阿里云 E-MapReduce Serverless StarRocks 版是阿里云提供的 Serverless StarRocks 全托管服务，提供高性能、全场景、极速统一的数据分析体验，具备开箱即用、弹性扩展、监控管理、慢 SQL 诊断分析等全生命周期能力。内核 100% 兼容 StarRocks，性能比传统 OLAP 引擎提升 3-5 倍，助力企业高效构建大数据应用。本篇文章重点介绍阿里云 EMR StarRocks 与开源 StarRocks 的对比与客户案例。
一、开源对比
阿里云 EMR StarRocks 与社区版本功能对比分为三个部分，首先是 StarRocks 内核及架构的差异；其次是在实例运维管理能力上的差异；接下来一部分就是关于数据的运维，也就是对 StarRocks 内部的数据应该如何管理的问题。通过阿里云 EMR StarRocks Manager，大家可以做很多与数据运维或业务运维相关的事情。
内核及架构对比
首先第一部分就是关于 StarRocks 内核的对比，阿里云 EMR 团队与 StarRocks 社区已经合作很长时间了，所以基本上会贡献给社区。但是如果是周边产品的集成或新加的一些功能还是暂时会放到 EMR StarRocks 商业化的板块中进行管理。一些商业化能力经过一些时间差也会逐步合并到社区版本中。
当前内核部分，第一个不同就是高 QPS 点查，在上万级别的 QPS 场景中，EMR Serverless StarRocks 做了一系列优化，能够保证高 QPS 下的性能的稳定性。接下来是现代物化视图，对于这个部分，EMR Serverless StarRocks 添加了物化改写的能力，用户去查询物化视图的时候，如果基表更新了，但是物化视图还没有更新的情况下，就能够快速去查询到实时更新的那部分数据，而用户的业务 SQL 是不需要改写的。还有一部分就是存算分离，存算分离主要是指数据湖当中的存算分离版本，在数据湖存算分离的版本下，EMR Serverless StarRocks 对数据湖部分做了大量优化，性能提升也极为明显，约为20%~30%，极端情况下能到70%，以上也是内核目前存在的比较大的差异点。
其次是数据湖的部分，在这一部分 StarRocks 重点结合 Paimon 做了大量的改造，包括集团内部也在进行业务试点的尝试，构建弹内的 StarRocks 加 Paimon 的数据湖场景。这部分的性能差异用户也能在 StarRocks 使用到最新的版本，最新版本中性能和功能都会较为完善。还有一部分就是和阿里云实时计算合作，加入了整库整表同步的功能，用户可以通过 Flink VVP 进行试用，也可以使用 Dataworks + StarRocks 进行实时写入和批量写入，同样也能实现整库整表同步更新。这一部分的功能也是和开源版本存在差异，因为它需要借助阿里云上的其他产品的能力去实现实时的写入，例如将 MySQL 的数据实时地导入到 StarRocks 当中，实现整库迁移。对于实现这样的效果，StarRocks 也将这一部分功能进行了集成。
以上就是目前在内核部分的大部分差异，基本上和社区在内核层面保持一致，但会增加一些功能帮助用户提升查询性能，或提升并发度和优化用户体验。
实例运维管理
在实例运维层面，如上图所示，在开源版本当中没有可视化的管理平台，在 EMR StarRocks 当中则有一整套的在线扩缩容、部署、集群运维管理系统。包括监控报警功能都是现成的。用户只需要使用开了 EMR StarRocks 的账号进行登录，即开即用。在 Serverless 版本中会有故障自动恢复，以及相应的一些自动恢复机制，保障各种节点自动恢复，不需要用户过多关注底层的机器资源故障或问题。以上也是 EMR Serverless StarRocks 免运维的部分，即集群的自动恢复能力方面，不需要用户使用过多人力进行机器运维。
另外一部分差异就在于弹性方面，目前用户对于弹性的需求较为明显，无论是 StarRocks 做数据湖分析，还是在传统的 StarRocks OLAP 报表分析场景当中，用户都会经常遇到偶发的波峰，而在夜晚耗费的资源就会比较少，有了弹性的能力就可以帮助用户更好的节省计算成本，具体发布见官方发布的公告，预计在6月初推出 CN 节点的弹性。当用户的业务有明显的波峰和波谷时，用户可以结合弹性更好地节省计算成本。
