目录

Join 类型 和 Join 策略

1. Join 类型（Join Type）

2. Join 策略（Join Strategy）

分布式 Join 策略 (核心)

1. Colocate Join (本地 Join - 最优):

2. Bucket Shuffle Join:

3. Broadcast Join (复制广播):

4. Shuffle Join (重分区):

5. Replicated Join (复制表):

6. 运行时优化

a. Runtime Filter (运行时过滤器 - 核心加速)

b. Join 算法优化

c. Cost-Based Optimizer (CBO - 基于成本的优化器)

d. 谓词下推 (Predicate Pushdown)

显式启用join策略

总结与最佳实践建议：

优化实践

---

Join 类型 和 Join 策略

Join 类型（Join Type） 和 Join 策略（Join Strategy） 是两个不同层面的概念，它们的可控制性也不同：

---

1. Join 类型（Join Type）

• 是什么？ 指 SQL 标准定义的 INNER JOIN, LEFT JOIN, RIGHT JOIN, FULL OUTER JOIN, SEMI JOIN, ANTI JOIN 等语义类型。
• 能否显式指定？ ✅ 可以且必须显式指定！

• • 您在编写 SQL 查询时，必须在 FROM / JOIN 子句中明确写出您需要的 Join 类型（如 SELECT ... FROM fact_table INNER JOIN dim_table ON ...）。
  • 这是 SQL 语法的一部分，StarRocks 会严格按照您指定的语义执行。

• 优化器的影响： CBO 优化器会根据您指定的 Join 类型、表大小、过滤条件等选择最高效的执行策略（如 Colocate/Broadcast/Shuffle），但不会改变您指定的 Join 语义。

---

2. Join 策略（Join Strategy）

• 是什么？ 指在分布式环境下执行 Join 操作时采用的物理实现方式，即您之前问题中提到的：

• • Colocate Join
  • Bucket Shuffle Join
  • Broadcast Join
  • Shuffle Join
  • Replicated Join (通过表属性实现)

• 能否显式指定？ ⚠️ 通常不能（或不建议）直接在 SQL 中强制指定！

• • StarRocks 的 Cost-Based Optimizer (CBO) 是自动选择它认为最优的 Join 策略的。
  • CBO 的决策基于：

• • • 表的分区分桶定义（是否满足 Colocate 条件）。
    • 表的统计信息（大小、基数）。
    • Join 条件。
    • 相关系统参数（如 broadcast_row_limit）。

• • 设计目标： 让优化器基于数据和统计信息自动选择最高效的策略，用户无需手动干预复杂的分布式执行细节。

分布式 Join 策略 (核心)

1. Colocate Join (本地 Join - 最优):

• • • 原理： 参与 Join 的多张表使用相同分区方式和分桶方式（Distributed By），且分桶数相同。
    • 优势： 相同分桶键的数据必然落在同一个 BE 节点上。Join 计算完全在本地节点内完成，无需跨节点数据 Shuffle，网络开销为零。
    • 适用场景： 星型/雪花模型中的事实表与维度表关联（维度表通常较小，可复制或采用 Colocate 分区），或大表与大表关联（前提是分区策略匹配且数据分布均匀）。

2. Bucket Shuffle Join:

• • • 原理： 当左表（通常是驱动表/事实表）分桶，且 Join 的 ON 子句中包含左表的分桶列时启用。
    • 优势： 右表（通常是维度表）的数据会根据左表的分桶规则进行 Shuffle，分发到左表数据所在的 BE 节点。Join 计算在节点本地进行（左表数据不动）。相比 Broadcast 和 Shuffle，网络传输量显著减少。
    • 适用场景： 事实表（左表）与维度表（右表）关联，且 Join Key 包含事实表的分桶列。比 Broadcast 更能处理较大的右表。

3. Broadcast Join (复制广播):

• • • 原理： 将较小的右表（或查询结果）完整复制到所有包含左表数据的 BE 节点上。
    • 优势： 每个 BE 节点持有完整的右表数据，可以在本地与左表的分片进行 Join，无需跨节点传输左表数据。
    • 适用场景： 右表非常小（通常建议 < 100MB）时非常高效。如果右表过大，网络传输和内存开销会很大，甚至 OOM。

4. Shuffle Join (重分区):

• • • 原理： 根据 Join Key 的 Hash 值，将左表和右表的数据都进行 Shuffle 重分布，确保相同 Join Key 的数据落到同一个 BE 节点上，然后在该节点进行本地 Join。
    • 优势： 适用于两张大表关联且无法使用 Colocate 或 Bucket Shuffle 的场景。
    • 劣势： 网络传输开销最大，因为两张表的数据都需要跨节点传输。是其他策略不适用时的保底方案。

