全图化引擎又称算子执行引擎，它的介绍可以参考从HA3到AI OS -- 全图化引擎破茧之路。本文从算子化的视角介绍了编译技术在全图化引擎中的运用。主要内容有：

1. 通过脚本语言扩展通用算子上的用户订制能力，目前这些通用算子包括scorer算子，filter算子等。这一方面侧重于编译前端，我们开发了一种嵌入引擎的脚本语言cava，解决了用户扩展引擎功能的一些痛点，包括插件的开发测试效率，兼容性，引擎版本升级效率等。

2. 通过codegen技术优化全图化引擎性能，由于全图化引擎是基于tensorflow开发，它天生具备tensorflow xla编译能力，利用kernel的fuse提升性能，这部分内容可以参考XLA Overview。xla主要面向tensorflow内置的kernel，能发挥的场景是在线预测模型算分。但是对于用户自己开发的算子，xla很难发挥作用。本文第二部分主要介绍对于自定义算子我们是如何做codegen优化的。

通用算子上的脚本语言cava

由于算子开发和组图逻辑对普通用户来说成本较高，全图化引擎内置了一些通用算子，比如说scorer算子，filter算子。这些通用算子能加载c++插件，也支持用cava脚本写的插件。关于cava可以参考这篇文章了解一下。

和c++插件相比，cava插件有如下特点：

• 1. 类java的语法。扩大了插件开发的受众，让熟悉java的同学能快速上手使用引擎。
• 2. 性能高。cava是强类型，编译型语言，它能和c++无损交互。这保证了cava插件的执行性能，在单值场景使用cava写的插件和c++的插件性能相当。
• 3. 使用pool管理内存。cava的内存管理可定制，服务端应用每个请求一个pool是最高效的内存使用策略。
• 4. 安全。对数组越界，对象访问，除零异常做了保护。
• 5. 支持jit，编译快。支持upc时编译代码，插件的上线就和上线普通配置一样，极大的提升迭代效率
• 6. 兼容性：由于cava的编译过程和引擎版本是强绑定的，只要引擎提供的cava类库接口不变，cava的插件的兼容性很容易得到保证。而c++插件兼容性很难保证，任何引擎内部对象内存布局的变动就可能带来兼容性问题。

scorer算子中的cava插件

cava scorer目前有如下场景在使用

• 1. 主搜海选场景，算法逻辑可以快速上线验证
• 2. 赛马引擎2.0的算分逻辑，赛马引擎重构后引入cava算分替代原先的战马算分

样例如下：

package test;
import ha3.*;
/*
 * 将多值字段值累加,并乘以query里面传递的ratio,作为最后的分数
 * /
class DefaultScorer {
 MInt32Ref mref;
 double ratio;
 boolean init(IApiProvider provider) {
 IRefManager refManger = provider.getRefManager();
 mref = refManger.requireMInt32("ids");
 KVMapApi kv = provider.getKVMapApi();
 ratio = kv.getDoubleValue("ratio");//获取kvpair内参数
 return true;
 }
 double process(MatchDoc doc) {
 int score = 0;
 MInt32 mint = mref.get(doc);
 for (int i = 0; i < mint.size(); i++) {
 score = score + mint.get(i);
 }
 return score * ratio;
 }
}

其中cava scorer的算分逻辑（process函数）调用次数是doc级别的，它的执行性能和c++相比唯一的差距是多了安全保护（数组越界，对象访问，除零异常）。可以说cava是目前能嵌入c++系统执行的性能最好的脚本语言。

filter算子中cava插件

filter算子中主要是表达式逻辑，例如filter = (0.5 * a + b) > 10。以前表达式的能力较弱，只能使用算术，逻辑和关系运算符。使用cava插件可进一步扩展表达式的能力，它支持类java语法，可以定义变量，使用分支循环等。

计算 filter = (0.5 * a + b) > 10，用cava可定义如下：
class MyFunc {
 public boolean init(FunctionProvider provider) {
 return true;
 }
 public boolean process(MatchDoc doc, double a, double b) {
 return (0.5 * a + b) > 10;
 }
}
filter = MyFunc(a, b)

另外由于cava是编译执行的，和原生的解释执行的表达式相比有天然的性能优势。

关于cava前端的展望

cava是全图化引擎上面向用户需求的语言，有用户定制扩展逻辑的需求都可以考虑用通用算子+cava插件配合的模式来支持，例如全图化sql上的udf，规则引擎的匹配需求等等。

