论文阅读《Presto: A Decade of SQL Analytics at Meta》

之前，我们曾解读过《Presto: SQL on Everything》这篇论文，该论文从整体视角介绍了 Presto 这个分布式计算引擎的架构设计与系统实现。在 Presto 诞生十年之际，Meta 团队又发表了题为《Presto: A Decade of SQL Analytics at Meta》的论文。如果说前者回答的是“Presto 为什么能用统一 SQL 查询一切”，那么后者回答的就是另一个更现实的问题，即当这个系统在 Meta 内部持续运行十年，并被推到 EB 级数据、弹性容器、长时间 ETL、机器学习、隐私合规和图分析等更复杂场景时，它是如何继续演进的。

Presto 面临的挑战

Presto 的早期设计目标非常明确：面向交互式 SQL 查询，尽可能快地从分布式存储中读取数据，并在内存中完成计算。

它的经典架构包括：

• 一个 coordinator，负责解析 SQL、生成执行计划、调度任务。
• 多个 worker，负责并行扫描数据、执行算子、通过网络 shuffle 交换数据。
• 存储与计算分离，通过 connector 访问 Hive、分布式文件系统等外部数据源。

这种架构非常适合“秒级到分钟级”的交互式查询，但随着 Meta 内部数据和业务的增长，问题逐渐暴露出来。

数据规模快速增长

Meta 的数据仓库横跨多个数据中心，数据量达到 EB 级别。即使同一条 dashboard 查询逻辑不变，底层需要扫描的数据也可能随着时间增长数倍。

论文中提到，在 2019 到 2022 年间，交互式和 Ad-hoc 查询的扫描数据量增长接近 5 倍，但用户依然希望 dashboard 的响应时间保持稳定。

这意味着 Presto 不能只依赖“加机器”来解决问题，因为：

• 集群规模不能无限扩大。
• 网络连接数和 shuffle 开销会成为瓶颈。
• 机器越多，单点故障和节点失败概率越高。
• 成本也会快速上升。

ETL 工作负载越来越重

Presto 原本不是为了长时间、大规模 ETL 设计的。但由于 SQL 易用、执行效率高，越来越多用户开始用 Presto 跑轻量 ETL，后来甚至希望它处理小时级、PB 级扫描任务。

问题在于，原始 Presto 有几个天然限制：

• 计算主要依赖内存，内存不足时容易失败。
• worker 缺乏细粒度容错能力。
• coordinator 是单点。
• 流式 RPC shuffle 不适合超大规模、长时间任务。

换句话说，Presto 从“快查询引擎”被推向了“通用 SQL 计算引擎”。

基础设施变得更弹性

Meta 的资源管理逐渐转向更小、更弹性的容器。容器可以被频繁分配和回收，这有利于资源利用率，但对 Presto 提出新挑战：

• 查询运行期间 worker 可能被回收。
• coordinator 不能长期保存大量队列和调度状态。
• 单个容器的内存变小，原有内存模型不再可靠。

对于一个长时间运行的 ETL 任务来说，任何一个 worker 失败都可能导致整个查询失败，这显然不可接受。

分析需求超出传统 SQL

除了传统报表和 ETL，Meta 还出现了新的需求：

• 机器学习特征工程需要灵活添加、删除候选特征。
• 隐私合规要求支持用户数据删除、匿名化和使用追踪。
• 社交网络和数据血缘天然是图结构，需要图分析能力。
• 用户希望用 SQL 或类 SQL 的方式表达更复杂的数据处理逻辑。

因此，Presto 的演进方向不只是“更快”，还包括“更稳、更大、更通用”。

Presto 的关键改进

论文将 Presto 的演进分成几个方向：延迟、可扩展性、执行效率和分析能力。下面逐一解读。

延迟优化：让查询在数据增长下仍然足够快

对于交互式查询，用户最关心的是延迟。尤其是 dashboard 场景，用户希望点击筛选条件后能快速看到结果。

但在存储计算分离架构下，Presto 每次查询都要从远端存储读取数据，I/O 成本很高。论文中介绍了多类优化手段。

多层缓存：减少远端 I/O 和重复计算

Presto 引入了多层缓存机制。

第一类是 raw data cache，即把远端读取的数据块缓存在 worker 本地 flash 上。

例如，某个 worker 读取了远端文件的 [2MB, 5MB) 范围，Presto 会把这些数据块缓存在本地。下次如果查询再次读取重叠范围，就可以直接从本地读取，而不是访问远端存储。

