一、MMP数据库
MPP是massively parallel processing，一般指使用多个SQL由数据库节点构建的数据仓库系统。执行查询时，查询可分散到多个SQL数据库节点上执行，然后汇总返回给用户。MPP解决了单个SQL数据库不能存储大量数据的问题，但也存在一些问题，节点数达到100左右时，MPP有些还会遇到Scalability速度慢或不稳定的问题。此外，当添加或删除节点时，所需的维护工作仍然相对较大，集群将遇到数据迁移和重新平衡的问题。SQL on Hadoop是利用Hadoop在平台上存储数据SQL查询引擎。最大的特点和Scalability它非常好，可以支持1000多个节点的集群。但是由于Hadoop许多查询仍然需要进行大量的数据扫描操作，因此查询速度往往比MPP慢，同时支持并发查询数一般较低。
二、MPP原理
MPP简单来说，原则就是分治思想，均分task。然后每个worker/segment一切都一样sub-task，pipeline实施方式，理想情况下性能非常优异。但是很容易慢下来worker和interconnect所以scalability不好几个节点之后，集群规模没有提高(甚至可能下降)。HADOOP原理更类似batch processing，更细的粒度切割task，worker能者多劳(每一个)worker上述任务可能是不平均和不一致的)。单独worker看，性能不如MPP，但是胜在scalability优秀，几百个节点没问题，远胜集群MPP。此外，在业务方面，传统企业的数据量有限，因此更倾向于full-sql支持的MPP方案。而互联网企业更乐于用hadoop处理更大规模的数据。近年来，两者相互融合学习(MPP提升scalability，hadoop提升sql因此，两者之间的差异在未来应该会越来越模糊，最终可能会产生一个大统一OLAP方案(甚至再融合OLTP)。
三、MPP数据库对比SQL On Hadoop
因为一些SQL On Hadoop系统例如Impala也被称为MPP架构。这是正统的MPP数据库对比SQL On Hadoop。所以对比两边其实就像Vertica，阿里ADS，GreenPlum，Redshift vs Impala，Hive以及SparkSQL，Presto等。两者的很大区别在于对存储的控制。
对于Hadoop就数据而言，数据最常见的存在形式是数据湖，即数据本身没有得到很多分类，数据在阅读时倾向于分析，多个系统处理不同workload共享同一套数据湖。例如，你可以Spark，MR以及Impala读取Hive甚至直接读取数据HDFS上的Parquet，ORC文件。这个数据可以用来做BI数仓也可以用来做ML模型训练等。
而MPP数据库则相反，MPP为了加快速度，需要将数据导入进行一定的处理，并将其整理成优化格式以加速。其结果是，它们的存储类似于黑盒子，其他系统很难直接读取数据。当然Vertica还有其他系统SQL On Hadoop运行模式，但速度会下降，见过Vertica的Benchmark，对比Impala在Hadoop在模式下，优势不大，甚至有些查询速度更慢。这部分性能损失是抛开黑盒存储带来的差异。
另外SQL On Hadoop产品和MPP数据库的许多差异实际上是工程成熟度的差异。例如CBO这种优化在数据库领域可能很常见，但对吧SQL On Hadoop还可以说是个新鲜玩意，至少2016-08-30为止，SparkSQL和Presto还没有CBO。列存的引入也是近几年的事，相对而言Vertica列存应该从诞生开始使用。这些差异很可能很快就会被弥补。底层存储部分，与Parquet ORC这样比较复杂，借用了很多传统数据库领域经验的格式不断优化。也许将来SQL On Hadoop会和MPP数据库越来越近似。
参考文献：