이번 글에서는 Spark SQL을 사용할 때 성능 최적화를 위해 제공해주는 Catalyst Optimizer에 대해서 deep dive 해보자.
1. Catalyst Optimizer
아래 그림과 같이 Spark에서 작성한 SQL Query(ANSI SQL, Hive QL 등) 와 DataFrame 코드는
실행할 때 실행 계획에 따른 최적화가 이루어 지는데 이를 Catalyst Optimizer라고 한다.
먼저 Unresolved Logical Plan은 작성한 코드를 파싱하여 문법적 오류가 없는지 체크 한다.
문법적 오류가 없다면 Logical Plan을 만드는데 그 전에 Catalog를 확인하여
작성한 코드의 대상 테이블 및 컬럼 정보(이름, 타입) 또는 사용한 함수, UDF 등
실제로 존재하는지 체크한다.
해당 정보는 Catalog의 메타 데이터로 등록 되어 있다.
그 후 Optimized Logical Plan은 최적화 과정이 이루어짐을 의미한다.
최적화에 대한 내용은 아래에서 더 자세히 다룰 예정이다.
Optimized Logical Plan 거치고 나면 물리 계획(Physical Plans)를 세우게 된다.
물리 계획이란 어느 경로에서 어떤식으로 파일을 읽어서 처리할 건지에 대한 계획이다.
여러 물리 계획을 세운 후 그 중에서 비용이 적게 드는 모델(Cost Model)을 선택하게 되며,
선택된 모델을 가지고(Selected Physical Plan) 실제로 RDD 베이스 코드를 만들어 낸다.
SQL Query, DataFrame 코드로 작성하여도 Spark는 내부적으로 RDD로 실행 된다.
위 그림에서 Code Generation 부분은 Tungsten을 통해 최적화된 Code를 생성하게 해주며
Tungsten 에 대해서는 링크를
참고하자.
2. Catalyst Optimizer 예시
아래 코드를 RDD로 만드는 과정을 확인해보면서 Catalyst Optimizer 가 어떻게 최적화를 진행하는지 이해해보자.
위 코드를 RDD로 만든다고 가정해보면, 2가지 방식을 생각해 볼 수 있다.
첫번째는 가장 심플하게 코드 그대로 아래와 같이 작성할 수 있다.
두 RDD를 cartesian 곱을 통해 모든 짝의 경우의 수를 만들어 내고 where 조건을 filter 함수로 동일하게 수행되도록 하였다.
cartesian() 함수는 두 RDD 의 모든 경우의 수의 짝을 구하기 때문에 데이터 수가 많다면 비용이 많이 드는 함수이다.
그 후 t1 만 select 하기 때문에 map 함수로 추출 후 count 함수로 최종 결과 값을 추출 하였다.
두번째 방법은 아래와 같이 조인할 대상을 미리 filter하여 최적화를 할 수도 있다.
위 방식은 cartesian 함수와는 다르게 같은 키 값으로 조인을 하는 inner join을 진행하였다.
Spark 진영에서 확인한 결과 당연하게 Solution 2가 훨씬 높은 성능을 보였다.
위 결과에서 확인할 수 있는 것처럼 Spark 엔진은 RDD 베이스 코드로 실행이 되며
동일한 동작을 하는 코드라도 어떻게 작성하느냐에 따라서
큰 성능 차이가 발생할 수 있다.
따라서 Spark에서 SQL Query 또는 DataFrame으로 코드를 작성하면,
Catalyst Optimizer가 개입하여 실행계획을 세우고 최적화를 진행한다.
3. How Catalyst Works
Catalyst Optimizer는 실제 동작을 할 때 추상화된 tree 를 만들어 내며
이를 개선해 나간다.
위 예제와 조금 다른 예제를 통해서 어떻게 성능을 최적화 해나가는지 살펴보자.
첫번째로 Query를 우선 가장 심플하게 트리 형태로 만들어 낸다.
두번째는 Transformations 단계이며,
처음 만들어낸 tree 를 기반으로 특정 룰들에 따라서 최적화를 진행한다.
아래 그림과 같이 filter를 먼저 진행하여 join 대상을 줄였고, cartesian 이 아닌
inner join으로 변경하였다.(Predicate Pushdown 룰)
그 후 Constant Folding 룰에 의해 최적화를 진행하였다.
아래 그림에서 50 * 1000 연산은 모든 row 마다 진행해 주어야 하기 때문에
미리 50000으로 만들어서 최적화 한다.
동일하게 1+2 와 같은 연산도 미리 3으로 만든 후 진행하며 Spark는 보통 대용량 데이터를 처리하기 때문에 이러한 작은 차이가 성능에 영향을 끼칠 수 있다.
Column Pruning 룰에 의해 미리 불필요한 컬럼을 필터하여
각 단계마다 모든 컬럼들을 가지고 다닐 필요가 없게 최적화 하였다.
이로써 모든 최적화가 완료되었다.
4. Details for Query
이제 Spark SQL을 실행하였을 때 확인할 수 있는 쿼리 플랜을 살펴보자.
spark.sql(query).explain(True)
Spark Web UI 또는 위와 같이 explain 함수를 통해 쿼리 플랜을 확인할 수 있다.
위 그림에서 Analyzed Logical Plan은 최적화 전 단계이며, 아래에서부터 위로
순차적으로 살펴보면 모든 컬럼을 추출 하여 연산을 하는 것을
확인할 수 있다.
위에서 살펴봤던 것처럼 먼저 있는 그대로 실행계획을 세웠다.
Optimized Logical Plan 은 최적화한 실행 계획이며 필터 먼저 적용 후
특정 룰에 의해 최적화가 된 것을 확인할 수 있다.
filter를 통해 조인 건수를 줄이고, 필요한 컬럼만 가져왔다.
5. 마무리
정리해 보면 Spark에서 SQL Query, DataFrame, DataSet 등으로 코드를 작성하게 되면 Catalyst Optimizer가 개입하여 최적화를 진행해 준다.
Spark 1.x 에서는 Spark SQL 성능이 좋지 못했지만 Spark 2.0 버전 부터는
Catalyst Optimizer와 다른 성능 향상 기법들이 도입되었기 때문에
성능 향상이 되었다.
물론 SQL도 결국 Spark 내부적으로는 RDD로 실행되지만 이를 엔진이 직접 최적화를 해준다.
기존에는 Spark 진영에도 ML 또는 스트리밍을 모두 RDD로 제공했지만, 현재는 모두 SQL 베이스로 제공하고 있으며 릴리즈 노트를 보면 Spark SQL의 성능 향상에 많은 고민과 향상이 포함되어 있는 것을 확인할 수 있다.
Reference
https://yeo0.tistory.com/entry/Spark-Core-of-Spark-SQL-Engine-Catalyst-Optimizer-Tungsten
https://databricks.com/blog/2015/04/13/deep-dive-into-spark-sqls-catalyst-optimizer.html
https://www.popit.kr/spark2-0-new-features1-dataset/
https://fastcampus.co.kr/courses/209522/clips/