豆包解读论文：将具有分支和循环控制流的命令式程序转换为标准SQL1999的公共表表达式

原创于 2025-12-20 08:25:44 发布 · 432 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #SQL #开发语言 #python #数据库 #PostgreSQL #DuckDB

编程语言软件工程同时被 2 个专栏收录

298 篇文章

订阅专栏

数据库

200 篇文章

订阅专栏

AI赋能编程语言挑战赛 10w+人浏览 319人参与

这是豆包对论文SQL Engines Excel at the Execution of Imperative Programs的总结

原文pdf https://duckdb.org/library/sql-engines-excel-at-execution-of-imperative-programs/
原文github存储库 https://github.com/flummi-compiler/PVLDBv17

1. 一段话总结

本文提出Flummi编译策略，可将具有任意分支和循环控制流的命令式程序（支持破坏性变量赋值、结果流输出等特性）转换为标准SQL:1999的公共表表达式（CTE，含递归CTE），无需依赖数据库外部解释器或专用UDF解释器；该策略通过控制流图（CFG）为核心表示，经两阶段编译（显式化数据流、生成SQL代码）实现批量并行执行，依托现代数据库的查询去相关技术自动优化性能，在DuckDB、Umbra等引擎上对17个不同复杂度的程序（从简单无循环程序到300行代码的光线追踪器）测试显示，其生成的SQL代码执行效率常优于原生UDF、Python实现及传统PL/SQL-to-SQL编译方案，尤其在数据库驻留数据的命令式计算场景中表现突出。

2. 思维导图

## 核心背景与目标
- 问题：命令式程序难在数据库内高效执行，需靠近数据计算
- 目标：无需专用解释器，将命令式程序编译为标准SQL
## Flummi编译策略
- 输入：命令式程序（含循环/分支）→ 控制流图（CFG）
- 编译阶段
  - 阶段1：显式化数据流（补充变量赋值，推导输入变量）
  - 阶段2：生成SQL代码（基本块→CTE，循环→递归CTE）
- 关键特性
  - 支持批量并行执行
  - 结果流输出（EMIT避免中间结果物化）
  - 兼容标准SQL，适配多数据库引擎
## 实验验证
- 测试对象：17个程序（复杂度CC 1-31，含光线追踪器等）
- 测试引擎：DuckDB、Umbra、PostgreSQL
- 核心结论
  - 批量执行提速1.04-4.84倍
  - 优于原生UDF、Python实现（部分程序提速超1400倍）
  - 非循环控制流用CTE链式调用更高效
## 相关工作与对比
- 优势：支持任意控制流、表值程序，无需后端定制
- 对比对象：传统PL/SQL-to-SQL、UmbraScript、Python
- 适用场景：数据库驻留数据的命令式计算

3. 详细总结

一、研究背景与核心目标

核心矛盾：数据库驻留数据的计算需遵循“计算靠近数据”原则，但命令式程序（含变量赋值、分支、循环）难以直接在SQL引擎中执行，现有方案依赖外部解释器或专用UDF，效率低下。
研究目标：设计编译策略，将命令式程序转换为标准SQL（SQL:1999 CTE），实现：
- 无需数据库定制开发（兼容现有SQL引擎）
- 支持批量并行执行
- 高效处理复杂控制流（嵌套循环、分支）
- 避免中间结果物化

二、Flummi编译策略细节

（一）输入与核心表示

输入程序特性：支持破坏性变量赋值、语句排序、任意分支/循环、SQL查询嵌入（无副作用）、结果流输出（EMIT）。
核心表示：控制流图（CFG），将程序拆解为基本块（b_i），块间通过GOTO（非循环）、JUMP（循环）连接。

（二）两阶段编译流程

编译阶段	核心操作	输出结果
阶段1：显式化数据流	1. 用`blockInputs`算法推导各基本块的输入变量（含自由变量+后继块依赖）；2. 补充变量赋值，确保块间数据流明确	增强型CFG（含显式变量传递）
阶段2：生成SQL代码	1. 块级映射：每个基本块→SQL CTE（`q(b_i)`），编码输出、变量赋值、控制流；2. 程序级映射：CTE组合为递归CTE（处理循环），形成完整SQL查询	标准SQL查询（含递归CTE）

（三）关键技术特性

循环处理：通过递归CTE（WITH RECURSIVE）编码循环控制流，工作表loop跟踪程序状态（块标签、变量绑定）。
批量执行：SQL代码支持多输入批量处理，现代数据库的查询去相关技术（如DuckDB、Umbra）自动实现并行计算，避免重复执行。
结果流输出：通过EMIT语句逐行输出结果，无需将集合结果存储在数组中，降低中间结果物化开销。
兼容性：生成标准SQL，适配DuckDB、Umbra、PostgreSQL等引擎，无需后端定制。