接下来就是小版本的自动升级，众所周知，StarRocks 迭代较快，非常活跃。用户经常面临的问题就是如何从2.5.8升级到2.5.10，类似于以上的小版本升级。如果是自建的话，就需要自己手动做维护。在 EMR Serverless StarRocks 当中，就能够通过一键按钮，自动的进行小版本滚动升级，这也是 EMR Serverless StarRocks 较为受欢迎的点，因为 StarRocks 更新确实较为频繁。
另外还有一个在计划之中的特点就是 Multi WareHouse，开源版本目前并不会有 Multi WareHouse，但大概在7月底，平台会基于 Serverless StarRocks 3.3版本推出 Multi WareHouse 能力， 帮助用户更方便地进行业务隔离。较为典型的场景就是有时需要将导入任务和查询任务分开，让他们分别使用不同的计算资源，以免由于导入任务忽然很大，导致 SQL 无法查询，或一个 SQL 查的很大，导致导入任务无法写入，以上是用户在使用 Serverless StarRocks 集群时经常会碰到的问题。
接下来是 Cluster Linking，在进行集群迁移或备份到新的集群的场景当中可以借助 Cluster Linking 工具。目前， Cluster Linking 还只是一个工具并没有完全产品化，因为基本上已经能够满足大部分场景。
以上就是关于 EMR StarRocks 与开源版本在集群或实例方面的能力差异。
StarRocks Manager
在 StarRocks Manager 中提供了很多功能，提供 SQL Editor，用户在写 SQL，或是日常进行命令行操作时都可以使用 SQL Editor 工具，只需要在页面上连接实例，就能够打开 SQL Editor 进行相应的 SQL 操作或者查询。在线 SQL Editor 的主要优势就是方便用户进行在线查询或开发调试。
此外，Manager 层还提供了可视化数据库或数据表管理的功能，可以查看数据库或数据表，包括表的分区或其他相关信息，以上是源数据可视化的查看和管理的能力。
Manager 层还提供集群的实例健康报告，用户可以直接在控制台集群上查看健康报告。健康报告当中会帮助用户统一分析 SQL、导入任务、抓取源数据等等，健康报告会显示使用较多、使用资源较大、查询较为耗时的 SQL 语句；在导入任务方面同样也会分析导入任务占用资源较多的进程；在抓取源数据方面会给出小文件分布较多的表或分区的数据的位置，以上就是平台结合整个集群实例会给予用户的健康报告内容，以帮助用户做集群治理或业务层面的数据治理。
在慢 SQL 方面，EMR Serverless StarRocks 同样也提供相应的归因分析。在用户日常使用当中，会出现某个 SQL 运行得很慢的情况，用户不知道为什么运行得很慢，Serverless StarRocks 就会提供一套慢 SQL 的可视化信息分析，用户可以看到每个 SQL 的使用情况，包括运行慢的原因，需要如何解决等。以上所提内容会在 EMR Serverless StarRocks 最新的版本当中迭代支持。
在导入任务方面，无论是实时导入还是批量导入，或是其他各种导入任务的日常管理，也是 Serverless StarRocks 的痛点，平台会提供相应导入任务的相关管理界面，用户可以实时看到有什么任务在运行、任务故障的日志信息、错因、进度信息等。
安全及权限
接下来是权限可视化方面，EMR Serverless StarRocks 提供了基础的可视化权限配置，当然用户也可以直接通过命令行进行权限管理。
目前，可视化物化管理部分、血缘分析已经在设计中，在 Serverless StarRocks 3.x之后的湖仓新范式的概念中，用户会越来越多的把许多数据处理或数据加工的任务放到 Serverless StarRocks 当中，则会面临一个问题就是血源关系是什么样的？以及倘若任务出现故障，影响故障的上下游是哪些？以上均是 StarRocks 3.x 之后的湖仓新范式的概念中用户应用到具体场景中会出现的问题，这两部分就是物化视图和血缘，预计在六到七月份做版本发布。
