Integration Services 2008 újdonságok – Tökéletesített Data Flow taszk


In medias res, azaz vágjunk a közepébe - ahogy a magyar tanárom sulykolta belénk éveken át az Iliász kezdésével kapcsolatban - és kezdjünk rögtön az újdonság bejelentésével:

Optimalizálták a hosszú, egy execution tree-ből álló, szinkron transzformációk teljesítményét.

Első körben értelmezzük ezt a mondatot és vizsgáljuk meg, hogy mit jelentenek az „execution tree" és a „szinkron transzformáció" fogalmak. Kezdjük a szinkron transzformációkkal:

Szinkron transzformáció: Egy transzformációt szinkronnak nevezünk, ha a transzformációba belépő rekordok száma megegyezik a kilépő rekordok számával. Tipikus példája a szinkron transzformációnak, amikor egy új mezővel kiegészítjük a beérkező rekordok számát. (ugyanannyi sor jön be, mint amennyi kimegy, csak az oszlopok száma változik meg)

Szinkron transzformáció: Belépő rekordok száma = kilépő rekordok száma

Szinkron transzformáció: Belépő rekordok száma = kilépő rekordok száma

Aszinkron transzformáció: Az Aszinkron transzformációk során az SSIS rész adatblokkokat olvas be a memóriába, azokból új sorokat származtat, sorokat vesz el, majd az eredményt kiírja a céltáblába. Tipikus példája a group by transzformáció.

Execution tree: Az execution tree pongyolán fogalmazva leírja azt az utat, ahogy a beérkező adatok a transzformációkon keresztül eljutnak a céljukig.

Egy execution tree-t tartalmazó SSIS csomag

Egy execution tree-t tartalmazó SSIS csomag

Ha kiegészítettük a fenti csomagot hibakezeléssel, akkor a csomag kiegészül még egy execution tree-vel: (hiszen belép x rekord, majd kilép y+z rekord (x=y+z) ezért az SSIS egy új execution tree-t nyit meg a hibaágra érkező rekordok feldolgozására)

2 execution tree 1 DataFlow taszkon belül

2 execution tree 1 DataFlow taszkon belül

Az SSIS 2005-ben minden execution tree egy szálon (work thread) futott. Ez abból a szempontból jó volt, hogy a data flow taszknak nem kellett futásidőben azzal bíbelődnie, hogy kiszámolja hány szálon kell majd futtatnia a csomagot, mekkora memóriaterületet kell majd használnia, mert azt már a csomag futásának kezdetekor, az execution tree-k száma alapján eldöntötte. De számos hátulütője is volt ennek a módszernek, hiszen az SSIS nem vizsgálta az execution tree-n belüli munka nagyságát.

Így hiába párhuzamosítottunk az execution tree- n belül, az továbbra is csak egy szálon futott és egy processzort használt! Nézzük meg a következő valós életből vett példát:

Egy data flow taszk és a komponensei

Egy data flow taszk és a komponensei

A data flow taszk nem csinál mást, mint kiolvassa egy tábla tartalmát, majd azt a multicast komponens felhasználásával „megduplázza" , néhány egyszerű transzformációt végre hajt rajta, majd az adatokat elküldi két külön táblába.

Vajon hány execution tree-ből áll ez az SSIS csomag?

Látszólag kettőből, hiszen a forrástól célig tartó útból kettő van. (Forrás - Billed Revenue tábla; Forrás - Adjusted revenue tábla) De az igazság az, hogy a fenti data flow taszk csak egy execution tree-ből áll, hiszen a Multicast taszk egy szinkron taszk, és így az SSIS nem nyit új execution tree-t: Mindent ugyanazon a szálon futtat, ugyanazt a memória területet használja. Ez pedig csak úgy lehetséges, ha sorosan futnak a komponensek:

Párhuzamos komponensek soros futtatása az SSIS 2005-ben

Párhuzamos komponensek soros futtatása az SSIS 2005-ben

Látható, hogy egy execution tree-n belül teljesen felesleges volt párhuzamosítanunk, hiszen az SSIS úgyis sorosan dolgozta fel a transzformációkat.

Az SSIS 2008 már képes egy execution tree-t több szálra bontani, így több processzort használni párhuzamosan. Igaz ez az egyprocesszoros gép esetén jelent némi overhead-et, de nem nagyon használnak manapság egyprocesszoros gépet az adattárházak feltöltésére :-)

A tökéletesítés eredménye

Sajnos a fentiek eredményét még nem tudtam élesben tesztelni, de találtam egy olyan Microsoftos embert, aki blogjában bemutatja a saját tesztelési eredményeit:

Az alábbi ábrák processzorok kihasználtságát mutatják ugyanazt a csomagot futtatva SSIS 2005-ön és 2008-on :

Az Integration Services 2005 processzor használata

Az Integration Services 2005 processzor használata

Az Integration Services 2008 processzor használata

Az Integration Services 2008 processzor használata

Látható, hogy a 2008-as SSIS messze jobban kihasználja a többprocesszoros gépek teljesítményét, mint elődje tette. Az SSIS fejlesztői egyébként azt ígérik, hogy a teljesítmény javulás a szinkron komponensek párhuzamosítása eredményeképpen néhány százaléktól egészen a 2005-ös verzió feldolgozási sebességének kétszereséig nőhet. Legyen igazuk.

Felhasznált irodalom:

További információt úgy találhat a témában, ha rákeres a Data Flow Thread Allocation, és a pipeline parallelism kulcsszavakra az interneten.

Elválasztó

Már készül a következő cikk. Kérjen értesítést a megjelenéséről itt.

|

Szóljon hozzá!

Szabály: Legyen kedves, segítõkész és vállalja a nevét.
A mező tartalma nem nyilvános.
  • A web és email címek automatikusan linkekké alakulnak.
  • Engedélyezett HTML elemek: <a> <em> <strong> <cite> <code> <ul> <ol> <li> <dl> <dt> <dd>
  • A sorokat és bekezdéseket automatikusan felismeri a rendszer.
ANTI SPAM
A robot regisztrációk elkerülésére.
Image CAPTCHA
Figyeljen a kis és nagybetűk használatára