如何通过一个简易算法为物联网和金融用户节省98%的数据存储成本？

来自PostgreSQL中国社区发起人之一，阿里数据库内核高级技术专家德歌在云栖社区个人博客的深度分享。

PostgreSQL简直是工业界和学术界的完美结合，怎么说呢？

下面娓娓道来。

前段时间为大家分享了物联网行业分析以及PostgreSQL 为物联网场景量身定制的特性介绍。

https://yq.aliyun.com/articles/18034

https://yq.aliyun.com/edu/lesson/67

今天再给大家分享一枚重磅炸弹，PostgreSQL 帮助物联网用户降低98%的存储成本。这是个什么概念呢？

举个例子，你原来要花100万买存储才能存下的数据，现在只需要花2万就能搞定。

下面我会给大家介绍一下是如何做到的。

在物联网和金融行业中，存在庞大的数据体量，以一个城市的电子眼为例，一个月存储的车牌信息就可能几百亿，一年可能达到几千亿甚至上万亿。这仅仅是物联网中某一项单一应用的数据量。

这么大的数据量，存入数据库会有多大呢？

我来模拟一些数据：

5个字段，随机生成一些数据，其中一个字符串，3个INT，1个时间类型。

digoal=# create table heap_test(c1 int, c2 text, c3 int, c4 int, c5 timestamp);digoal=#

insert into heap_test

select

random()*5000000,

repeat(md5(c::text),32),

c+random()*50000000,

random()*1000000,

current_date+(150000*random())::int

from

(select trunc(random()*100000) c from generate_series(1,50000000) t(id)) t;

并行执行10次，生成5亿数据。

传统的堆数据存储，5亿数据就达到500GB。

怎样能把500GB的数据压缩到5GB呢？

原理如下：

堆表行压缩

堆表块压缩

列存储原理

列存储块压缩

拿Greenplum来做一下验证，PostgreSQL的列存储可以外挂cstore, monetdb引擎。或者等阿里云AliCloudDB for PostgreSQL后期的版本开放这个功能。

使用列存储，开启压缩，可以将数据量压缩到 21GB。

digoal=# create table ao1_test(c1 int, c2 text, c3 int, c4 int, c5 timestamp) with (APPENDONLY=true,BLOCKSIZE=2097152,ORIENTATION=column,COMPRESSTYPE=zlib,CHECKSUM=false);digoal=# insert into ao1_test select * from heap_test ;digoal=# analyze ao1_test;ANALYZEdigoal=# select pg_size_pretty(pg_total_relation_size('ao1_test'));

pg_size_pretty

----------------21GB

(1 row)

压缩比达到了 这就完了吗?

显然还没，压缩比和数据存储关系是非常大的，为了进一步提升列存储的压缩比，我们必须找到一个非常合理的数据排序才能实现这一的目的。

为了达到这个目的，我们需要关注几个要素：

.1. 字段值的冗余度，冗余度越高的值，排序后的压缩比越高。

.2. 字段值的平均宽度，平均宽度大的值，压缩取得的绝对效果比宽度小的值好。

.3. 字段与字段间的线性相关性，线性关系好的字段，按其中一个A字段排序后线性关系也好，从而相关字段B的压缩效果也会比较好，从而达到双赢的目的。

以上三个要素都提到了统计学的知识， PostgreSQL数据库在这方面是非常强大的。

接下来会展示PostgreSQL利用窗口计算和统计分析，推算出最佳压缩比的字段排序组合。

第一个要素，字段值冗余度的计算方法：

case when n_distinct < 0 then 1 + n_distinct

when n_distinct = 1 then 1 when n_distinct > 1 then 1 - n_distinct/reltuples

end

第二个要素，字段值平均宽度的算法：

avg(pg_column_size(column_name)

第三个要素，字段值之间线性相关性的计算方法：

同时需要计算 N*(N-1)/2 种相邻字段的相关性，相关性决定了压缩率的好坏，任意数据类型的相关性计算可以参考我前面写的文章：

https://yq.aliyun.com/articles/18038

原理如下:

最后是计算综合压缩率，需要计算每种组合的综合压缩率：

对于有N列的表来说，会产生N阶乘种排序组合，也就是需要计算 N! 组数据的相关性。

如何得到N种组合的顺序，可以参考我前面写的一篇文章：

https://yq.aliyun.com/articles/17228

代码如下：

依赖函数，过滤重复字段，用于生成N阶排列组合：

CREATE or replace FUNCTION has_dupli_val(VARIADIC arr int[]) RETURNS boolean AS $$ select count(distinct val) <> count(*) dist_val from unnest() t(val) where val is not null;$$ language sql strict;

终极目的 :

计算每种排列组合的压缩率：

这里需要用到矩阵，窗口查询，相关性计算等统计学的知识。

用PostgreSQL可以把书本上的知识运用起来，还不错的，工业界和学术界的完美结合。

下面还是拿Greenplum来做一下验证，PostgreSQL的列存储可以外挂cstore, monetdb引擎。或者等阿里云AliCloudDB for PostgreSQL后期的版本开放这个功能。