还有一部分是与 Cache 相关的，用户在使用 Serverless StarRocks3.x 版本之后，会进行到存算分离的架构当中，在这套架构当中用户会面临的问题是开始在哪里？有没有命中？哪些表命中了？哪些表没命中？哪些 SQL 命中了？哪些 SQL 没有命中？对于以上情况，平台都会提供 Cache 相关的一整套 Manager 能力，这套 Manager 能力主要就是解决在缓存当中会碰到的一系列问题。用户可以看到 SQL 中缓存的命中情况、命中的比例。对于数据表和数据库，用户也能够看到数据库或数据表缓存的数据量有多大，包括在健康报告当中也会给出缓存相关的分析信息，例如会给出哪些表使用较多需要进行缓存？或者哪些缓存现在是该命中的情况下没有命中，可能需要进行优化。以上内容也会在健康报告当中结合缓存的分析报告，给出用户相应的治理建议。内容对于存算分离场景下的缓存也是较为重要的，如果要把存算分离的架构用到最优，对缓存的管理就是第一步。
售后及支持
售后服务方面，如果是社区，用户则需要依赖于社区的版本支持；如果是 EMR Serverless StarRocks，就可以通过支持群或联系技术专家进行售前阶段及售后阶段的咨询，帮助用户尽快将业务落实到 Serverless StarRocks 上。如果在使用过程当中出现问题也可以寻找技术专家进行支持。
以上内容就是 EMR Serverless StarRocks 和社区版本的能力差异，也是 EMR Serverless StarRocks 产品希望能够帮助用户解决到的问题。用户在选型时可以进行综合评估，同时也能加入钉群进行反馈。
二、客户案例
以下为 EMR Serverless StarRocks 典型客户案例，可供参考。
案例一：某在线教育客户- BI自助/指标平台/多维分析/
首先是某在线教育客户，致力于做传统的 BI 报表、对内的运营分析报表、指标平台等业务系统的数据。这部分数据当中有 T+1 的，也有实时写入的。该用户要求指标能够灵活定义，各个维度之间能任意组合。该用户原先使用的解决方案，有 Presto/MySQL 方案，也有较为传统的 Hive、Spark，但基本上性能较差。EMR Serverless StarRocks 和 Spark 对比，性能有几倍的提升，该用户期望有更高性能的报表分析综合平台，就选择了 EMR Serverless StarRocks 路线。
其次，EMR Serverless StarRocks 支持 upsert 场景，传统平台和 Spark 不支持 upsert 场景， 当然目前结合一些湖格式用户也能够完成，但整体的弹性性能不如直接使用 EMR Serverless StarRocks 进行查询。如上图所示，该用户的整个数据架构就是将原始的数据、Binlog、日志实时地通过Kafka、Flink 进行处理之后，实时写入到 Serverless StarRocks。以上是实时数据的链路，还有一部分数据量较大的数据使用离线的方式，通过小时级使用 Hive 加工之后，然后通过 BulkLoad 的形式上传到 Serverless StarRocks 当中，完成之后就在 Serverless StarRocks 内部形成了一整套的对业务相关的表的集合。基于这个集合就可以做上游的多维报表分析、自助 BI 报表平台或指标平台。以上功能基于 Serverless StarRocks 都会对该用户提供较大的性能提升，此外，相应的技术栈也会相对简单。在 OLAP 场景下将所有数据都交给 Serverless StarRocks 即可，以上就是某在线教育客户的场景，其实也是 Serverless StarRocks 最擅长的场景，即传统的 OLAP 报表分析。
案例二：某在线教育客户-实时事件分析
