一、OLAP常见架构分类
1.Relational OLAP(关系型OLAP)，它直接使用关系模型构建，数据模型中最常使用的是星型模型和雪花模型，这是最为直接的实现方法，因为OLAP概念最开始提出来的时候，就是建立在关系型数据库之上的
2.Multidimensional OLAP(多维型OLAP)，它是为了解决ROLAP性能问题，核心思想就是借助预先聚合结果，以空间换时间的形式最终提升查询性能，先确定需要分析的维度字段，然后通过预处理的形式，对各个维度进行组合并事先聚合，最后将结果保存起来
3.Hybrid OLAP(混合架构OLAP)，这种思路可以理解为ROLAP和MOLAP两者的集成，简单了解一下即可
二、ClickHouse架构
ClickHouse是一款MPP架构的列式存储数据库，它使用了多主对等网络结构，但它同时也是基于关系模型ROLAP方案。
1.CilckHouse的核心特征
(1) 完备的DBMS功能，CilckHouse拥有完备的管理功能，作为一个DBMS，它具备DDL，DML，权限控制，数据备份与恢复(提供了数据备份导出与导入恢复机制，满足生产环境的需要)，分布式管理(提供集群模式，能够自动管理多个数据库节点)
(2) 列式存储与数据压缩，列式存储和数据压缩，对于一个高性能数据库来说是必不可少的特性，想让查询效率变快，最简单且有效的方法就是减少数据扫描范围和数据传输的大小，一般来说列式存储是数据压缩的前提。
行式存储与列式存储相比，后者可以减少查询时所需扫描的数据量，比如一张表有A1~A50的字段，我需要查询A1~A5，行式存储会扫描出所有的字段，即使我只需要前5个字段，但数据是按行进行组织的，实际上还是扫描了所有字段；而列式存储，可以直接获取数据的前5个字段，避免了多余数据扫描的问题。
数据压缩的实质就是，当数据发生重复时，就会对重复的数据进行编码转换，重复的数据越多，则压缩率越高，压缩率越高，则数据的体积就越小，在网络中的传输越快，对网络带宽和磁盘IO的压力就越小。
ClickHouse就是按列进行组织，属于同一列的数据会被保存到一起，列于列之间也会有不同的文件分别保存(MergeTree表引擎)，数据默认使用LZ4算法压缩，在Yandex.Metrica的生产环境中，数据总体的压缩比可以达到8 : 1。
(3) 向量化执行引擎，向量化执行寄存器在硬件层面的特性，为上层应用程序性能带来了指数级的提升。可以把它看作一项消除程序中循环的优化，如一台机器要运行10个任务，需要把一个一个把任务执行完，但是如果把机器扩充到10台，则运行10个任务只需要一次就够了。
为了实现向量化执行，需要利用CPU的SIMD指令，SIMD全称是Single Instruction Multiple Data，即用单条指令操作多条数据，它是通过数据并行以提高性能的一种实现方式，原理是在CPU寄存器层面实现数据的并行操作。在计算机系统的体系结构中，存储系统是一种层次结构，存储媒介距离CPU越近，则访问数据的速度越快。
CPU寄存器
从寄存器中访问数据的速度，是从内存中访问的数据速度的300倍，是从磁盘中访问数据速度的3000万倍，所以利用CPU向量化执行的特性，对于程序的性能提升意义非凡。(ClickHouse可以把CPU占满)
(4) 关系模型与SQL查询，ClickHouse使用关系模型并提供了传统数据库的概念，如数据库，表，视图，函数等，而且ClickHouse完全使用SQL作为查询语言(大小写敏感，语意不一样，而且使用join非常慢)
ClickHouse使用了关系模型，所以将构建在传统关系型数据库或数据仓库之上的系统迁移到ClickHouse的成本会非常低。
(5) 多样化的表引擎，ClickHouse将存储部分进行了抽象，把存储引擎作为一层独立的接口，它拥有合并树，内存，文件，接口和其他6大类20多种表引擎。
将表引擎独立设计的优点是通过特地表引擎支撑特定的场景，非常灵活，可以根据不同的场景使用不同的引擎降低成本。
(6) 多线程与分布式，ClickHouse大量使用了多线程技术以实现提速，以此和向量化执行形成互补。ClickHouse在数据存取方面，既支持分区(纵向扩展，利用多线程原理)，也支持分片(横向扩展，利用分布式原理)，可以说将多线程和分布式技术用到了极致。
(7) 多主架构，ClickHouse采用了Multi-Master多主架构，集群中的每个节点角色对等，客户端访问任何一个节点都能得到相同的效果，这种架构可以不用再区分主控节点，集群中所有节点功能相同，天然规避了单节点故障，使系统架构变得简单(多适合数据中心，异地多活等场景)
(8) 在线查询，即在复杂查询的场景下，也能做到极快响应，且无须对数据进行任何预处理加工。
(9) 数据分片与分布式查询，数据分片是对数据进行横向切分，是在海量数据的场景下，解决存储和查询瓶颈的有效手段，是一种分治思想的体现。
ClickHouse提供了本地表与分布式表的概念，一张本地表等于一份数据的分片，分布式表本身不存储任何数据，它是本地表的访问代理，借助分布式表，能够代理访问多个数据分片，从而实现分布式查询。
2.ClickHouse的架构设计
(1) Column与Field，Column和Field是CilckHouse数据最基础的映射单元，内存中的一列数据由一个Column对象表示，Cloumn对象分为接口和实现两个部分，在IColumn接口对象中，定义了对数据进行各种关系运算的方法(insertRangeFrom，insertFrom插入数据，cut分页，filter过滤)，大多数情况下，CilckHouse都会以整列的方式操作数据，如果需要操作单个具体的值，需要使用Field对象，Field对象代表一个单值，Field对象使用了聚合的设计模式(在Field对象内部聚合了Null，UInt64，String，Array等13种数据类型及处理逻辑)
(2) DataType，数据的序列化与反序列化工作由DataType负责，IDataType接口定义了许多正反序列化的方法，它们成对出现(serializeBinary和deserializeBinary等)，使用了泛化的设计模式，具体方法的实现由对应数据类型实现和承载。