后续cava会进一步完善语言前端功能，完善类库，尽可能兼容java。依托suez和全图化引擎支持更多的业务需求。

自定义算子的codegen优化

过去几年，在OLAP领域codegen一直是一个比较热门的话题。原因在于大多数数据库系统采用的是Volcano Model模式。

其中的next()通常为虚函数调用，开销较大。全图化引擎中也有类似的codegen场景，例如统计算子，过滤算子等。此外，和xla类似，全图化引擎中也有一些场景可以通过算子融合优化性能。目前我们的codegen工作主要集中在cpu上对局部算子做优化，未来期望能在SQL场景做全图编译，并且在异构计算的编译器领域有所发展。

单算子的codegen优化

• 1. 统计算子

例如统计语句：group_key:key,agg_fun:sum(val)#count()，按key分组统计key出现的次数和val的和。在统计算子的实现中，key的取值有一次虚函数调用，sum和count的计算是两次虚函数调用，sum count计算出来的值又需要通过matchdoc存取，而matchdoc的访问有额外的开销：一次是定位到matchdoc storage，一次是通过偏移定位到存取位置。

那么统计codegen是怎么去除虚函数调用和matchdoc访问的呢？在运行时，我们可以根据用户的查询获取字段的类型，需要统计的function等信息，根据这些信息我们可以把通用的统计实现特化成专用的统计实现。例如统计sum和count只需定义包含sum count字段的AggItem结构体，而不需要matchdoc；统计function sum和count变成了结构体成员的+=操作。

假设key和val字段的类型都是int，那么上面的统计语句最终codegen成的cava代码如下：

class AggItem {
 long sum0;
 long count1;
 int groupKey;
}
class JitAggregator {
 public AttributeExpression groupKeyExpr;
 public IntAggItemMap itemMap;
 public AggItemAllocator allocator;
 public AttributeExpression sumExpr0;
 ...
 static public JitAggregator create(Aggregator aggregator) {
 ....
 }
 public void batch(MatchDocs docs, uint size) {
 for (uint i = 0; i < size; ++i) {
 MatchDoc doc = docs.get(i); //由c++实现，可被inline
 int key = groupKeyExpr.getInt32(doc);
 AggItem item = (AggItem)itemMap.get(key);
 if (item == null) {
 item = (AggItem)allocator.alloc();
 item.sum0 = 0;
 item.count1 = 0;
 item.groupKey = key;
 itemMap.add(key, (Any)item);
 }
 int sum0 = sumExpr0.getInt32(doc);
 item.sum0 += sum0;
 item.count1 += 1;
 }
 }
}

这里sum count的虚函数被替换成sum += 和count += ，matchdoc的存取变成结构体成员的读写item.sum0和item.count0。经过llvm jit编译优化之后生成的ir如下：

