火山模型与逐行处理
传统数据库执行引擎采用火山模型（Volcano Model，又称迭代器模型）。每个算子实现为迭代器，向上层提供next()接口返回一行数据，上层算子循环调用下一层算子的next()获取输入行。SELECT查询的执行是算子树自顶向下拉动数据、自底向上返回结果的过程。
火山模型的优点是算子解耦、流式处理、内存占用低，每个算子只需处理一行，无需物化中间结果。缺点是逐行处理的调用开销大。每次next()调用涉及虚函数分派、类型检查、边界判断，这些固定开销在单行处理时占比极高。当处理10亿行数据时，函数调用开销本身就构成主要开销。这一模型对时序数据库的聚合查询形成了明显制约。
逐行处理还阻碍了CPU的并行能力。现代CPU的流水线、超线程、SIMD向量单元都需要指令级的并行数据流才能发挥。逐行处理中，每行数据的类型和值都不同，分支预测失效，SIMD无法应用，CPU大部分时间花在分支判断和小数据处理上，指令级并行度低。
向量化执行的基本思想
向量化执行（Vectorized Execution）的核心是把”一次处理一行”改为”一次处理一批（batch）”。算子不再返回单行，而是返回一个包含多行（通常1000-10000行）的列式批数据。算子内部循环遍历批内数据完成计算。
批处理摊薄了每个算子的固定开销。函数调用、类型检查、边界判断的开销被批内所有行分摊，单行的调用开销从数纳秒降至亚纳秒。批数据以列的数组形式组织（而非行的结构体数组），连续内存布局提高了缓存命中率。
向量化的另一个收益是编译器与CPU的优化空间。批内循环是简单的数据并行循环，编译器可以自动向量化，CPU的SIMD单元可以一次处理多个数据元素。批处理还消除了逐行处理中的分支预测失败，循环内无分支，流水线效率提升。
执行模型 | 处理单位 | 调用开销 | SIMD利用率 | 缓存效率 | 内存占用 |
火山模型 | 单行 | 高 | 极低 | 低 | 低 |
向量化 | 批次 | 低 | 高 | 高 | 中 |
编译执行 | 批次 | 最低 | 高 | 高 | 中 |
列式存储与向量化的契合
列式存储是时序数据库与向量化执行的共同基础。行式存储中，同一行的不同列在内存中连续，向量化处理某一列时需要跨行跳跃访问（步长等于行宽），无法连续读取。列式存储中，同一列的所有值在内存中连续，向量化处理某一列时只需顺序读取连续内存，缓存友好且便于SIMD加载。
时序数据的写入模式与存储结构决定了列式的必要性。时序数据以时间为序写入，同一时间线的同一指标连续排列，天然适合列式存储。查询聚合时只访问聚合涉及的列，列式存储配合列裁剪（Column Pruning）跳过多余列，扫描量降低。向量化执行在列式数据上遍历，SIMD加载连续的数据块，聚合计算的吞吐量显著提升。
过滤（Filter）是向量化的典型受益算子。过滤条件如”温度大于80℃”，在列式数据上对整列做批量比较，生成位图（Bitmap）标记命中的行，后续算子按位图选择数据。相比逐行判断，批量比较的SIMD吞吐可达每周期数十个元素。
SIMD指令集与算子实现
SIMD（单指令多数据）是CPU提供的向量计算能力。x86平台的AVX2指令为256位（一次处理8个32位整数或4个64位浮点），AVX-512为512位；ARM平台的NEON为128位，SVE为可变长。向量化执行引擎在热点算子中使用SIMD指令，单条指令处理多个数据。
以求和为例，标量循环累加每周期处理1个浮点数；AVX2的加法指令一次处理8个浮点数，理论加速8倍。实际加速受内存带宽限制，因为AVX2峰值吞吐超过内存供给速度，真正瓶颈转移到内存带宽而非计算。这也是列扫描型查询（如聚合）加速明显、随机访问型查询（如点查）加速有限的原因。
SIMD主要用于规整的数值计算——算术运算、比较、位运算、min/max、sum/count。算子需要将条件分支转换为无分支形式以适配SIMD。例如聚合”按分组键求和”，若分组键稀疏分布，SIMD难以处理；若分组数量少且可用哈希表固定映射，则可以让SIMD批量计算各分组的局部和。
指令集 | 位宽 | float32/指令 | int32/指令 | 平台 |
SSE | 128位 | 4 | 4 | x86 |
AVX2 | 256位 | 8 | 8 | x86 |
AVX-512 | 512位 | 16 | 16 | x86 |
NEON | 128位 | 4 | 4 | ARM |
算子向量化：过滤、聚合与连接
过滤算子最容易向量化。谓词计算（如 col > const）在列上批量执行，输出选择向量（Selection Vector，记录命中行的下标）或位图。选择向量方式的优点是避免了数据拷贝，后续算子按选择向量下标访问数据。
聚合算子（count/sum/avg/min/max）向量化程度高。求和、最小值、最大值可以直接用SIMD的横向归约指令；平均需要求和与计数两个归约。分组聚合（GROUP BY）的向量化较复杂，通常采用”先哈希分组、再分组内向量化聚合”的两阶段策略——第一阶段按分组键计算分组ID，第二阶段对每个分组的数据向量化聚合。
连接算子（JOIN）的向量化收益相对有限，因为连接涉及随机访问与哈希探测，访问模式不规整。时序场景中的连接主要是标签表与数据表的连接（类似维表关联），标签表小且可缓存，连接的随机访问主要体现在数据表侧。
结语
向量化执行引擎的加速效果来自两方面：摊薄算子的固定调用开销，以及利用CPU的SIMD与缓存能力。它把数据库的执行效率从逐行解释执行提升到批量编译执行的层次。对于以聚合与扫描为主的时序查询，向量化的收益尤为显著——这也是近年新架构的时序数据库普遍采用向量化执行引擎的原因。TDengine的向量化查询引擎结合列式存储，使大范围聚合查询的吞吐量相比逐行引擎有明显提升，为高基数、大数据量场景下的交互式分析提供了执行层面的支撑。
