SQL 引擎重磅升级
计算引擎切换为 C++ 版本，充分利用 CPU 的 SIMD 指令集加速能力。
计算存储融合，将计算和存储（只读）并入一个进程，减少数据转换和拷贝开销。
Pipeline 计算模型支持细粒度并行，充分释放单机多核 CPU 的计算能力。
调度模型升级，使任务调度更均衡和稳定，减少数据倾斜，并充分利用历史亲和力和多级缓存。
更优的分布式执行计划，优化了多 count distinct、高基数聚合等场景。
增量计算，对于相同的 SQL，复用历史局部查询结果，只计算最新的数据。
数据缓存，引入阿里自研的缓存组件，自适应缓存列存数据，减少直接 IO 开销。
高频函数性能升级，包括 ip 函数、json 函数等，性能有数倍甚至数十倍的提升。
支持 logstore 的跨 project、跨 region 的查询和分析，更多细节参考 StoreView[1]。
整体提升效果
Cloud Native
下图是线上某大集群升级后，SQL 整体延时的变化情况，平均延时下降了 50%，整体性能提升了一倍左右，同时查询毛刺大幅减少。
典型场景提升效果
Cloud Native
下面给出一些典型分析场景的具体示例，来看看 SQL 引擎升级之后的表现情况。
1. 千亿规模单列聚合秒级完成，万亿规模仅需 10s
2. 中间结果复用，支持增量计算
先查一段时间的数据，1.5 秒左右完成。
相同的查询条件，查询时间范围扩大 10 分钟，400 毫秒完成。
3. json 函数性能大幅提升
新引擎优化了 json 函数的实现，和旧引擎相比，平均有数倍的提升。
以 json_extract_scalar 处理函数为例，对 1.7 亿条包含 json 字段的日志数据进行计算分析。
使用老引擎，耗时 34.9 秒，结果不精确。
使用新引擎，耗时 5.8 秒完成，且结果精确，json 处理性能提升了 6 倍以上。
4. ip 函数性能 10 倍以上提升
对 10 亿行包含 ClientIp 字段的日志数据进行子网网段计算分析，使用老引擎，耗时 20s。
使用新引擎，耗时 1s 内完成，性能提升 20 倍左右。
4.2 依赖 IP 数据库查询
对 87 亿行包含 ClientIp 字段的日志数据进行 IP 计算分析，使用老引擎，耗时 24s。
使用新引擎，耗时 2s 完成，性能提升 12 倍左右。
5. 千万级高基数聚合 2s 内完成
计算引擎专门针对高基数聚合场景进行了特定优化，分别对数值型和字符型两种高基数聚合场景进行测试。
5.2 字符型高基数聚合
通过设置合适的并行度，延时进一步减少到 6.2s。
6. 多列聚合性能提升
测试 1000 亿规模数据，同时对两列进行 group by 聚合分析，一列是数值型，一列是字符型。
7. 多表 join 性能提升
使用 compare 函数计算同比。
备注：所有测试均在线上环境进行，使用模拟数据，数值列为随机值，字符列为长度 24-30 之间的随机字符，上述测试指标与测试数据、shard 数量、集群节点规模均有一定关系，以实测数据为准。
典型案例：以游戏运营分析为例
Cloud Native
引擎升级之后，SLS 具备基于日志数据的快速运营分析能力，无需建仓、无需额外组件（如消息、流处理、数仓等）投入，一站式的日志采集、存储、加工，可见即可得的查询、监控告警、运营分析，为业务带来了前所未有的轻松体验，特别适合以数据为驱动的业务场景快速落地。
下面，我们将以游戏运营分析场景为例，给大家分享一些使用实践。
1. 基于 SQL 设置业务监控告警
event:register | select__time__ - __time__ % 60 as time,serverId as "区服Id",count(*) as "注册数"group by time,serverIdhaving "注册数" > 5000order by "注册数" desc
2. 使用 compare 函数实现 PV/UV 同环比监控
通过 SLS 内置的 compare 函数（内部转化成 join 统计分析）可以轻松获取用户 PV/UV 同环比数据分析。
基于 SQL 实现 PV/UV 环比：
* | select diff[1] as today, round((diff[3]-1.0)*100, 2) as growthfrom (select compare(pv, 86400) as difffrom (select count(distinct remote_addr) as pv from log))
* | select t, diff[1] as today, diff[2] as yestoday, diff[3] as percentagefrom (select t, compare(pv, 86400) as difffrom (select count(1) as pv, date_format(from_unixtime(__time__), '%H:%i') as tfrom log group by t)group by t order by t)
3. 基于 SQL 搭建看板/大盘/报表
4. 和 MySQL 外表（在线业务数据）做联邦查询，实现业务运营分析
有了外表支持，比如想要分析不同性别的活跃用户分布，通过以下 SQL 即可实现：
-- sls_join_meta_store是一个外表（MySQL或OSS）* |selectcase gender when 1 then '男性' else '女性' end as gender,count(1) as pvfrom log l join sls_join_meta_store u on l.userid = u.uidgroup by genderorder by pv desc
更多特性，敬请期待
Cloud Native
在全新 SQL 引擎升级基础之上，我们接下来还将陆续推出更进一步的特性支持。
1）过滤下推
2）完全精确
建设了更完善的隔离和流控体系，进一步提升了 Qos 保障，通过隔离的资源池为用户提供“完全精确”模式，确保能够读取用户指定时间范围内的全量数据，实现 SQL 分析完全精确。
[1] StoreView
https://help.aliyun.com/zh/sls/user-guide/dataset-storeview-overview
