Apache Druid Post-Aggregations性能与rollup下指标定义权衡分析

• 查询时延差异
  预定义指标是摄入阶段就完成计算落盘的，查询时直接读取结果即可，时延稳定不受计算逻辑复杂度影响。后置聚合（Post-Aggregations）是查询阶段对基础聚合结果做二次运算，查询涉及的segment越多、计算逻辑越复杂，时延上涨越明显，高并发场景下更容易触发性能瓶颈。
• 存储成本取舍
  预定义的每一个指标都会占用独立的磁盘存储空间，衍生指标数量越多，存储开销就越高，还会拉低rollup的整体数据压缩比。后置聚合不需要额外存储衍生指标，存储成本更低，适配指标数量多、迭代频率高的场景。
• 摄入性能影响
  预定义指标需要在摄入（实时流式摄入/批量离线导入）阶段完成全量计算，会提升摄入环节的CPU、内存开销，复杂的预定义计算逻辑甚至会拖慢摄入速度、抬高实时数据延迟。后置聚合完全不占用摄入环节的资源，适合对数据新鲜度要求高、摄入吞吐量需求大的场景。
• 查询资源消耗差异
  预定义指标的查询仅消耗数据扫描的IO和少量CPU资源，同等查询量下集群资源占用更低，可支撑的并发查询量更高。后置聚合会大量消耗Broker、Historical节点的CPU资源，尤其是涉及多指标嵌套运算、基数统计类的复杂后置逻辑时，很容易占满集群CPU，影响其他正常查询的运行。
• 灵活性与长期成本的平衡
  预定义指标仅支持提前规划好的计算逻辑，后续新增衍生指标需要重跑全量历史数据回溯，运维成本非常高。后置聚合可随时调整计算逻辑，无需回溯历史数据，灵活性极强，更适配探索性分析、指标需求变化快的业务场景。

内容的提问来源于stack exchange，提问作者Manikanta Dornala