DB4AI-Snapshots数据版本管理

DB4AI-Snapshots是DB4AI模块用于管理数据集版本的功能。通过DB4ai-Snapshots组件，开发者可以简单、快速地进行特征筛选、类型转换等数据预处理操作，同时还可以像git一样对训练数据集进行版本控制。数据表快照创建成功后可以像视图一样进行使用，但是一经发布后，数据表快照便固化为不可变的静态数据，如需修改该数据表快照的内容，需要创建一个版本号不同的新数据表快照。

DB4AI-Snapshots的生命周期

DB4AI-Snapshots的状态包括published、archived以及purged。其中，published可以用于标记该DB4AI-Snapshots 已经发布，可以进行使用。archived表示当前 DB4AI-Snapshots 处于“存档期”，一般不进行新模型的训练，而是利用旧数据对新的模型进行验证。purged则是该DB4AI-Snapshots 已经被删除的状态，在数据库系统中无法再检索到。

需要注意的是快照管理功能是为了给用户提供统一的训练数据，不同团队成员可以使用给定的训练数据来重新训练机器学习模型，方便用户间协同。为此私有用户和三权分立状态(enableSeparationOfDuty=ON)等涉及不支持用户数据转写等情况将不支持Snapshot特性。

用户可以通过“CREATE SNAPSHOT”语句创建数据表快照，创建好的快照默认即为published状态。可以采用两种模式创建数据表快照，即为MSS以及CSS模式，它们可以通过GUC参数db4ai_snapshot_mode进行配置。对于MSS模式，它是采用物化算法进行实现的，存储了原始数据集的数据实体；CSS则是基于相对计算算法实现的，存储的是数据的增量信息。数据表快照的元信息存储在DB4AI的系统目录中。可以通过db4ai.snapshot 系统表查看到。

可以通过“ARCHIVE SNAPSHOT”语句将某一个数据表快照标记为archived状态，可以通过“PUBLISH SNAPSHOT”语句将其再度标记为published状态。标记数据表快照的状态，是为了帮助数据科学家进行团队合作使用的。

当一个数据表快照已经丧失存在价值时，可以通过“PURGE SNAPSHOT”语句删除它，以便永久删除其数据并恢复存储空间。

DB4AI-Snapshots使用指导

  1. 创建表以及插入表数据。

数据库内存在已有的数据表，可根据该已有的数据表创建对应的数据表快照。为了后续演示，在此处新建一个名为 t1 的数据表，并向其中插入测试数据。

1. create table t1 (id int, name varchar); 2. insert into t1 values (1, 'zhangsan'); 3. insert into t1 values (2, 'lisi'); 4. insert into t1 values (3, 'wangwu'); 5. insert into t1 values (4, 'lisa'); 6. insert into t1 values (5, 'jack');

通过SQL语句，查询搭配数据表内容。

1. SELECT * FROM t1; 2. id | name 3. ----+---------- 4. 1 | zhangsan 5. 2 | lisi 6. 3 | wangwu 7. 4 | lisa 8. 5 | jack 9. (5 rows) 2. 使用DB4AI-Snapshots。

  • 创建DB4AI-Snapshots

    • 示例1：CREATE SNAPSHOT…AS

    示例如下，其中，默认版本分隔符为 “@”, 默认子版本分割符为 “.”，该分割符可以分别通过GUC参数db4ai_snapshot_version_delimiter以及db4ai_snapshot_version_separator进行设置。

    1. create snapshot s1@1.0 comment is 'first version' as select * from t1; 2. schema | name 3. --------+-------- 4. public | s1@1.0 5. (1 row)

    上述结果提示已经创建了数据表 s1的快照，版本号为 1.0。创建好后的数据表快照可以像使用一般视图一样进行查询，但不支持通过“INSERT INTO”语句进行更新。例如下面几种语句都可以查询到数据表快照s1的对应版本 1.0的内容：

    1. SELECT * FROM s1@1.0; 2. SELECT * FROM public.s1@1.0; 3. SELECT * FROM public . s1 @ 1.0; 4. id | name 5. ----+---------- 6. 1 | zhangsan 7. 2 | lisi 8. 3 | wangwu 9. 4 | lisa 10. 5 | jack 11. (5 rows)

    可以通过下列SQL语句修改数据表t1的内容：

    1. UPDATE t1 SET name = 'tom' where id = 4; 2. insert into t1 values (6, 'john'); 3. insert into t1 values (7, 'tim');

    再检索数据表t1的内容时，发现虽然数据表t1的内容已经发生变化，但是数据表快照 s1@1.0 版本的查询结果并未发生变化。由于数据表t1的数据已经发生了改变，如果将当前数据表的内容作为版本2.0，则可创建快照s1@2.0,创建的SQL语句如下：

    1. create snapshot s1@2.0 as select * from t1;

    通过上述例子，我们可以发现，数据表快照可以固化数据表的内容，避免中途对数据的改动造成机器学习模型训练时的不稳定，同时可以避免多用户同时访问、修改同一个表时造成的锁冲突。 - 示例2：CREATE SNAPSHOT…FROM

    SQL语句可以对一个已经创建好的数据表快照进行继承，利用在此基础上进行的数据修改产生一个新的数据表快照。例如：

    1. create snapshot s1@3.0 from @1.0 comment is 'inherits from @1.0' using (INSERT VALUES(6, 'john'), (7, 'tim'); DELETE WHERE id = 1); 2. schema | name 3. --------+-------- 4. public | s1@3.0 5. (1 row)

