【Doris基础】Apache Doris 基本架构深度解析：从存储到查询的完整技术演进
目录
1 引言
2 Doris 架构全景图
2 核心组件技术解析
2.1 Frontend 层（FE）
2.2 Backend 层（BE）
3 数据存储与复制机制
3.1 存储架构演进
3.2 副本复制策略
4 查询处理全流程解析
4.1 查询生命周期
5 高可用设计
5.1 FE高可用架构
5.2 BE故障恢复
6 总结
1 引言
Apache Doris作为一款基于MPP架构的高性能实时分析数据库，凭借其极速的OLAP查询能力和简单易用的特性，在大数据领域获得了广泛应用。
2 Doris 架构全景图
- 三层服务架构：由Frontend(FE) 集群和Backend(BE) 集群构成计算存储分离架构，通过Broker实现外部数据源访问
- 元数据双环路：FE Master主导元数据变更，Follower通过Paxos协议保证强一致性，Observer提供只读扩展
- 数据分片机制：采用动态分片(Tablet)设计，每个分片包含多个Rowset实现增量更新
- 存储引擎：采用列式存储格式，支持多种索引结构（Zone Map、Bloom Filter）
- 计算引擎：基于LLVM的向量化执行引擎，支持Pipeline执行模式
2 核心组件技术解析
2.1 Frontend 层（FE）
角色定位：作为系统的"大脑"，承担元数据管理、查询计划生成、用户访问控制等核心职责，采用 Shared-Nothing 架构实现水平扩展关键模块：
- Catalog Manager：存储表结构、分区信息、分片位置等元数据，通过多版本控制(MVCC)保证事务一致性，采用两阶段提交协议管理Schema变更
- Query Planner：将SQL解析为逻辑计划，通过CBO（基于成本的优化器）生成物理执行计划，优化策略包括：
- 谓词下推（Predicate Pushdown）
- 分区剪枝（Partition Pruning）
- 动态分区裁剪（Dynamic Partition Pruning）
- Coordinator：负责将物理计划拆分为多个Fragment，通过Pipeline调度机制分配给BE执行，支持自适应执行，可根据集群负载动态调整并行度
2.2 Backend 层（BE）
角色定位：作为数据存储和计算的核心载体，采用混合架构设计：
- 存储层：基于LSM-Tree思想实现的高效列存引擎
- 计算层：支持Pipeline执行模式的向量化引擎
关键特性：
- 数据分片（Tablet）：物理存储的最小单元，每个Tablet包含多个Rowset（不可变数据块），支持自动数据均衡和副本迁移
- 智能索引：
- Zone Map：记录每个数据块的最大/最小值，实现快速范围查询过滤
- Bloom Filter：加速点查性能，减少不必要的IO
- 倒排索引：对高基数列建立索引，支持快速存在性判断
- 向量化执行：通过SIMD指令集优化，将单条记录处理升级为批量处理，典型场景性能提升3-5倍
3 数据存储与复制机制
3.1 存储架构演进
存储流程：
- 写入数据首先进入内存MemTable
- 达到阈值后转为Immutable Rowset
- 通过BaseCompaction生成不可变的Base Rowset
- 增量数据写入Delta Rowset
- 定期执行Cumulative Compaction合并增量数据
3.2 副本复制策略
- 多副本存储：默认3副本，支持自定义副本数
- Paxos协议：FE层通过Multi-Paxos保证元数据一致性
- Quorum机制：数据写入需要多数派副本确认，确保强一致性
- 副本修复：通过异步复制和 Checksum 校验自动修复损坏副本
4 查询处理全流程解析
4.1 查询生命周期
查询解析阶段：
- 语法解析生成AST
- 语义检查验证表/列存在性
- 生成逻辑执行计划
优化阶段：
- 统计信息收集（行数、Distinct值等）
- 代价模型选择最优执行路径
- 生成物理执行计划（包含Scan、Shuffle、Aggregate等Operator）
执行阶段：
- BE执行Pipeline计算
- 通过网络交换中间结果（Shuffle）
- FE进行最终结果聚合
5 高可用设计
5.1 FE高可用架构
- 三节点部署：1个Master + 2个Follower
- 脑裂防护：通过租约机制防止双Master
- 元数据备份：支持定期快照到远程存储
5.2 BE故障恢复
- 副本迁移：自动检测故障节点，触发副本复制
- 负载均衡：通过均衡器自动迁移热点分片
- 隔离机制：支持按照机房、机架维度部署副本
6 总结
Apache Doris通过创新的MPP架构设计，在存储层实现了高效的列式存储与智能索引，在计算层构建了高性能的向量化执行引擎，配合完善的副本机制和高可用设计，形成了完整的现代数据仓库解决方案。其架构设计充分体现了"极致性能"与"简单易用"的平衡哲学，为大数据分析场景提供了强有力的技术支撑。