define void @_ZN3ha313JitAggregator5batchEP7CavaCtxPN6unsafe9MatchDocsEj(%"class.ha3::JitAggregator"* %this,
 %class.CavaCtx* %"@cavaCtx@", %"class.unsafe::MatchDocs"* %docs, i32 %size)
{
entry:
 %lt39 = icmp eq i32 %size, 0
 br i1 %lt39, label %for.end, label %for.body.lr.ph
for.body.lr.ph: ; preds = %entry
 %wide.trip.count = zext i32 %size to i64
 br label %for.body
for.body: ; preds = %for.inc, %for.body.lr.ph
 %lsr.iv42 = phi i64 [ %lsr.iv.next, %for.inc ], [ %wide.trip.count, %for.body.lr.ph ]
 %lsr.iv = phi %"class.unsafe::MatchDocs"* [ %scevgep, %for.inc ], [ %docs, %for.body.lr.ph ]
 %lsr.iv41 = bitcast %"class.unsafe::MatchDocs"* %lsr.iv to i64*
 // ... prepare call for groupKeyExpr.getInt32
 %7 = tail call i32 %5(%"class.suez::turing::AttributeExpressionTyped.64"* %1, i64 %6)
 // ... prepare call for itemMap.get
 %9 = tail call i8* @_ZN6unsafe13IntAggItemMap3getEP7CavaCtxi(%"class.unsafe::IntAggItemMap"* %8, %class.CavaCtx* %"@cavaCtx@", i32 %7)
 %eq = icmp eq i8* %9, null
 br i1 %eq, label %if.then, label %if.end10
// if (item == null) {
if.then: ; preds = %for.body
 // ... prepare call for allocator.alloc
 %15 = tail call i8* @_ZN6unsafe16AggItemAllocator5allocEP7CavaCtx(%"class.unsafe::AggItemAllocator"* %14, %class.CavaCtx* %"@cavaCtx@")
 // item.groupKey = key;
 %groupKey = getelementptr inbounds i8, i8* %15, i64 16
 %16 = bitcast i8* %groupKey to i32*
 store i32 %7, i32* %16, align 4
 // item.sum0 = 0; item.count1 = 0;
 call void @llvm.memset.p0i8.i64(i8* %15, i8 0, i64 16, i32 8, i1 false)
 // ... prepare call for itemMap.add
 tail call void @_ZN6unsafe13IntAggItemMap3addEP7CavaCtxiPNS_3AnyE(%"class.unsafe::IntAggItemMap"* %17, %class.CavaCtx* %"@cavaCtx@", i32 %7, i8* %15)
 br label %if.end10
if.end10: ; preds = %if.end, %for.body
 %item.0.in = phi i8* [ %15, %if.end ], [ %9, %for.body ]
 %18 = bitcast %"class.unsafe::MatchDocs"* %lsr.iv to i64*
 // ... prepare call for sumExpr0.getInt32
 %26 = tail call i32 %24(%"class.suez::turing::AttributeExpressionTyped.64"* %20, i64 %25)
 // item.sum0 += sum0; item.count1 += 1;
 %27 = sext i32 %26 to i64
 %28 = bitcast i8* %item.0.in to <2 x i64>*
 %29 = load <2 x i64>, <2 x i64>* %28, align 8
 %30 = insertelement <2 x i64> undef, i64 %27, i32 0
 %31 = insertelement <2 x i64> %30, i64 1, i32 1
 %32 = add <2 x i64> %29, %31
 %33 = bitcast i8* %item.0.in to <2 x i64>*
 store <2 x i64> %32, <2 x i64>* %33, align 8
 br label %for.inc
for.inc: ; preds = %if.then, %if.end10
 %scevgep = getelementptr %"class.unsafe::MatchDocs", %"class.unsafe::MatchDocs"* %lsr.iv, i64 8
 %lsr.iv.next = add nsw i64 %lsr.iv42, -1
 %exitcond = icmp eq i64 %lsr.iv.next, 0
 br i1 %exitcond, label %for.end, label %for.body
for.end: ; preds = %for.inc, %entry
 ret void
}

codegen的代码中有不少函数是通过c++实现的，如docs.get(i)，itemMap.get(key)等。但是优化后的ir中并没有docs.get(i)的函数调用，这是由于经常调用的c++中实现的函数会被提前编译成bc，由cava编译器加载，经过llvm inline优化pass后被消除。

可以认为cava代码和llvm ir基本能做到无损映射（cava中不容易实现逻辑可由c++实现，预编译成bc加载后被inline），有了cava这一层我们可以用常规面向对象的编码习惯来做codegen，不用关心llvm api细节，让codegen门槛进一步降低。

这个例子中，统计规模是100w文档1w个key时，线下测试初步结论是latency大约能降1倍左右（54ms->27ms），有待表达式计算进一步优化。

• 2. 过滤算子

在通用过滤算子中，表达式计算是典型的可被codegen优化的场景。例如ha3的filter语句：filter=(a + 2* b - c) > 0：

表达式计算是通过AttributeExpression实现的，AttributeExpression的evaluate是虚函数。对于单doc接口我们可以用和统计类似的方式，使用cava对表达式计算做codegen。

对于批量接口，和统计不同的是，表达式的批量计算更容易运用向量化优化，利用cpu的simd指令，使计算效率有成倍的提升。但是并不是所有的表达式都能使用一致的向量化优化方法，比如filter= a > 0 AND b < 0这类表达式，有短路逻辑，向量化会带来不必要的计算。