该案例的在线教育客户主要进行实时事件分析，即实时地将一些数据通过 Flink 直接写到 Serverless StarRocks 做事件分析。对于实时事件分析的场景，在之前用户会使用 Druid 方案当中一些相对较为复杂的结构，查询性能和 SQL 语法支持方面相对于 Serverless StarRocks 来说较弱。所以最后用户整体上使用了 Serverless StarRocks，用 Serverless StarRocks 替代了实时写入、实时查询、简单的域聚合等，在将所有东西嵌入到 Serverless StarRocks 之后，整体的查询性能有两倍以上的提升，SQL 的查询语法也是 Serverless StarRocks 所支持的，所以他的 SQL 灵活度也较高，可以随意使用一些组合，对用户实时写入、实时进行事件分析的场景较为适用。在日常生活当中能够见到的一些大屏也是实时写入的案例，同样使用的也是 Flink 加 Serverless StarRocks 的组合，对于类似的场景，使用这套组合也是极其稳定和保险的，同时也是 Serverless StarRocks 所擅长的核心场景。
案例三：某金融公司-OLAP 组件统一提速
本案例中该用户的初衷是对 OLAP 组件统一提速，这也和 EMR Serverless StarRocks 所宣传的概念一致。该客户是一个金融公司，对于金融公司来说可能会有较多的 OLAP 组件，就会存在相应隐患。较多的 OLAP 组件对于公司来说第一个缺点是运维较为复杂，第二个缺点就是存在大量实例，会消耗极大一部分的硬件资源成本，在某些场景当中并发会受限，慢 SQL 运行的也会比较慢，以上内容都是该用户所面临的痛点，总结起来就是组件过多难以维护，需要部署的集群过多成本较高。
最后该公司决定将整个 OLAP 相关的明细或数据等所有业务数据都关联到 EMR Serverless StarRocks 当中，通过 Serverless StarRocks 做统一的 OLAP 组件，在此操作之下对该用户的业务性能查询提升也是较为明显的，整体提升40%左右，资源使用率降低达到50%，主要在于 Tidb 方面节省的成本。在进行简单的数据处理加工时，进行预聚合的时间原来需要三十分钟，现在只需要三十秒，所达到的提升有原来的几十倍。所以对该用户来说，性能也提升了，成本也降低了，原来的预聚合场景的性能提升也非常快，所以消耗的资源也就变少了。
此案例也有越来越多的客户在选型时进行参考，尤其是在选择新业务的时候，基本上就会选择 Serverless StarRocks。对于用户来说，节省了成本，在后期的技术当中也能做得更为统一。本案例中的客户还希望实现对用户行为进行分析、监控、报警、用户画像的功能，该用户也就是期望所有 OLAP 相关的能力都可以由 Serverless StarRocks 统一管理和维护。
案例四：某游戏公司-广告投放
该用户是一个偏具体的场景，从技术角度来看，有两个数据量较大的表，数据写入频率也较高。在需要多表、专业的性能要求较高、写入的性能要求较高的场景下，就比较适用于 Serverless StarRocks，对用户来说，将这部分数据切到了 Serverless StarRocks，提升了整个数据链路的实时性，提升了整体的查询性能，业务使用查询性能提升也较为明显，成本也相对较低。
以上就是 EMR Serverless StarRocks 部分案例场景。
目前也存在一种现象，越来越多的用户会直接将相应的数据放到 Serverless StarRocks 进行建仓，进行存算分离的用户也越来越多，或使用 Serverless StarRocks 去构建一整套的小型数仓场景，即直接使用湖仓新范式直接去落地。
产品导航
-
EMR Serverless StarRocks 版官网：https://www.aliyun.com/product/bigdata/starrocks
-
产品文档：https://help.aliyun.com/zh/emr/emr-serverless-starrocks/
EMR Serverless StarRocks钉钉交流群（群号：24010016636）
1338
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