( 如需更好的代码查看体验，以及想深度交流的技术朋友，请移步云栖社区德歌个人博客）

create or replace function best_compress_cols(samp int8) returns void as $$

declare

cols text[] := array['c1', 'c2', 'c3', 'c4', 'c5']; -- 参与计算的字段(最多5列, 至少有一列的冗余度>10%)

sub int[]; -- 计算过程中用到的数组下标

res_sub int[]; -- 计算结果用到的数组下标

comp_rat numeric; -- 计算过程中存储的压缩率

res_comp_rat numeric := 0; -- 计算结果的压缩率

cols_w_avg int[] := array[4, 1028, 4, 4, 8]; -- 参与计算的字段, 对应的平均宽度

dup_rat numeric[] := array[0.941288981586695,
0.999979166666666666666667, 0.996877203229815, 0.999979166814228, 0.999697591731092]; -- 参与计算的字段, 对应的冗余度

corr numeric[][];

begin

-- 计算字段之间的相关性, 存入矩阵corr[][]execute

'

select

array[

array[1,c12,c13,c14,c15] ,

array[c12,1,c23,c24,c25] ,

array[c13,c23,1,c34,c35] ,

array[c14,c24,c34,1,c45] ,

array[c15,c25,c35,c45,1]

] from

(

select

corr(c1,c2) c12,

corr(c1,c3) c13,

corr(c1,c4) c14,

corr(c1,c5) c15,

corr(c2,c3) c23,

corr(c2,c4) c24,

corr(c2,c5) c25,

corr(c3,c4) c34,

corr(c3,c5) c35,

corr(c4,c5) c45

from

(

select

rank() over(order by c1) c1,

rank() over(order by c2) c2,

rank() over(order by c3) c3,

rank() over(order by c4) c4,

rank() over(order by c5) c5

from

(

select '

||

cols[1]||' c1, '||cols[2]||' c2, '||cols[3]||' c3, '||cols[4]||' c4, '||cols[5]||' c5 '

||

' from

heap_test

order by random() limit '

||

samp

||

'

) t

) t

) t '

into corr;

-- 生成字段序号排列组合

for sub in

with t(id) as (select generate_series(1,5))

select array[t1.id,t2.id,t3.id,t4.id,t5.id] from t t1,t t2,t t3,t t4,t t5 where not has_dupli_val(t1.id,t2.id,t3.id,t4.id,t5.id)

LOOP

comp_rat := abs( cols_w_avg[sub[1]] * dup_rat[sub[1]] * corr[sub[1]][sub[1]] )+

abs( cols_w_avg[sub[2]] * dup_rat[sub[2]] * corr[sub[1]][sub[2]] )+

abs( cols_w_avg[sub[3]] * dup_rat[sub[3]] * corr[sub[2]][sub[3]] )+

abs( cols_w_avg[sub[4]] * dup_rat[sub[4]] * corr[sub[3]][sub[4]] )+

abs( cols_w_avg[sub[5]] * dup_rat[sub[5]] * corr[sub[4]][sub[5]] );

raise notice '%, %, %, %, %, compress ratio: % ', cols[sub[1]], cols[sub[2]], cols[sub[3]], cols[sub[4]], cols[sub[5]], comp_rat;

if res_comp_rat = 0 then

res_comp_rat := comp_rat;

res_sub := sub;

elseif comp_rat > res_comp_rat then

res_comp_rat := comp_rat;

res_sub := sub;

end if;

END LOOP;

-- 输出压缩比最大的组合

raise notice 'resutl: %, %, %, %, %. compress ratio: % ', cols[res_sub[1]], cols[res_sub[2]], cols[res_sub[3]], cols[res_sub[4]], cols[res_sub[5]], res_comp_rat;

end;

$$ language plpgsql strict;

采样5000万数据，计算每种组合的压缩率，并输出最佳组合。

select best_compress_cols(50000000); -- 采样5000万记录，计算最佳压缩排序.

结果如下：

NOTICE: resutl: c2, c4, c3, c5, c1. compress ratio: 1031.11112165362824768278103927944140

按照这个顺序重组数据，重组后的数据空间占用：

digoal=# create table ao2_test(c1 int, c2 text, c3 int, c4 int, c5 timestamp) with (APPENDONLY=true,BLOCKSIZE=2097152,ORIENTATION=column,COMPRESSTYPE=zlib,CHECKSUM=false);digoal=# insert into ao2_test select * from heap_test order by c2, c4, c3, c5, c1 ;digoal=# analyze ao2_test;ANALYZEdigoal=# select pg_size_pretty(pg_total_relation_size('ao2_test'));

pg_size_pretty

----------------4603MB

(1 row)

以此方法，数据空间占用从500GB到4.5GB，压缩比达到了111 : 1。

物联网，选择PostgreSQL，还不错哦。

后续继续会放出PostgreSQL数据库在更多物联网细分行业的解决方案，敬请期待。

【相关阅读】

《PostgreSQL 数据库物联网应用分析》
https://yq.aliyun.com/articles/18034

《PostgreSQL物联网行业应用视频》
https://yq.aliyun.com/edu/lesson/67