这对 dashboard 非常有效，因为 dashboard 往往存在重复访问：

• 同一张表经常被查。
• 同一批热门分区经常被查。
• 用户可能不断调整过滤条件，但底层数据范围重叠。

第二类是 fragment result cache，即缓存部分查询片段的中间结果。

论文举了一个很直观的例子：第一次用户查询过去 1 天的聚合结果，Presto 可以缓存这一天的部分聚合结果。之后用户把时间范围扩大到过去 3 天，Presto 不必重新计算前 1 天，只需要计算新增的 2 天，再与缓存结果合并。

这相当于把“重复扫描 + 重复计算”变成“增量计算”。

Cache locality：让查询尽量命中缓存

缓存有效的前提是：同一份数据下次还要尽量调度到有缓存的 worker 上。

所以 Presto 在调度层加入了 cache locality 策略：

• 根据文件路径或数据块做 hash。
• 尽量让同一个文件的读取请求落到同一个 worker。
• 如果某个 worker 过热，再 fallback 到其他 worker，避免热点。

这说明缓存并不只是存储层功能，它需要调度器配合，否则缓存命中率会大幅下降。

Native vectorized execution：从 Java 走向 C++ 向量化执行

Presto 最初是 Java 实现。Java 带来了良好的工程效率和生态，但在高性能计算上有一些限制：

• 对内存布局控制不够精细。
• 难以充分利用 SIMD。
• GC 和对象模型可能带来额外开销。

Meta 围绕 Presto 孵化了 Velox，一个 C++ 向量化执行引擎。Presto 可以将执行计划下发给 C++ worker，由 Velox 执行表达式、函数、I/O 和算子。

向量化执行的核心思想是：

不再一行一行处理数据，而是一批一批处理数据，让 CPU 更高效地执行相同操作。

例如，传统执行可能类似：

SELECT price * quantity
FROM orders;

逐行计算时，每次处理一行的 price * quantity。向量化执行则会一次取出一批 price 和 quantity，用更紧凑的内存布局和 SIMD 指令批量计算。

论文中提到，在 TPC-H scale factor 1000 的测试中，native execution 在延迟和 CPU 时间上整体带来约 2 到 3 倍提升。在生产交互式 workload 中，native vectorized execution 也带来了超过 50% 的延迟改善。

Adaptive filtering：让过滤更聪明

过滤是 SQL 查询中最常见的操作。Presto 在过滤层做了多项优化。

子字段裁剪

现代数据仓库里经常有复杂类型，比如 map、array、struct。机器学习特征尤其常见，一个字段里可能包含成千上万个特征。

如果查询只需要其中一个子字段，没必要把整个复杂对象读出来。

例如：

SELECT features['age_bucket']
FROM user_features;

如果 features 是一个巨大的 map，Presto 可以只读取 age_bucket 这个 key，而不是读取整个 map。

这就是 subfield pruning，它可以显著减少 I/O 和 CPU。

过滤条件重排序

如果一个查询有多个过滤条件，先执行哪个条件很重要。

例如：

WHERE country = 'US'
  AND expensive_udf(text) = true

如果 country = 'US' 能过滤掉大量数据，而且计算很便宜，就应该先执行它。这样昂贵的 expensive_udf 只需要作用在少量剩余行上。

Presto 会在运行时统计每个过滤条件的选择率和 CPU 成本，并动态调整过滤顺序。

Lazy materialization

Presto 还支持基于过滤的延迟物化。

例如：

WHERE col1 > 10 AND col2 = 5

执行时可以先读取并判断 col1 > 10。只有通过这个条件的行，才需要读取 col2。没有通过第一关的行，连 col2 都不用物化。

这对宽表尤其重要，因为很多列最终可能并不需要真正读取。

Dynamic join filtering

对于 join，Presto 可以从 build side 生成 bloom filter、range 或 distinct values，然后下推到 probe side 的扫描阶段。