(3) Block与Block流，ClickHouse的内部数据操作是面向Block对象进行的，并且采用了流的形式，Block对象可以看作数据表的子集，Block对象的本质是由数据对象，数据类型和列名称组成的三元组(Column，DataType和列名称字符串)，Colum提供了数据的读取能力，DataType知道了数据如何正反序列化，所以Block在这些对象的基础上实现了进一步的抽象和封装，简化了整个使用过程，仅通过Block对象就能完成一系列的数据操作(具体实现并没有直接聚合Column和DataType对象，而是通过ColumnWithTypeAndName对象进行间接引用)。
Block流有两组顶层接口，IBlockInputStream负责数据的读取和关系运算，IBlockOutputDtream负责将数据输出到下一环节，Block流也使用了泛化的设计模式，对数据的各种操作最终都会转换成其中一种流的实现。
IBlockInputStream的实现类大概可以分为三类，第一类是用于处理数据定义的DDL操作，如DDLQueryStatusInputStream等；第二类是用于处理关系运算的相关操作，如LimitBlockInputStream等；第三类则是与表引擎呼应，每一种表引擎都有对应的BlockInputStream实现，如MergeTreeBaseSelectBlockInputStream(MeregeTree表引擎)。
(4) Table，在数据表的底层设计中没有Table对象，它直接使用了IStorage接口指代数据表，不同的表引擎由不同的子类实现(IStorageSystemOneBlock系统表，StorageMergeTree合并树引擎，StorageTinyLog日志表引擎)，在数据查询的时候，IStorage负责根据AST查询语句的指示要求，返回指定列的原始数据，后续对数据的进一步加工，计算，过滤，则会统一交由Interpreter解释器对象处理。
(5) Parser与Interpreter，Parser与Interpreter是非常重要的两组接口，Parser分析器负责创建AST对象，Interpreter解释器则负责解释AST，并进一步创建查询的执行管道，它们与IStorage一起串联成了整个数据查询的过程，Parser分析器可以将一条SQL语句以递归下降的方法解析成语法树的形式，不同的SQL会由不同的Parser实现类解析；Interpreter解释器会根据解释器的类型，聚合它所需的资源，首先会解析成AST对象，然后执行业务逻辑，最终返回IBlock对象，以线程的形式建立起一个查询执行管道。
(6) Functions与Aggregate Functions，ClickHouse主要提供两类函数，普通函数和聚合函数，普通函数由IFunction接口定义，拥有数十种函数实现，例如FunctionFormatDateTime，FunctionSubstring等，普通函数是没有状态的，函数效果作用于每行数据之上，函数在执行的过程中，并不会一行一行的运算，而是采用向量化的方式直接作用于一整列数据。
聚合函数由IAggregateFunction接口定义，聚合函数是有状态的(以增量的方式实现)，聚合函数的状态支持序列化与反序列化，所以能够在分布式节点之间进行传输。
(7) Cluster与Replication，ClickHouse的集群由分片(Shard)组成，而每个分片又通过副本(Replica)组成。ClickHouse的1个节点只能拥有1个分片，也就是说如果要实现1分片，1副本，则至少需要部署2个服务节点，分片只是一个逻辑概念，其物理承载还是由副本承担的。
<ch_cluste>
<shard>
<replica>
<host>10.37.129.6</host>
<port>9000</port>
</replica>
<replica>
<host>10.37.129.7</host>
<port>9000</port>
</replica>
</shard>
</ch_cluste>
以上代码，在物理存储层面则统一使用副本代表分片和副本，所以真正表示1分片，1副本语义的配置，应该改为1个分片和2个副本。
3.ClickHouse为什么这么快
(1) 着眼硬件，先想后做。ClickHouse会在内存中进行GROUP BY，并且使用HashTable装载数据，他们非常在意CPU L3级别的缓存，因为一次L3的缓存失效会带来70～100ns的延迟，这意味着在单核CPU上，会浪费4000万次/秒的运算，而在一个32线程的CPU上，则可能会浪费5亿次/秒的运算，正是因为这些细节，ClickHouse在基准查询的时候能做到1.75亿次/秒的数据扫描性能。
(2) 算法在前，抽象在后。ClickHouse选择的算法：对于常量，使用了Volnitsky算法；对于非常量，使用了CPU的向量化执行SIMD，暴力优化；正则匹配使用re2和hyperscan算法。性能是算法选择的首要考量指标。
(3) 勇于尝鲜，不行就换。ClickHouse会使用最合适，最快的算法，如果市面上出现了号称性能最强大的新算法，ClickHouse团队会立即将其纳入并进行验证。如果效果不错，就保留使用；如果性能不尽人意，就将其抛弃。
(4) 特定场景，特殊优化。针对于同一场景的不同状况，选择使用不同的实现方式，尽可能将性能最大化，如去重函数uniqCombined函数，会根据数据量的不同选择不同的算法，当数据量小的时候，会使用Array保存，当数据量中等的时候，使用HashSet保存，当数据量很大的时候，则使用HyperLogLog算法。
SIMD被广泛地应用于文本转换，数据过滤，数据解压和JSON转换等场景，它利用了寄存器进行暴力优化。
(5) 持续测试，持续改进。ClickHouse拥有一个能够持续验证，持续改进的机制，由于Yandex的天然优势，ClickHouse经常会使用真实的数据进行测试，很好地保证了测试场景的真实性。