指如疾风，势如闪电-StarRocks Fast Schema Evolution in V3.3.0-CSDN博客

本文链接：https://blog.csdn.net/kai_ding/article/details/141026341

前言

使用 StarRocks 存算分离功能的同学可能之前常常被 DDL （常见的如增加列等）所困扰，主要在于 DDL 的执行时间过长并可能由此引发的一系列问题（如超时失败等），用户可能有时候不得不采用其他方式来替代（如按照新的 Schema 来重建表并重新导入数据）。

幸运的是，在 3.3.0 版本中即将推出的 Fast Schema Evolution 能力让这一困扰我们许久的问题彻底变为历史。

Fast Schema Evolution 是现代大数据处理系统中至关重要的功能。它能够在无需重写整个数据集的情况下高效地修改表结构，显著提升数据管理的灵活性和敏捷性。在即将发布的 3.3.0 版本中，我们将为存算分离版本引入全新设计实现的 Fast Schema Evolution 能力，帮用户极大地提升了DDL的效率。

Fast Schema Evolution 的关键在于无需重写历史数据，而是只需要向对象存储中写入少量Tablet 元数据即可完成 DDL，这带来了显著的性能提升，尤其是针对处理包含大量历史数据的表时。
本文章将会通过真实测试来展示全新设计的 Fast Schema Evolution 的性能表现。

测试环境

硬件规格

测试中使用1 FE + 4 CN 配置，FE实例规格如下：

CN 实例规格如下：

软件版本

测试中分别使用 3.3.0-rc02 和 3.2.7 版本进行对比测试。

数据集

使用 TPC-DS 1TB 标准数据集，针对 store_sales 表进行加列（add column）操作并对比两个版本耗时。压缩后存储数据量如下：

原始表结构如下：

测试结果

Fast Schema Evolution vs Old Schema Evolution

以下结果展示了 Fast Schema Evolution 和老版本的性能对比：

可以看到，在只有 130 GB 数据规模情况下，加列的延迟降低了 85 倍（8s VS 680s）。如果数据量进一步提升，提升的幅度会更加显著。

不同 Tablet 时 DDL 性能对比

StarRocks 存算分离的 Fast Schema Evolution 在实现时是只为每个 Tablet 写入元数据信息，其耗时与 Tablet 数量息息相关，本着严谨的原则补充测试了不同 Tablet 规模下的加列性能。
这里调整了部分默认参数值：

# 控制 FE 后台调度执行 DDL Task 周期，默认为10s 

admin set frontend config("alter_scheduler_interval_millisecond"="1000");

# 控制 CN 执行 ddl 任务的并行度，默认为 4 

update information_schema.be_configs set value = 4 where name = "max_update_tablet_meta_threads";