StarRocks 是新一代极速全场景的 MPP（Massively Parallel Processing，大规模并行处理）数据库。StarRocks 兼容 MySQL 协议，用户可通过标准 SQL 连接并操作集群，无需引入额外的组件即可支撑实时报表、多维分析、用户画像、数据湖分析等多种业务场景。

BMR 已支持创建 StarRocks 集群，并同时提供存算一体和存算分离两种部署形态，用户可根据成本与弹性需求灵活选择。

说明：不同 BMR 版本对应支持的 StarRocks 组件版本不同，具体支持版本以创建集群时可选的组件版本为准。新业务建议选择 StarRocks 3.x 版本。

产品特性

1. MPP 分布式执行框架：查询请求被拆分为多个物理计算单元，在多台节点上并行执行，每个节点拥有独享的 CPU、内存资源，查询性能可随集群规模水平扩展。
2. 全面向量化执行引擎：按列式方式组织和处理数据，充分利用 CPU Cache 特性和 SIMD 指令，大幅提升算子执行性能。
3. CBO 优化器：基于代价的（Cost-Based Optimizer）优化器，支持公共表达式复用、相关子查询重写、Join Reorder、Join 分布式执行策略选择、低基数字典优化等能力，可完整支持 TPC-DS 99 条 SQL。
4. 可实时更新的列式存储引擎：相同类型的数据连续存放并采用高效编码，获得更高压缩比，降低 I/O 总量，提升查询性能，同时支持数据的实时更新。
5. 智能的物化视图：物化视图可自动根据原始表更新数据，查询时自动进行查询改写（Query Rewrite），定位到最合适的物化视图加速查询。
6. 数据湖分析：通过 External Catalog 直接查询存储在 Hive、Iceberg、Hudi、Delta Lake 等数据湖中的数据，无需数据迁移。

应用场景

1. 实时报表与分析：面向在线业务的实时报表、看板与多维分析，支撑高并发、低延迟的查询请求。
2. 用户画像与行为分析：对海量用户行为数据进行标签计算、人群圈选与漏斗分析。
3. 数据湖查询分析：通过 External Catalog 联邦查询数据湖中的数据，构建湖仓一体的分析能力。
4. 日志管理与分析：对大规模日志数据进行实时写入、检索与聚合分析。

系统架构

StarRocks 支持存算一体架构 (每个 BE 节点将其数据存储在本地存储) 和存算分离架构 (所有数据存储在对象存储或 HDFS 中，每个 CN 仅在本地存储缓存)。您可以根据需要决定数据存储的位置。

存算一体

存算一体（shared-nothing）架构由 FE 和 BE 两类节点组成，数据存储在 BE 节点的本地磁盘上。

表一 存算一体架构节点说明

节点类型	说明
FE（Frontend）	前端接入节点，负责管理元数据、管理客户端连接、查询规划与查询调度。每个 FE 节点在内存中保留完整元数据，对外提供无差别服务
BE（Backend）	后端数据存储与计算节点，负责数据存储和 SQL 计算。BE 节点对等，支持横向扩缩容

存算一体架构下数据存储在 BE 本地磁盘，查询时无需跨网络读取数据，适合对查询延迟要求极高的场景。

存算分离

存算分离（shared-data）架构由 FE 和 CN 两类节点组成，数据持久化存储在远程对象存储（如 BOS）或 HDFS 上，计算节点本地磁盘仅缓存热数据。

表二 存算分离架构节点说明

节点类型	说明
FE（Frontend）	前端接入节点，功能与存算一体架构一致
CN（Compute Node）	计算节点。存储升级为共享存储后，原 BE 的存储功能被抽离，蜕化为无状态的 CN 节点，负责数据导入、查询计算和缓存数据管理

存算分离架构将计算与存储解耦，支持动态增删计算节点实现秒级扩缩容，并借助共享存储降低存储成本，适合需要弹性伸缩、存储规模大而计算需求波动的场景。

说明：存算分离功能需 StarRocks 3.x 及以上版本支持。

相关文档

• 更多信息可参考 StarRocks 官网。