5. Replicated Join (复制表):

• • • 原理： 将维度表定义为 replicated 属性，StarRocks 会自动在集群所有 BE 节点上存储该表的完整副本。
    • 优势： 任何 Join 涉及该复制表时，都可以直接在本地 BE 节点上进行，完全避免网络传输，效果类似于 Broadcast Join 但无需运行时广播。
    • 适用场景： 小维度表（能容忍全集群存储多份副本）。需要建表时指定 PROPERTIES ("replicated_storage" = "true")。

6. 运行时优化

a. Runtime Filter (运行时过滤器 - 核心加速)

• • 原理： 在 Join 计算时（尤其是 Hash Join），StarRocks 会动态地从右表（Build Side）提取 Join Key 的最小/最大值（Min/Max Filter）或构建一个 Bloom Filter。
  • 优势： 将这个 Filter 下推到左表（Probe Side）的扫描算子。左表在读取数据时，可以利用这个 Filter 提前过滤掉大量不可能匹配 Join Key 的行，显著减少需要参与后续 Join 计算的数据量。
  • 类型： 支持 IN, MIN_MAX, BLOOM_FILTER。通常 BLOOM_FILTER 效果最佳。
  • 适用场景： 对大表作为 Probe Side 的 Join 性能提升巨大，尤其是当 Join Key 具有高选择性时。通过 set global runtime_join_filter_push_down_limit = X; 控制适用右表大小上限。

b. Join 算法优化

• • 向量化 Hash Join: StarRocks 的向量化执行引擎对 Hash Join 算法进行了深度优化。它利用 SIMD 指令集，一次处理一批数据（向量），极大地提高了 CPU 利用率和缓存命中率，加速 Join 计算过程。
  • 多表 Join 顺序优化: StarRocks 的 CBO 优化器会根据表大小、过滤条件和统计信息，智能选择最优的 Join 顺序，尽量先过滤掉更多数据再进行 Join，减少中间结果集大小。

c. Cost-Based Optimizer (CBO - 基于成本的优化器)

• • 原理： StarRocks 收集并维护表的统计信息（行数、列 NDV、NULL 值数、Min/Max 值、数据分布直方图等）。
  • 优势： CBO 利用这些统计信息，估算不同 Join 策略（Colocate/Bucket Shuffle/Broadcast/Shuffle）和不同 Join 顺序的成本，并选择它认为执行成本最低的计划。
  • 关键： 需要定期执行 ANALYZE TABLE 命令更新统计信息，CBO 才能做出更准确的判断。

d. 谓词下推 (Predicate Pushdown)

• • 原理： 优化器会尽可能将 Join 条件或 WHERE 条件中的过滤条件下推到数据扫描的最早阶段。
  • 优势： 在扫描磁盘或从内存读取数据时，就应用这些过滤条件，尽早过滤掉不相关的数据，减少后续算子（特别是 Join）需要处理的数据量。

显式启用join策略

分析查询 | StarRocks

总结与最佳实践建议：

1. 查看执行计划: 使用 EXPLAIN / EXPLAIN ANALYZE 查看执行计划，确认优化器选择了期望的策略（如 colocate: true, runtime filters 信息）。根据执行情况调整表结构、查询写法或优化器参数。

分析查询 | StarRocks

1. 首选 Colocate Join: 表设计阶段，对于需要高频 Join 且数据量大的表，优先考虑使用相同的分区分桶策略。这是性能最高的 Join 方式。
2. 善用 Bucket Shuffle Join: 当无法 Colocate 时，确保事实表（左表）按 Join Key 分桶，并让 Join Key 包含分桶列。
3. 控制 Broadcast Join 使用范围: 仅对小表使用 Broadcast Join。通过 SET broadcast_row_limit = X; 控制优化器选择 Broadcast 的阈值。
4. 务必启用 Runtime Filter: 这是加速大表 Join 的利器。通常保持默认开启即可，效果显著。
5. 维护准确的统计信息: 定期 ANALYZE TABLE 是 CBO 发挥效力的基础。
6. 合理选择 Join 类型: 根据业务语义和数据特点选择 INNER JOIN, LEFT OUTER JOIN, RIGHT OUTER JOIN, FULL OUTER JOIN, SEMI JOIN, ANTI JOIN 等。优化器对不同类型可能有不同优化策略。
7. 避免笛卡尔积: 确保 Join 条件有效，除非业务确实需要笛卡尔积。

通过综合运用这些优化技术，StarRocks 能够高效地处理各种复杂和大规模的 Join 查询，满足高性能分析的需求。理解这些原理对于设计和优化高效的 StarRocks 查询至关重要。

优化实践

StarRocks 技术内幕 | Join 查询优化

StarRocks 技术内幕 | Join 查询优化_starrocks join-CSDN博客

StarRocks-Profile分析及优化指南

StarRocks-Profile分析及优化指南 - 经验教程 - StarRocks中文社区论坛