BloomFilterインデックス

インデックスの原理

BloomFilterインデックスは、BloomFilterに基づくskipインデックスの一種です。その原理は、BloomFilterを使用して等価クエリで指定された条件を満たさないデータブロックをスキップし、IOを削減してクエリを高速化することです。

BloomFilterは、1970年にBloomによって提案された高速検索アルゴリズムで、複数のハッシュ関数を使用します。要素がセットに属するかどうかを100%の精度を必要とせずに迅速に判定する必要があるシナリオで一般的に使用されます。BloomFilterには以下の特性があります：

要素がセットに含まれているかどうかをチェックするために使用される、空間効率の良い確率的データ構造です。
メンバーシップチェックに対して、BloomFilterは2つの結果のうちの1つを返します：セットに含まれている可能性がある、またはセットに確実に含まれていない。

BloomFilterは非常に長いバイナリビット配列と一連のハッシュ関数で構成されます。ビット配列は最初すべて0に設定されます。要素をチェックする際、一連のハッシュ関数によってハッシュ化され一連の値が生成され、配列内のこれらの位置のビットが1に設定されます。

以下の図は、m=18およびk=3のBloomFilterの例を示しています（mはビット配列のサイズ、kはハッシュ関数の数）。セット内の要素x、y、zが3つの異なるハッシュ関数によってビット配列にハッシュ化されます。要素wをクエリする際、ハッシュ関数によって計算されたビットのいずれかが0の場合、wはセットに含まれません。逆に、すべてのビットが1の場合、ハッシュ衝突の可能性があるため、wがセットに含まれている可能性があることのみを示し、確実ではありません。

Bloom_filter

したがって、計算された位置のすべてのビットが1の場合、ハッシュ衝突の可能性があるため、要素がセットに含まれている可能性があることのみを示し、確実ではありません。これがBloomFilterの「偽陽性」の性質です。そのため、BloomFilterベースのインデックスは条件を満たさないデータをスキップすることはできますが、条件を満たすデータを正確に特定することはできません。

DorisのBloomFilterインデックスはページ単位で構築され、各データブロックがBloomFilterを格納します。書き込み時に、データブロック内の各値が対応するBloomFilterにハッシュ化されます。クエリ時には、等価条件に対して各データブロックのBloomFilterが値を含んでいるかどうかがチェックされます。含まれていない場合、データブロックはスキップされ、IOが削減されクエリが高速化されます。

使用例

BloomFilterインデックスは等価クエリ（=およびINを含む）を高速化でき、useridなどの一意のidフィールドなど、高カーディナリティフィールドに効果的です。

ヒント

BloomFilterには以下の制限があります：

inおよび=以外のクエリ（!=、NOT IN、>、<など）には効果がありません。
Tinyint、Float、Double型の列ではBloomFilterインデックスをサポートしていません。
低カーディナリティフィールドでは高速化効果が限定的です。例えば、2つの値のみを持つ「gender」フィールドは、ほぼすべてのデータブロックに含まれる可能性が高く、BloomFilterインデックスが無意味になります。

クエリに対するBloomFilterインデックスの効果を確認するには、Query Profile内の関連メトリクスを分析できます。

BlockConditionsFilteredBloomFilterTimeは、BloomFilterインデックスによって消費される時間です。
RowsBloomFilterFilteredは、BloomFilterによってフィルタリングされた行数です。他のRows値と比較してBloomFilterインデックスのフィルタリング効果を分析できます。

インデックスの管理

テーブル作成時のBloomFilterインデックスの作成

歴史的な理由により、BloomFilterインデックスを定義する構文は、転置インデックスで使用される一般的なINDEX構文とは異なります。BloomFilterインデックスは、テーブルのPROPERTIESで「bloom_filter_columns」を使用して指定され、1つまたは複数のフィールドを指定できます。

PROPERTIES (
"bloom_filter_columns" = "column_name1,column_name2"
);

BloomFilter Indexesの表示

SHOW CREATE TABLE table_name;

既存テーブルでのBloomFilterインデックスの追加または削除

ALTER TABLEを使用してテーブルのbloom_filter_columnsプロパティを変更し、BloomFilterインデックスを追加または削除します。

column_name3にBloomFilterインデックスを追加

ALTER TABLE table_name SET ("bloom_filter_columns" = "column_name1,column_name2,column_name3");

column_name1のBloomFilterインデックスを削除する

ALTER TABLE table_name SET ("bloom_filter_columns" = "column_name2,column_name3");

インデックスの使用

BloomFilterインデックスはWHERE句での等価クエリを高速化するために使用されます。該当する場合は自動的に有効になり、特別な構文は必要ありません。

BloomFilterインデックスの高速化効果は、Query Profileの以下のメトリクスを使用して分析できます：

RowsBloomFilterFiltered: BloomFilterインデックスによってフィルタリングされた行数。他のRows値と比較してインデックスのフィルタリング効果を分析できます。
BlockConditionsFilteredBloomFilterTime: BloomFilter転置インデックスによって消費された時間。

使用例

以下は、DorisでBloomFilterインデックスを作成する方法の例です。

DorisのBloomFilterインデックスは、CREATE TABLE文で「bloom_filter_columns」プロパティを追加することで作成され、k1、k2、k3がBloomFilterインデックスのキーカラムになります。例えば、以下はsaler_idとcategory_idにBloomFilterインデックスを作成します。

CREATE TABLE IF NOT EXISTS sale_detail_bloom  (
    sale_date date NOT NULL COMMENT "Sale date",
    customer_id int NOT NULL COMMENT "Customer ID",
    saler_id int NOT NULL COMMENT "Salesperson",
    sku_id int NOT NULL COMMENT "Product ID",
    category_id int NOT NULL COMMENT "Product category",
    sale_count int NOT NULL COMMENT "Sales quantity",
    sale_price DECIMAL(12,2) NOT NULL COMMENT "Unit price",
    sale_amt DECIMAL(20,2)  COMMENT "Total sales amount"
)
DUPLICATE KEY(sale_date, customer_id, saler_id, sku_id, category_id)
DISTRIBUTED BY HASH(saler_id) BUCKETS 10
PROPERTIES (
"replication_num" = "1",
"bloom_filter_columns"="saler_id,category_id"
);

インデックスの原理​

使用例​

インデックスの管理​

テーブル作成時のBloomFilterインデックスの作成​

BloomFilter Indexesの表示​

既存テーブルでのBloomFilterインデックスの追加または削除​

インデックスの使用​