比 Spark 快 100 倍的 GPU 加速 SQL 引擎：BlazingSQL 开源了

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

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（具体实验参见Colab链接）。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：

1. 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。

2. 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。

3. 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：

4. 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。

5. 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 BlazingContextbc = BlazingContext()
bc.s3('dir_name', bucket_name='bucket_name', access_key_id='access_key', secrect_key='secret_key')
# Create Table from CSVbc.create_table('taxi', '/dir_name/taxi.csv')
# Queryresult = 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项目和官方网站。