例如：

SELECT *
FROM fact f
JOIN dim d
  ON f.user_id = d.user_id
WHERE d.country = 'US';

如果 dim 表过滤后只剩下一批 user_id，Presto 可以把这些 user_id 的摘要下推到 fact 表扫描阶段，让 fact 提前跳过不可能匹配的行。

这可以显著减少 join 前的数据量。

物化视图：兼顾低延迟和新鲜度

Dashboard 通常希望又快又新。但这两者存在天然冲突：

• 想快，就要预计算。
• 想新，就要读最新原始数据。

Presto 的 materialized view 机制提供了折中方案。

它会把已经稳定的历史数据预先物化，而对仍在持续写入的 near real-time 数据，查询时再从 base table 读取。执行时，Presto 会把两部分用 UNION ALL 合起来。

可以简单理解为：

SELECT * FROM materialized_part
UNION ALL
SELECT * FROM fresh_part;

这样既能利用历史数据的预计算结果，又能看到最新数据。

论文中提到，在 Meta 一个超大 NRT 表场景中，通过 5 个物化视图覆盖常见子查询，P90 下 CPU、扫描行数和延迟都降低超过 2 倍。

可扩展性优化：从交互式查询走向大规模 ETL

延迟优化解决“快”的问题，可扩展性优化解决“跑得大、跑得稳”的问题。

多 coordinator：消除单点瓶颈

原始 Presto 中 coordinator 是单点。它负责：

• 查询排队。
• SQL 解析和优化。
• 任务调度。
• 集群状态管理。

这在交互式查询时代问题不大，但在长时间 ETL 和弹性容器环境中风险很高。

Presto 的改进是引入多个 coordinator 和 resource manager：

• coordinator 只负责 query lifecycle。
• resource manager 负责队列和资源状态。
• resource manager 之间通过类似 Raft 的协议复制状态。
• coordinator 之间相互独立，不需要彼此通信。

这样做有两个好处：

• coordinator 崩溃不会导致全局队列状态丢失。
• 查询调度和资源管理可以横向扩展。

Recoverable grouped execution：降低内存峰值并支持恢复

Presto 原始执行模式倾向于并行扫描所有数据，再通过 shuffle 做聚合或 join。这在大查询下会产生巨大内存压力。

论文介绍了 grouped execution。

假设有一张表按 col1 分区，查询是：

SELECT col1, COUNT(*)
FROM table1
GROUP BY col1;

如果分区键和聚合键一致，Presto 就没必要一次扫描所有分区。它可以一次处理一个分区：

• 先处理 partition 1，聚合后输出。
• 再处理 partition 2。
• 最后处理 partition 3。

这样峰值内存从“容纳所有分区的聚合状态”变成“只容纳单个分区的聚合状态”。

更进一步，Presto 会在 shuffle 边界把中间数据物化下来。如果 worker 崩溃，可以从已经物化的中间结果恢复，而不是从源数据重新开始。

这对于 PB 级扫描和小时级 ETL 非常关键。

Presto on Spark：借用 Spark 的容错和调度能力

Recoverable grouped execution 是 Presto 自身架构上的增强，但 Meta 后来发现，它仍然不够通用和稳定。于是出现了 Presto on Spark。

它的思路非常巧妙：

保留 Presto 的 SQL 语义、解析器、优化器和执行算子，但把底层调度、shuffle、容错交给 Spark。

也就是说，Presto 不再作为一个完整集群运行，而是作为 library 嵌入 Spark：

• Spark driver 中运行简化版 Presto coordinator。
• Spark executor 中运行简化版 Presto worker。
• Presto 负责解析 SQL 和生成执行计划。
• Spark 负责 RDD 调度、任务重试、资源隔离和容错。