    其中，“@”为数据表快照的版本分隔符，from子句后加上已存在的数据表快照，用法为“@”+版本号，USING关键字后加入可选的几个操作关键字（INSERT …/UPDATE …/DELETE …/ALTER …）,其中 “INSERT INTO”以及“DELETE FROM”语句中的“INTO”、“FROM”等与数据表快照名字相关联的子句可以省略，具体可以参考AI特性函数。

    示例中，基于前述s1@1.0快照，插入2条数据，删除1条新的数据，新生成的快照s1@3.0，检索该s1@3.0：

    1. SELECT * FROM s1@3.0; 2. id | name 3. ----+---------- 4. 2 | lisi 5. 3 | wangwu 6. 4 | lisa 7. 5 | jack 8. 6 | john 9. 7 | tim 10. (7 rows) - 删除数据表快照SNAPSHOT

    1. purge snapshot s1@3.0; 2. schema | name 3. --------+-------- 4. public | s1@3.0 5. (1 row)

    此时，已经无法再从s1@3.0 中检索到数据了，同时该数据表快照在db4ai.snapshot视图中的记录也会被清除。删除该版本的数据表快照不会影响其他版本的数据表快照。 - 从数据表快照中采样

    示例：从snapshot s1中抽取数据，使用0.5抽样率。

    1. sample snapshot s1@2.0 stratify by name as nick at ratio .5; 2. schema | name 3. --------+------------ 4. public | s1nick@2.0 5. (1 row)

    可以利用该功能创建训练集与测试集，例如：

    1. SAMPLE SNAPSHOT s1@2.0 STRATIFY BY name AS _test AT RATIO .2, AS _train AT RATIO .8 COMMENT IS 'training'; 2. schema | name 3. --------+---------------- 4. public | s1_test@2.0 5. public | s1_train@2.0 6. (2 rows) - 发布数据表快照

    采用下述SQL语句将数据表快照 s1@2.0 标记为published 状态：

    1. publish snapshot s1@2.0; 2. schema | name 3. --------+-------- 4. public | s1@2.0 5. (1 row) - 存档数据表快照

    采用下述语句可以将数据表快照标记为 archived 状态：

    1. archive snapshot s1@2.0; 2. schema | name 3. --------+-------- 4. public | s1@2.0 5. (1 row)

    可以通过db4ai-snapshots提供的视图查看当前数据表快照的状态以及其他信息：

    1. select * from db4ai.snapshot; 2. id | parent_id | matrix_id | root_id | schema | name | owner | commands | comment | published | archived | created | row_count 3. ----+-----------+-----------+---------+--------+------------+--------+------------------------------------------+---------+-----------+----------+----------------------------+----------- 4. 1 | | | 1 | public | s1@2.0 | omm | {"select *","from t1 where id > 3",NULL} | | t | f | 2021-04-17 09:24:11.139868 | 2 5. 2 | 1 | | 1 | public | s1nick@2.0 | omm | {"SAMPLE nick .5 {name}"} | | f | f | 2021-04-17 10:02:31.73923 | 0 3. 异常场景

  • 数据表或db4ai-snapshots不存在时。

    ``` 1. purge snapshot s1nick@2.0; 2. publish snapshot s1nick@2.0; 3. --------- 4. ERROR: snapshot public."s1nick@2.0" does not exist 5. CONTEXT: PL/pgSQL function db4ai.publish_snapshot(name,name) line 11 at assignment

    1. archive snapshot s1nick@2.0;
    3. ERROR: snapshot public."s1nick@2.0" does not exist
    4. CONTEXT: PL/pgSQL function db4ai.archive_snapshot(name,name) line 11 at assignment ```
    5. 删除snapshot时，有依赖该快照的其他snapshot，需先确保删除对本快照所依赖的其他快照。

    1. purge snapshot s1@1.0; 2. ERROR: cannot purge root snapshot 'public."s1@1.0"' having dependent snapshots 3. HINT: purge all dependent snapshots first 4. CONTEXT: referenced column: purge_snapshot_internal 5. SQL statement "SELECT db4ai.purge_snapshot_internal(i_schema, i_name)" 6. PL/pgSQL function db4ai.purge_snapshot(name,name) line 71 at PERFORM 4. 相关GUC参数

  • db4ai_snapshot_mode：

    Snapshot有2种模式：MSS（物化模式，存储数据实体）和CSS（计算模式，存储增量信息）。Snapshot可在MSS和CSS之间切换快照模式，默认是MSS模式。 - db4ai_snapshot_version_delimiter：

    该参数为数据表快照版本分隔符。“@”为数据表快照的默认版本分隔符。 - db4ai_snapshot_version_separator

    该参数为数据表快照子版本分隔符。“.”为数据表快照的默认版本分隔符。 5. DB4AI Schema下的数据表快照详情db4ai.snapshot。

1. openGauss=# \d db4ai.snapshot 2. Table "db4ai.snapshot" 3. Column | Type | Modifiers 4. -----------+-----------------------------+--------------------------- 5. id | bigint | 6. parent_id | bigint | 7. matrix_id | bigint | 8. root_id | bigint | 9. schema | name | not null 10. name | name | not null 11. owner | name | not null 12. commands | text[] | not null 13. comment | text | 14. published | boolean | not null default false 15. archived | boolean | not null default false 16. created | timestamp without time zone | default pg_systimestamp() 17. row_count | bigint | not null 18. Indexes: 19. "snapshot_pkey" PRIMARY KEY, btree (schema, name) TABLESPACE pg_default 20. "snapshot_id_key" UNIQUE CONSTRAINT, btree (id) TABLESPACE pg_default

DB4AI-Snapshots数据版本管理 - 图1 说明： 命名空间DB4AI是本功能的私有域，不支持在DB4AI的命令空间下创建函数索引（functional index）。