[jira] [Created] (FLINK-1100) Optimization oportunity missed

classic Classic list List threaded Threaded
1 message Options
Reply | Threaded
Open this post in threaded view
|

[jira] [Created] (FLINK-1100) Optimization oportunity missed

Shang Yuanchun (Jira)
Asterios Katsifodimos created FLINK-1100:
--------------------------------------------

             Summary: Optimization oportunity missed
                 Key: FLINK-1100
                 URL: https://issues.apache.org/jira/browse/FLINK-1100
             Project: Flink
          Issue Type: Improvement
          Components: Optimizer
    Affects Versions: 0.6-incubating, 0.7-incubating
            Reporter: Asterios Katsifodimos
            Priority: Minor


The Optimizer does not see an optimization opportunity.

The program I used is the transitive closure of v0.7-incubation and replaced the groupBy.reduce with a simple distinct.

The resulting plan (JSON here: https://gist.github.com/asteriosk/7a04cfd19537395eb401, also in the end of the bug, misses an optimization opportunity: the sorted groupReduce can receive an input partitioned on field 0 and sort on 1 in order to apply the distinct function. As a result, the partitioning (on 0) can be reused to forward the results to the input of the next iteration instead of repartitioning.

{code:javascript}
{
        "nodes": [
 
        {
                "id": 2,
                "type": "source",
                "pact": "Data Source",
                "contents": "[(1, 2), (2, 3), (2, 4), (3, 5), (6, 7), (8, 9), (8, 10), (5, 11), (11, 12), (10, 13), (9, 14), (13,",
                "parallelism": "1",
                "global_properties": [
                        { "name": "Partitioning", "value": "RANDOM" },
                        { "name": "Partitioning Order", "value": "(none)" },
                        { "name": "Uniqueness", "value": "not unique" }
                ],
                "local_properties": [
                        { "name": "Order", "value": "(none)" },
                        { "name": "Grouping", "value": "not grouped" },
                        { "name": "Uniqueness", "value": "not unique" }
                ],
                "estimates": [
                        { "name": "Est. Output Size", "value": "(unknown)" },
                        { "name": "Est. Cardinality", "value": "(unknown)" } ],
                "costs": [
                        { "name": "Network", "value": "0.0" },
                        { "name": "Disk I/O", "value": "0.0" },
                        { "name": "CPU", "value": "0.0" },
                        { "name": "Cumulative Network", "value": "0.0" },
                        { "name": "Cumulative Disk I/O", "value": "0.0" },
                        { "name": "Cumulative CPU", "value": "0.0" }
                ],
                "compiler_hints": [
                        { "name": "Output Size (bytes)", "value": "(none)" },
                        { "name": "Output Cardinality", "value": "(none)" },
                        { "name": "Avg. Output Record Size (bytes)", "value": "(none)" },
                        { "name": "Filter Factor", "value": "(none)" } ]
        },
        {
                "step_function": [
        {
                "id": 6,
                "type": "pact",
                "pact": "Bulk Partial Solution",
                "contents": "Partial Solution",
                "parallelism": "4",
                "global_properties": [
                        { "name": "Partitioning", "value": "RANDOM" },
                        { "name": "Partitioning Order", "value": "(none)" },
                        { "name": "Uniqueness", "value": "not unique" }
                ],
                "local_properties": [
                        { "name": "Order", "value": "[1:ASC]" },
                        { "name": "Grouped on", "value": "[1]" },
                        { "name": "Uniqueness", "value": "not unique" }
                ],
                "estimates": [
                        { "name": "Est. Output Size", "value": "(unknown)" },
                        { "name": "Est. Cardinality", "value": "(unknown)" } ],
                "costs": [
                        { "name": "Network", "value": "0.0" },
                        { "name": "Disk I/O", "value": "0.0" },
                        { "name": "CPU", "value": "0.0" },
                        { "name": "Cumulative Network", "value": "0.0" },
                        { "name": "Cumulative Disk I/O", "value": "0.0" },
                        { "name": "Cumulative CPU", "value": "0.0" }
                ],
                "compiler_hints": [
                        { "name": "Output Size (bytes)", "value": "(none)" },
                        { "name": "Output Cardinality", "value": "(none)" },
                        { "name": "Avg. Output Record Size (bytes)", "value": "(none)" },
                        { "name": "Filter Factor", "value": "(none)" } ]
        },
