一个简单算法可以帮助物联网,金融 用户 节约98%的数据存储成本 (PostgreSQL,Greenplum帮你做到)

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。

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;
ANALYZE
digoal=# 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：

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：

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 $$
  select count(distinct val) <> count(*) dist_val from unnest($1) t(val) where val is not null;
$$ 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。

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;
ANALYZE
digoal=# 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。