负载。首先运行 BlazingSQL + RAPIDS，然后使用 PySpark（Spark 2.4.1）再次运行，得到如下结果：

如果把从 Google Drive 中加载 CSV 到各自 DataFrame 所需的时间考虑在内，BlazingSQL 比 Spark 快 71 倍。

越小越好

如果只看 ETL 时间，则 BlazingSQL 和 RAPIDS 的速度比 Spark 快 100 倍！

越小越好

运行以下 Colab 演示，用户可以使用免费英伟达 T4 GPU 资源进行同样的测试，对 BlazingSQL 的实际效果进行验证：

https://colab.research.google.com/drive/1EbPE9FwFur7fE2054BH9s23Kd0FiUgGo

据介绍，BlazingSQL 大部分性能提升来自团队的内部引擎项目，BlazingSQL 团队的工程师们希望开发一种专为 GPU DataFrames（GDF）构建的 GPU 执行内核，称之为“SIMD 表达式解释器”（SIMD Expression Interpreter）。研发团队分享了一些关于 SIMD 表达式解释器的细节，SIMD 表达式解释器通过几个关键步骤带来提升性能：

接收多个输入，包括 GDF 列、字面量，在不久的将来也会支持函数。

在加载这些输入时，SIMD 表达式解释器将对 GPU 寄存器的分配进行优化，这可以优化 GPU 线程占用率，并提高性能。

然后，虚拟机处理这些输入，并生成多个输出。假设有以下 SQL 查询：

SELECT colA + colB * 10，sin（colA） - cos（colD）FROM tableA

在以前，BlazingSQL 会将这条查询语句转换为 5 个操作（+，*，sin，cos， - ），每个操作都需要单独执行。在使用 SIMD 表达式解释器后，它会同时接收（colA、colB、colD）作为输入，并在单次内核执行中执行所有 5 个操作，最终生成两个输出。这意味着 colA 只需要加载一次，而不是两次。

目前，SIMD 表达式解释器支持 BlazingSQL 的过滤和投影，因此它对许多主流的 SQL 查询都有影响。

如何使用 BlazingSQL

使用 BlazingSQL 在 Amazon S3 中查询 CSV 文件的示例代码：

from blazingsql import BlazingContext bc = BlazingContext()  bc.s3('dir_name', bucket_name='bucket_name', access_key_id='access_key', secrect_key='secret_key')  # Create Table from CSV bc.create_table('taxi', '/dir_name/taxi.csv')  # Query result = bc.sql('SELECT count(*) FROM taxi GROUP BY year(key)').get() result_gdf = result.columns  #Print GDF print(result_gdf)

更多 BlazingSQL 的操作方法参见：

GitHub 项目链接：https://github.com/blazingdb/pyBlazing/

官方网站：https://docs.blazingdb.com/docs/using-blazingsql