        {
                "id": 5,
                "type": "pact",
                "pact": "Join",
                "contents": "org.apache.flink.api.java.operators.JoinOperator$DefaultJoin$WrappingFlatJoinFunction",
                "parallelism": "4",
                "predecessors": [
                        {"id": 6, "side": "first", "ship_strategy": "Hash Partition on [1]"},
                        {"id": 2, "side": "second", "ship_strategy": "Hash Partition on [0]"}
                ],
                "driver_strategy": "Hybrid Hash (CACHED) (build: [(1, 2), (2, 3), (2, 4), (3, 5), (6, 7), (8, 9), (8, 10), (5, 11), (11, 12), (10, 13), (9, 14), (13,)",
                "global_properties": [
                        { "name": "Partitioning", "value": "RANDOM" },
                        { "name": "Partitioning Order", "value": "(none)" },
                        { "name": "Uniqueness", "value": "not unique" }
                ],
                "local_properties": [
                        { "name": "Order", "value": "(none)" },
                        { "name": "Grouping", "value": "not grouped" },
                        { "name": "Uniqueness", "value": "not unique" }
                ],
                "estimates": [
                        { "name": "Est. Output Size", "value": "(unknown)" },
                        { "name": "Est. Cardinality", "value": "(unknown)" } ],
                "costs": [
                        { "name": "Network", "value": "(unknown)" },
                        { "name": "Disk I/O", "value": "(unknown)" },
                        { "name": "CPU", "value": "(unknown)" },
                        { "name": "Cumulative Network", "value": "(unknown)" },
                        { "name": "Cumulative Disk I/O", "value": "(unknown)" },
                        { "name": "Cumulative CPU", "value": "(unknown)" }
                ],
                "compiler_hints": [
                        { "name": "Output Size (bytes)", "value": "(none)" },
                        { "name": "Output Cardinality", "value": "(none)" },
                        { "name": "Avg. Output Record Size (bytes)", "value": "(none)" },
                        { "name": "Filter Factor", "value": "(none)" } ]
        },
        {
                "id": 4,
                "type": "pact",
                "pact": "Union",
                "contents": "",
                "parallelism": "4",
                "predecessors": [
                        {"id": 5, "side": "first", "ship_strategy": "Hash Partition on [0, 1]"},
                        {"id": 6, "side": "second", "ship_strategy": "Hash Partition on [0, 1]"}
                ],
                "global_properties": [
                        { "name": "Partitioning", "value": "HASH_PARTITIONED" },
                        { "name": "Partitioned on", "value": "[0, 1]" },
                        { "name": "Partitioning Order", "value": "(none)" },
                        { "name": "Uniqueness", "value": "not unique" }
                ],
                "local_properties": [
                        { "name": "Order", "value": "(none)" },
                        { "name": "Grouping", "value": "not grouped" },
                        { "name": "Uniqueness", "value": "not unique" }
                ],
                "estimates": [
                        { "name": "Est. Output Size", "value": "(unknown)" },
                        { "name": "Est. Cardinality", "value": "(unknown)" } ],
                "compiler_hints": [
                        { "name": "Output Size (bytes)", "value": "(none)" },
                        { "name": "Output Cardinality", "value": "(none)" },
                        { "name": "Avg. Output Record Size (bytes)", "value": "(none)" },
                        { "name": "Filter Factor", "value": "(none)" } ]
        },
        {
                "id": 3,
                "type": "pact",
                "pact": "GroupReduce",
                "contents": "org.apache.flink.api.java.operators.DistinctOperator$DistinctFunction",
                "parallelism": "4",
                "predecessors": [
                        {"id": 5, "ship_strategy": "Hash Partition on [0, 1]"},
                        {"id": 6, "ship_strategy": "Hash Partition on [0, 1]"}
                ],
                "driver_strategy": "Sorted Group Reduce",
                "global_properties": [
                        { "name": "Partitioning", "value": "RANDOM" },
                        { "name": "Partitioning Order", "value": "(none)" },
                        { "name": "Uniqueness", "value": "not unique" }
                ],
                "local_properties": [
                        { "name": "Order", "value": "(none)" },
                        { "name": "Grouping", "value": "not grouped" },
                        { "name": "Uniqueness", "value": "not unique" }
                ],
                "estimates": [
