*作者：徐晓锋 YashanDB 资深架构师
“一套系统能不能既扛高并发交易，又做实时分析？”、“白天跑业务、晚上跑批处理，能不能不‘掉链子’？”
当我们走访近百家企业，经常听到类似的提问。数字化深入的今天，OLTP与OLAP的界限正在加速模糊，混合工作负载不再是“特殊场景”，而是“常态需求”。传统解决方案中，企业往往需拆分部署两套独立架构：用OLTP数据库支撑高并发，再搭一套OLAP架构支撑分析需求。两套系统、两份数据、双重运维，给企业造成硬件资源重复投入、运维成本高、业务创新迭代受限的多重负担。
基于企业的共性诉求，YashanDB提出“TP+”核心理念，YashanDB V23.5作为这一理念的核心落地版本，对执行引擎、优化器、内存索引访问等多方面进行优化，在TP基础上全面增强复杂查询能力，真正实现TP+场景的极致性能，为企业提供从TB至数百TB级数据全生命周期管理的一站式解决方案。
为什么是现在？
TP+的时代必然性
TP+的兴起并非偶然，而是技术发展与业务需求共同驱动的必然结果：
-
业务层面，企业决策正从“事后分析”转向“实时智能”，例如银行需要在日终批处理的同时响应实时转账查询，电商平台要在高并发交易峰值期完成库存动态分析，传统“先交易后分析”的模式已无法满足业务实时性要求；
-
技术层面，存储成本的持续降低、多核服务器的普及，为“混合负载同引擎处理”提供了硬件基础，而企业对IT架构简化、TCO优化的诉求，进一步推动了“TP+AP融合”的技术演进。
那么，YashanDB定义的TP+究竟是什么？它不是TP与AP的简单拼接，而是以“业务场景为中心”，通过底层技术革新，实现“交易型负载与分析型负载高效协同”的全新架构：既保留TP场景所需的高并发、低延迟、高可靠特性，又具备AP场景所需的复杂计算、批量处理、高效查询能力，让企业无需在“交易速度”与“分析深度”之间做取舍。
YashanDB做了什么？
构建TP+场景混合负载基石
YashanDB V23.5对TP+的支撑，源于我们对底层技术的持续深耕与原创突破。我们拒绝“修修补补”的优化，而是从执行引擎、优化器、内存数据索引等核心模块进行重构，构建起真正适配TP+场景的技术底座。
一、全新向量化执行引擎：批量数据处理性能实现质的提升
面对大规模数据处理场景，传统单行处理模式存在CPU缓存命中率低、内存访问延迟高等瓶颈。YashanDB V23.5全新设计批量数据向量化处理引擎，完成从“单行处理”到“批量列组织处理”的升级，彻底重构执行层架构。
-
核心技术亮点：采用缓存更友好算法，重新设计数据结构与访问模式，最大化提升CPU缓存命中率，显著降低内存访问延迟；针对Hash join、Hash group、排序等核心算子进行深度优化，适配不同数据重复度场景。
-
性能实测表现：在千万级数据测试中，无论低重复度还是高度重复数据场景，核心算子性能均实现跨越式提升，提升幅度达40%至400%。其中排序算子在高度重复数据场景下性能提升最为显著，为大批量数据分析提供强力支撑。
二、优化器新增TopN智能优化：千万级数据查询毫秒级响应
业务中常有“无需全量返回，仅需TopN结果”的场景（如分页查询、热门榜单展示），传统优化器往往会扫描全量数据后再筛选，导致性能浪费。YashanDB V23.5新增优化器TopN模式，通过精细化代价评估实现最优执行计划选择。
-
核心技术亮点：基于统计信息与代价模型，精准评估TopN场景下各算子的计算代价，通过“满足N条记录即终止”的执行逻辑，向上层算子传递记录需求，实现全链路代价最优；智能匹配执行算子，如千万级数据关联场景中自动选择NL join替代Hash join，规避全量数据扫描。
-
性能实测表现：在千万级数据关联+TopN返回场景中，性能提升达上千倍，彻底解决分页查询、热门数据筛选等场景的性能瓶颈。
三、优化内存索引访问：高并发点查性能60倍+提升
随着服务器内存容量持续增大，内存数据访问成为高并发实时查询的关键性能节点。YashanDB V23.5实现了内存数据索引访问优化（Fixed Index），基于支持并行操作的Hash结构，实现内存数据的高效点查。
-
核心技术亮点：Hash结构原生支持并行操作，适配高并发场景；索引设计贴合内存数据存取特性，避免冗余数据拷贝与转换开销。
-
性能实测表现：针对客户核心业务的SQL缓存查询场景测试，单值查询性能提升超60倍，多值查询性能提升10倍以上，且内存配置越大，提升幅度越显著，为高并发实时查询提供坚实技术支撑。
四、UDF内联技术优化：复杂业务函数性能大幅提升
用户定义函数（UDF）在企业业务中广泛应用，但传统实现方式存在上下文切换频繁、执行效率低等问题，导致存在显著的性能开销。YashanDB V23.5对UDF内联技术优化，对UDF可以内联的场景，实现了大幅度的性能提升。