因此表达式的编译优化需要有更好的codegen抽象，我们发现Halide能比较好的满足我们的需求。Halide的核心思想：算法描述（做什么 ir）和性能优化（怎么做 schedule）解耦。这种解耦能让我们更灵活的定制优化策略，比如某些场景走向量化，某些场景走普通的codegen；更进一步，不同计算平台上使用不同的优化策略也成为可能。

• 3. 倒排召回算子

在seek算子中，倒排召回是通过QueryExecutor实现的，QueryExecutor的seek是虚函数。例如query= a AND b OR c。

QueryExecutor的And Or AndNot有比较复杂的逻辑，虚函数的开销相对占比没有表达式计算那么大，之前用vtune做过预估，seek虚函数调用开销占比约10%（数字不一定准确，inline效果没法评估）。和精确统计，表达式计算相比，query的组合空间巨大，seek的codegen得更多的考虑对高性价比query做编译优化。

• 4. 海选与排序算子

在ha3引擎中海选和精排逻辑中有大量比较操作。例如sort=+RANK;id字句，对应的compare函数是Rank Compartor和Id Compartor的联合比较。compare的函数调用可被codegen掉，并且还可和stl算法联合inline。std::sort使用非inline的comp函数带来的开销可以参考如下例子：

bool myfunction (int i,int j) { return (i<j); }
int docCount = 200000;
std::random_device rd;
std::mt19937_64 mt(rd());
std::uniform_int_distribution<int> keyDist(0, 200000);
std::vector<int> myvector1;
for (int i = 0 ; i < docCount; i++) {
 myvector1.push_back(keyDist(mt));
}
std::vector<int> myvector2 = myvector1;
std::sort (myvector1.begin(), myvector1.end()); // cost 15.475ms
std::sort (myvector2.begin(), myvector2.end(), myfunction); // cost 19.757ms

对20w随机数排序，简单的比较inline带来30%的提升。当然在引擎场景，由于比较逻辑复杂，这部分收益可能不会太多。

算子的fuse和codegen

算子的fuse是tensorflow xla编译的核心思想，在全图化场景我们有一些自定义算子也可以运用这个思想，例如feature generator。

fg特征生成是模型训练中很重要的一个环节。在线fg是以子图+配置形式描述计算，这部分的codegen能使数据从索引直接计算到tensor上，省去了很多环节中间数据的拷贝。目前这部分codegen工作可以参考这篇文章

关于编译优化的展望

• SQL场景全图的编译执行

数据库领域Whole-stage Code Generation早被提出并应用，例如Apache Spark as a Compiler；还有现在比较火的GPU数据库Mapd，把整个执行计划编译成架构无关的中间表示（llvm ir），借助llvm编译到不同的target执行。

从实现上看，SQL场景的全图编译执行对全图化引擎还有更多意义，比如可以省去tensorflow算子执行带来的线程切换的开销，可以去除算子间matchdoc传递（matchdoc作为通用的数据布局性能较差）带来的性能损耗。

• 面向异构计算的编译器

随着摩尔定律触及天花板，未来异构计算一定是一个热门的领域。SQL大规模数据分析和在线预测就是异构计算可以发挥作用的典型场景，比如分析场景大数据量统计，在线预测场景深度模型大规模并行计算。cpu驱动其他计算平台如gpu fpga，相互配合各自做自己擅长的事情，在未来有可能是常态。这需要为开发人员提供更好的编程接口。

全图化引擎已经领先了一步，集成了tensorflow计算框架，天生具备了异构计算的能力。但在编译领域，通用的异构计算编程接口还远未到成熟的地步。工业界和学术界有不少尝试，比如tensorflow的xla编译框架，TVM，Weld等等。

借用weld的概念图表达一下异构计算编译器设计的愿景：让数据分析，深度学习，图像算法等能用统一易用的编程接口充分发挥异构计算平台的算力。

总结

编译技术已经开始在引擎的用户体验，迭代效率，性能优化中发挥作用，后续会跟着全图化引擎的演进不断发展。能做的事情很多，挑战很大，有感兴趣的同学可以联系我们探讨交流。

参考

• Balancing vectorized query execution with bandwidth-optimized storage, Chapter 3
• Efficiently Compiling Efficient Query Plans for Modern Hardware
• TensorFlow编译优化策略 - XLA
• Weld: Rethinking the Interface Between Data-Intensive Libraries
• TVM: An Automated End-to-End Optimizing Compiler for Deep Learning

作者：sance