三、实验设计与核心结果

（一）实验基础信息

测试程序：17个命令式程序，覆盖不同场景（凸包计算、光线追踪、供应链优化等），关键指标如下：

程序特性	范围	示例
循环复杂度（CC）	1-31	`vm`程序CC=31
基本块数量	4-67个	`ray`（光线追踪）63个
变量数量	3-58个（LC 1-28个）	`ray`变量58个
代码长度	少量行-300行	`ray`约300行

测试环境：64位Linux x86服务器（2×AMD EPYC 7402 CPU，24核/48线程，2TB RAM），引擎版本：DuckDB v0.10.0、Umbra v0.1-1285、PostgreSQL v16.1。
评估维度：单调用耗时、批量提速比、与原生实现对比。

（二）核心实验结论

批量执行提速显著：DuckDB中，批量大小从1增至5时，程序提速1.04-4.84倍，其中promo提速4.84倍，profit提速4.44倍。
优于传统编译与原生实现：
- 对比传统PL/SQL-to-SQL编译（LATERAL连接链）：Flummi在DuckDB上提速明显（如oil程序从26.1ms降至更低），因CTE链式调用支持流水线执行。
- 对比UmbraScript（单线程机器码）：Flummi利用并行计算，24线程下部分程序（如giftwrap）执行效率相当或更高。
- 对比Python（含多进程优化）：数据库驻留数据场景中，Flummi提速1.64-1489.57倍，仅纯文本处理程序（distinct）Python更优（Flummi提速0.37倍）。
控制流实现优化：非循环控制流用CTE链式调用（GOTO）比统一用JUMP更高效，避免递归CTE多余迭代，vm程序耗时显著降低。
引擎适配性：
- 支持去相关的引擎（DuckDB、Umbra）收益最大；
- PostgreSQL通过LATERAL memoization，在重复输入场景下提速9倍。

四、适用场景与局限

适用场景：数据库驻留数据的命令式计算（如数据分析、几何计算、模拟仿真），尤其适合批量处理场景。
局限：
- 不支持含副作用的SQL操作（如事务控制、DML）；
- 纯内存计算（无数据库交互）场景，效率低于通用编程语言（如Python）；
- 隐式异常（如除零）无法捕获，会导致运行时错误。

五、相关工作对比

与后端定制方案（如UDO、Redshift C++生成器）相比：Flummi无需后端适配，依托标准SQL兼容性更广。
与UDF-to-SQL编译（如Froid）相比：Flummi支持任意控制流和表值程序，17个测试程序中Froid无法编译13个。
与函数式SQL编译（如Logica）相比：Flummi专注命令式程序，支持循环和变量破坏性赋值。

4. 关键问题

问题1：Flummi编译策略如何处理命令式程序的循环控制流，且能适配标准SQL引擎？

答案：Flummi将循环控制流映射为SQL:1999标准的递归CTE（WITH RECURSIVE），通过工作表loop跟踪程序状态（包含当前基本块标签、循环携带变量LC的绑定值、结果列）；非循环控制流（GOTO）则通过CTE链式调用实现，避免递归迭代。该设计完全基于标准SQL特性，无需数据库引擎定制开发，因此能适配DuckDB、Umbra、PostgreSQL等主流引擎，且递归CTE的迭代执行天然支持循环逻辑的展开与终止判断。

问题2：Flummi生成的SQL代码在批量执行场景下的提速机制是什么？实际效果如何？

答案：提速机制核心是查询去相关技术与批量输入合并：1. 编译生成的SQL代码支持将多个程序输入打包为批量（如多个点云ID），数据库引擎（如DuckDB）通过去相关将批量输入转换为单次查询执行，避免逐输入迭代；2. 批量执行中，递归CTE的初始化与迭代开销被多个输入共享，减少重复计算。实际效果：DuckDB中，批量大小从1增至5时，17个程序的提速比为1.04-4.84倍，其中promo（推广渠道转化）提速4.84倍，ship（配送方式选择）提速4.04倍，且重复输入场景下，PostgreSQL通过LATERAL memoization可进一步提速9倍。

问题3：Flummi与Python、UmbraScript等原生实现相比，优势与劣势分别是什么？适用边界如何划分？

答案：

对比维度	Flummi优势	Flummi劣势
数据库交互场景	计算靠近数据，避免数据传输开销；批量并行高效	纯内存计算（无数据库交互）时效率较低
执行效率	数据库驻留数据场景提速1.64-1489.57倍（如`ship`提速1489倍）	不支持隐式异常捕获，依赖引擎查询优化能力
兼容性	标准SQL输出，适配多引擎，无需定制	不支持含副作用的SQL操作（如DML、事务控制）

适用边界：1. 优先使用Flummi：命令式程序需处理数据库驻留数据，且存在批量处理需求（如批量计算点云凸包、数据分析）；2. 优先使用Python/UmbraScript：纯内存计算（如纯文本处理distinct）、需精细控制异常处理，或无数据库交互的场景。