这样 Meta 可以统一 SQL 入口，同时复用 Spark 成熟的容错机制。

论文中特别强调：这里不是使用 SparkSQL，而是使用 Spark RDD 及以下的能力。原因是 Meta 希望保持 Presto SQL 语义一致，降低用户迁移成本。

这也是 Presto 演进中的一个重要信号：它不再执着于“所有能力都自己实现”，而是把自己定位成统一 SQL 计算层，底层 runtime 可以根据 workload 选择。

Spilling：应对局部内存不足和数据倾斜

即使有 Presto on Spark，大查询仍可能遇到数据倾斜。例如某个 key 特别热，导致某个 worker 内存爆掉。

Presto 引入 spilling，把内存中的 hash table 暂时写到磁盘或远端存储。

它支持的算子包括：

• aggregation
• join
• window function
• topN

对于交互式查询，spill 到本地 flash，优先保证延迟。对于 ETL 查询，spill 到远端存储，优先保证可扩展性。

这比依赖操作系统 swap 更可控，因为查询引擎知道自己 spill 的是什么数据结构、何时可以合并、何时可以释放内存。

执行效率优化：让优化器更懂数据

除了缓存、向量化和容错，Presto 还在优化器层面持续改进。

Cost-Based Optimizer：基于统计信息选计划

Presto 的 CBO 会使用表和分区级统计信息估算成本，包括：

• 行数。
• distinct value count。
• null count。
• min/max。
• histogram。
• 数据大小。

这些统计信息用于决策：

• join 顺序。
• broadcast join 还是 repartition join。
• filter 后的基数估计。
• join 后的数据规模。
• 内存和 CPU 成本权衡。

例如，对于一个小维表和大事实表 join：

SELECT *
FROM fact_orders f
JOIN dim_country d
  ON f.country_id = d.id;

如果 dim_country 很小，broadcast join 可能更快；如果两边都很大，repartition join 更合适。CBO 的作用就是避免引擎盲目选择。

论文中提到，在 Meta 生产 ETL join 查询中，启用 CBO 后，约 60% 的查询计划发生变化并降低 CPU 使用。即使部分查询 CPU 增加，其中 83% 也降低了内存使用，说明优化目标并不只是 CPU，而是整体资源平衡。

History-Based Optimizer：利用历史运行结果优化重复任务

ETL 查询往往高度重复。例如每天跑一次同样逻辑，只是日期不同：

WHERE ds = '2026-05-23'

明天可能变成：

WHERE ds = '2026-05-24'

传统 CBO 依赖静态统计信息，但统计信息可能不准。History-Based Optimizer 的思路是：既然昨天已经跑过类似查询，为什么不直接利用昨天的真实执行统计？

Presto 会对查询计划做 canonicalization，把常量替换成符号，形成 symbolic plan。这样日期不同但结构相同的查询可以匹配到同一个历史计划。

例如：

WHERE ds = ?

如果历史运行结果表明某个 join 顺序、shuffle fanout 或聚合策略更优，后续查询就可以直接复用这些经验。

论文中提到，history-based optimizer 让约 25% 的查询计划发生变化，整体 CPU 改善约 10%。

Adaptive Execution：运行时重新优化

CBO 和 HBO 都是在执行前做计划，但真实数据可能依然和预估不同：

• 数据分布不均匀。
• 列之间存在相关性。
• 某些 key 严重倾斜。
• 多表 join 复杂度太高，估算误差累积。

Adaptive execution 的做法是：上游任务执行完成后，把真实统计信息反馈给 coordinator，然后重新优化下游计划。

这类似“边跑边修正”。

不过，论文指出 adaptive execution 主要适用于 Presto on Spark，因为它需要分阶段执行和 disaggregated shuffle。原始 Presto 的 streaming shuffle 模式不适合在中途重规划。