                        { "name": "Est. Output Size", "value": "(unknown)" },
                        { "name": "Est. Cardinality", "value": "(unknown)" } ],
                "costs": [
                        { "name": "Network", "value": "0.0" },
                        { "name": "Disk I/O", "value": "(unknown)" },
                        { "name": "CPU", "value": "(unknown)" },
                        { "name": "Cumulative Network", "value": "(unknown)" },
                        { "name": "Cumulative Disk I/O", "value": "(unknown)" },
                        { "name": "Cumulative CPU", "value": "(unknown)" }
                ],
                "compiler_hints": [
                        { "name": "Output Size (bytes)", "value": "(none)" },
                        { "name": "Output Cardinality", "value": "(none)" },
                        { "name": "Avg. Output Record Size (bytes)", "value": "(none)" },
                        { "name": "Filter Factor", "value": "(none)" } ]
        }
                ],
                "partial_solution": 6,
                "next_partial_solution": 3,
                "id": 1,
                "type": "bulk_iteration",
                "pact": "Bulk Iteration",
                "contents": "Bulk Iteration",
                "parallelism": "4",
                "predecessors": [
                        {"id": 2, "ship_strategy": "Redistribute", "local_strategy": "Sort on [1:ASC]"}
                ],
                "global_properties": [
                        { "name": "Partitioning", "value": "RANDOM" },
                        { "name": "Partitioning Order", "value": "(none)" },
                        { "name": "Uniqueness", "value": "not unique" }
                ],
                "local_properties": [
                        { "name": "Order", "value": "(none)" },
                        { "name": "Grouping", "value": "not grouped" },
                        { "name": "Uniqueness", "value": "not unique" }
                ],
                "estimates": [
                        { "name": "Est. Output Size", "value": "(unknown)" },
                        { "name": "Est. Cardinality", "value": "(unknown)" } ],
                "costs": [
                        { "name": "Network", "value": "(unknown)" },
                        { "name": "Disk I/O", "value": "(unknown)" },
                        { "name": "CPU", "value": "(unknown)" },
                        { "name": "Cumulative Network", "value": "(unknown)" },
                        { "name": "Cumulative Disk I/O", "value": "(unknown)" },
                        { "name": "Cumulative CPU", "value": "(unknown)" }
                ],
                "compiler_hints": [
                        { "name": "Output Size (bytes)", "value": "(none)" },
                        { "name": "Output Cardinality", "value": "(none)" },
                        { "name": "Avg. Output Record Size (bytes)", "value": "(none)" },
                        { "name": "Filter Factor", "value": "(none)" } ]
        },
        {
                "id": 0,
                "type": "sink",
                "pact": "Data Sink",
                "contents": "Print to System.out",
                "parallelism": "4",
                "predecessors": [
                        {"id": 1, "ship_strategy": "Forward"}
                ],
                "global_properties": [
                        { "name": "Partitioning", "value": "RANDOM" },
                        { "name": "Partitioning Order", "value": "(none)" },
                        { "name": "Uniqueness", "value": "not unique" }
                ],
                "local_properties": [
                        { "name": "Order", "value": "(none)" },
                        { "name": "Grouping", "value": "not grouped" },
                        { "name": "Uniqueness", "value": "not unique" }
                ],
                "estimates": [
                        { "name": "Est. Output Size", "value": "(unknown)" },
                        { "name": "Est. Cardinality", "value": "(unknown)" } ],
                "costs": [
                        { "name": "Network", "value": "0.0" },
                        { "name": "Disk I/O", "value": "0.0" },
                        { "name": "CPU", "value": "0.0" },
                        { "name": "Cumulative Network", "value": "(unknown)" },
                        { "name": "Cumulative Disk I/O", "value": "(unknown)" },
                        { "name": "Cumulative CPU", "value": "(unknown)" }
                ],
                "compiler_hints": [
                        { "name": "Output Size (bytes)", "value": "(none)" },
                        { "name": "Output Cardinality", "value": "(none)" },
                        { "name": "Avg. Output Record Size (bytes)", "value": "(none)" },
                        { "name": "Filter Factor", "value": "(none)" } ]
        }
        ]
}
{code}








--
This message was sent by Atlassian JIRA
(v6.3.4#6332)