-
核心技术亮点：查询编译阶段深度解析UDF的PL/SQL代码，识别可优化模式；将适配的UDF转换为内联子查询，大幅降低上下文切换开销；结合子查询转Join能力，进一步提升执行效率。
-
典型应用示例：以下为子查询转Join的一个示例场景：
-- 原UDF调用语句
create or replace function func_test_so_inline_f1 return varchar2 is
v_out varchar2(32);
begin
select x1 into v_out from t_test_so_inline_1 where a1 = 100;
NULL;
return v_out;
end;
-- 内联优化后自动转为Join执行
select func_test_so_inline_f1
from t_test_so_inline_2
where a2 = 200;
-
性能实测表现：UDF内联优化后，复杂业务函数执行性能大幅提升，彻底解决传统UDF调用导致的性能瓶颈。
场景价值兑现：
从通用能力到业务精准适配
技术的终极价值，是解决真实业务问题。YashanDB V23.5针对企业高频场景做深度适配，让TP+能力真正落地。
一、分页查询优化：亿级数据分页毫秒级响应
分页查询是电商列表、报表分页等场景的核心操作，但传统实现方式随着数据量增长，性能会急剧下降。YashanDB V23.5针对该场景推出Rownum与StopKey协同优化方案，实现全场景分页性能突破。
1. 核心技术亮点
-
条件推导与下推：将Rownum限制条件下推至底层算子，实现数据提前过滤，减少无效数据扫描；
-
索引协同优化：若底层存在有序索引，直接利用索引有序性提前返回结果，避免全表扫描与排序；
-
无索引场景优化：通过StopKey排序机制，显著减少排序内存占用，提升排序效率。
2. 典型应用示例：如下是一个经典的分页查询的例子，可以看到YashanDB基于该类查询优化后的执行计划。
select * from(
select a.*, rownum as rn from (
select custom_id from item order by custom_id desc
)
a)
where rn > 10 and rn < 20;
3. 执行计划优化：优化器自动选择"INDEX FULL SCAN DESCENDING"结合"COUNT STOPKEY"，仅扫描必要索引数据，避免全表排序，在千万级数据的测试中，响应时间从秒级降至毫秒级。
可以使用索引的场景
无索引的场景
二、混合批处理优化：企业核心业务全链路加速
针对TP+场景的混合业务操作，典型批处理场景，如日终批处理、大规模数据装载、全局临时表操作、循环处理等，YashanDB V23.5进行全链路优化，充分满足企业级混合业务需求。
1.核心优化点
-
临时表缓存淘汰策略优化：提升临时数据处理吞吐量，减少缓存失效导致的性能波动；
-
Bulk Collection增强：优化PL/SQL批量数据处理性能，提升混合业务下大数据吞吐能力；
-
单列索引创建优化：针对批量处理中临时索引创建需求，提升索引构建效率；
-
子查询转Join扩展：更多复杂子查询可自动转为Join执行，降低嵌套查询开销。
2.业务价值：日终批处理耗时显著缩短，大规模数据装载效率提升，支持企业核心业务（如金融批量结算、零售库存盘点）高效完成。
未来：以TP+为钥
一站式解决数据管理问题
YashanDB对TP+的探索，始终围绕“三个同一”的核心坚守——同一时间支持交易与分析并行、同一空间无需两套系统部署、同一引擎承载全场景负载，这正是崖山数据库与其他“伪融合”方案的本质区别。未来，YashanDB将进一步增强自适应混合负载框架的发展，其核心包括：
-
统一执行引擎：向量化与行处理的无缝切换，火山模型与Pipeline模型的协同调度，兼顾数据流处理的灵活性与并行效率。
-
融合优化框架：基于增强的代价模型，根据查询特征自动选择最优处理模式，为不同负载类型生成最优执行计划。比如点查询采用高效的行式处理，分析查询采用向量化批量处理。
-
多模态混合查询：关系查询、全文检索与向量检索的一体化支持，为多模态数据应用提供统一接口。
我们将持续深化底层技术，让TP+场景的数据管理更智能、更融合，真正一站式解决TB至数百TB级数据全生命周期管理问题，高效支撑密集数据更新与大批量数据分析的混合负载。
扫一扫
11万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