分析能力扩展：从 SQL 查询引擎到数据湖计算入口

Presto 的另一个重要变化是，它开始支持传统 SQL 分析之外的复杂需求。

可变数据：支持特征工程和隐私删除

传统数据仓库假设数据不可变，写入后不再修改。但 Meta 有两个重要场景需要 mutability。

第一个是机器学习特征工程。

机器学习工程师会不断尝试新特征。某些候选特征可能最终进入主表，某些会被删除。如果每次都修改主表 schema，成本非常高，也容易影响其他用户。

第二个是隐私合规。

用户可能要求删除或停止使用个人数据。对于 EB 级别表来说，频繁重写整张表显然不可行。

Presto 使用 Meta 内部的 delta 机制解决这个问题：

• 主文件保持不变。
• 新增、删除列或行通过 delta file 表达。
• 查询时读取主文件，并合并对应 delta file。
• 后台定期 compact，最终删除物理数据。

可以把它理解为给不可变大文件加了一层“变更日志”。

这既支持机器学习候选特征的灵活增删，也支持行级删除满足隐私要求。

代价是读取时需要合并 delta。论文中提到，如果删除 1% 行，额外 scan CPU 成本约 6%；如果删除 60% 行，成本可能增加到 170%。这说明 delta 适合高效表达变更，但仍需要定期 compaction 控制读放大。

User-Defined Types：让数据有业务语义

Presto 支持用户自定义类型，例如：

• ProfileId
• UserId
• PageId
• Email

这些类型不仅是底层 Long 或 String 的别名，还可以绑定额外语义：

• 数据质量约束。
• 隐私策略。
• 删除规则。
• 匿名化规则。

例如，可以定义 Email 类型，并声明：

• 数据落地后立即匿名化。
• 7 天后删除。

这样隐私策略不再散落在各个应用逻辑里，而是成为数据类型的一部分。

User-Defined Functions：支持自定义逻辑

Presto 支持多种 UDF 形式：

• In-process UDF：函数作为库加载到 Presto 进程中执行，性能好，但安全隔离较弱。
• UDF service：函数运行在远程服务中，Presto 通过 RPC 调用，适合多租户和多语言。
• SQL function：用 SQL 定义函数，便于审计、推理和隐私分析。

SQL function 的价值在于，它不是黑盒。相比任意代码 UDF，SQL function 更容易被优化器理解，也更容易做安全和隐私审计。

图分析扩展：用 SQL 表达图遍历

Meta 的很多数据天然是图：

• 社交关系。
• 用户互动。
• 内容传播。
• 数据血缘。
• 系统依赖。

传统 SQL 可以通过多次 join 表达图遍历，但非常笨重。例如找 5 跳关系，可能需要写 5 次 self join，不直观也难优化。

Presto 扩展了 SQL，引入类似图查询语言的语法：

SELECT vertices(path)
FROM GRAPH g
MATCH (src:Vertex)-/ path:Edge{1,5}/ -> (dst:Vertex)
WHERE g.date = '2022-09-22'
  AND src.id IN (1,2,3)
  AND all_match(edges(path), e -> e.property = TRUE);

这段查询表达的是：从指定起点出发，找长度 1 到 5 的路径，并要求路径上所有边满足某个条件。

Presto 会把图查询解析成图逻辑计划，再优化成关系执行计划。优化包括：

• 多阶段执行，避免一次性生成巨大 join。
• 路径扩展复用，减少重复计算。
• 子图计算优化，避免反复扫描边表。
• 图语义下的复杂过滤下推。

这说明 Presto 不只是“能跑图查询”，而是试图把图语义纳入优化器，让用户用声明式语言表达复杂图逻辑。

生产效果：数据增长下保持稳定

论文最有说服力的部分之一，是它给出了 Meta 生产环境中的效果。

几个关键结果包括：

• 在 3 年内，交互式和 Ad-hoc 查询扫描数据量增长接近 5 倍，但 P75 和 P90 延迟基本保持稳定。
• 同期交互式集群核心数只增长约 82%，说明性能提升并非单纯依赖堆机器。
• 对生产交互式 workload，缓存相比原始架构带来约 60% 延迟改善。
• Adaptive filtering 在缓存基础上额外带来约 10% 到 20% 改善。
• Native vectorized execution 再额外带来超过 50% 改善。
• 对 NRT 大表，物化视图让 P90 下 CPU、扫描行数和延迟均降低超过 2 倍。
• Presto on Spark 推出后，Meta 开始将 SparkSQL workload 迁移到 Presto on Spark，以统一 SQL 入口。

这些数字背后的核心结论是：

Presto 的演进不是单点优化，而是系统性重构。它同时改进了 I/O、CPU、内存、调度、容错、优化器和语言能力。

未来展望

论文最后也提到了一些尚未完全解决的问题，这些方向很值得关注。

非 SQL API

GraphSQL 解决了图查询问题，但仍属于 SQL 扩展。Meta 还在探索类似 Snowpark 或 PySpark 的非 SQL API，让用户可以用 Python 等语言表达控制流，同时把数据流交给 Presto worker 执行。

这意味着未来 Presto 可能不只是 SQL engine，而是一个更通用的数据处理后端。

分布式缓存

当前缓存策略依赖 worker 本地 flash，但不是所有计算机器都有本地磁盘。Meta 正在探索将远程 flash cache 嵌入分布式文件系统。

如果成功，缓存能力就可以从 Presto 内部抽象出来，变成数据基础设施的通用能力，其他计算系统也能受益。

统一容器调度

Presto on Spark、流计算系统和其他计算任务都需要容器调度。如果每个系统都有自己的调度器，会导致重复建设和资源碎片化。

Meta 正在探索更统一、更轻量的调度模型，类似在 Kubernetes/Tupperware 这类容器平台上统一管理不同计算引擎。

统一 UDF

当前 UDF 主要服务 Presto，而机器学习训练和推理系统可能需要另一套 UDF 实现。这会导致用户重复开发同一逻辑。

随着 Presto 和机器学习服务都逐渐迁移到 Velox，未来可以实现“一次编写，多处执行”的统一 UDF 体系。

更强的隐私能力

隐私仍是巨大挑战。论文提到两个方向：

• 查询重写，例如通过差分隐私展示统计结果，但不暴露敏感个体信息。
• 数据血缘，追踪敏感数据如何流入、流出和被使用。

这很难，因为复杂 SQL、自定义 UDF、数据下载等行为都会破坏完整追踪。未来 Presto 如果成为统一入口，就更有机会在引擎层统一实现隐私控制。

总结

这篇论文的价值，不只是介绍 Presto 做了哪些优化，而是展示了一个大规模数据系统如何在真实业务压力下持续演进。

Presto 的十年演进可以概括为四条主线：

• 延迟优化：通过多层缓存、向量化执行、adaptive filtering 和物化视图，让交互式查询在数据规模数倍增长下仍保持稳定体验。
• 可扩展性优化：通过多 coordinator、recoverable grouped execution、Presto on Spark 和 spilling，让 Presto 能承载长时间、大规模、易失败的 ETL workload。
• 执行效率优化：通过 CBO、HBO 和 adaptive execution，让优化器从“基于规则”逐渐走向“基于统计、历史和运行时反馈”。
• 分析能力扩展：通过 delta、用户自定义类型、UDF 和图查询扩展，让 Presto 从传统 SQL 分析引擎走向统一数据湖计算入口。

从工程角度看，Presto 的成功不在于某一个技术点特别新，而在于它把许多成熟技术在 Meta 规模下系统性落地，并围绕统一 SQL 入口持续整合原本分散的计算引擎。

最终，Meta 希望用 Presto 承担过去多个系统分别负责的工作：

• SparkSQL 负责的 ETL。
• Presto 负责的 Ad-hoc 分析。
• Raptor 或 Cubrick 负责的低延迟 serving。
• Giraph 负责的部分图分析。

这背后的长期趋势是：数据平台从“多个专用引擎并存”走向“统一语义层 + 多 runtime 执行”。Presto 在 Meta 的十年演进，正是这一趋势的典型案例。