用数据选型：StarRocks 跨架构（arm64 vs x86）基准测试记录

摘要：许多团队在 Amazon EC2 上自建 StarRocks 做实时分析，但选型时往往缺乏同口径的跨架构对比数据。本文基于 TPC-H / TPC-DS SF1000 基准，在 StarRocks 存算分离架构下，横评 Graviton（arm64）与 x86 同规格实例的查询性能与价格性能，给出可复现的量化结论——帮助你用数据而非直觉做出选型决策。

01 引言与背景

02 技术背景

03 测试方法与环境

04 性能结果

05 性价比分析（核心）

06 选型建议

07 成本分析

08 常见问题（FAQ）

09 总结

10 附录

1. 引言与背景

StarRocks 已成为许多团队构建实时数仓、Ad-hoc 分析与湖仓一体的核心引擎。当把它自建部署在 Amazon EC2 上时，团队通常会遇到以下痛点：

成本压力：分析集群往往是 7×24 常驻的大规格实例，计算成本是月度账单的主要部分。
选型惯性：习惯性选择 x86 实例，不确定 AWS Graviton（arm64）是否适配 StarRocks 这类向量化分析负载。
缺乏同口径数据：网上零散的跑分方法论各异，难以直接用于选型决策。
凭感觉而非凭数据：缺少”同一负载、同一方法、跨架构横评”的量化依据。

本文用标准 TPC-H / TPC-DS 基准，在完全一致的方法论下给出跨架构的性能与价格性能数据，帮助你做数据驱动的实例选型。

2. 技术背景

2.1 StarRocks 简介

StarRocks 是一款开源的 MPP（大规模并行处理）、列式存储、向量化执行的高性能分析型数据库，兼容 MySQL 协议，广泛用于实时数仓、Ad-hoc 查询与湖仓分析。

本次测试采用 StarRocks 的存算分离（shared-data）架构

组件	角色	说明
FE（Frontend）	元数据管理、查询解析与调度	轻量，不承担数据扫描
CN（Compute Node）	无状态计算节点，执行扫描/聚合/Join	计算能力的来源，本次横评的主体
对象存储（Amazon S3）	持久化存储层（Storage Volume）	数据与计算解耦，计算层可弹性伸缩

存算分离带来一个关键优势，也正是本文的前提：CN 是无状态的、可随时增删的计算单元，且 StarRocks 原生支持 arm64——这意味着你可以在几乎零改造成本下，把计算层从 x86 切换到 Graviton，只为”更便宜地跑同样的查询”。

2.2 AWS Graviton 简介

AWS Graviton 是 AWS 自研、基于 Arm Neoverse 内核、面向云工作负载优化的处理器。历经多代演进：

代际	代表实例（本文相关）	特点
Graviton3	`r7g`	相较 Graviton2 大幅提升性能与能效
Graviton4	`r8g`	主要增强：L2 Cache 从 1M 增加至 2M；内存采用 12 通道 DDR5-5600 MT/s，整体内存带宽提升 75%。
最新一代 Graviton	`m9g`	主要增强：1/CPU 运行频率从 2.8GHz 提升到 3.3GHz；2/ L3 Cache 容量进一步增强，整 socket 从 36M 提升至 192M；3/ 内存频率进一步提升至 DDR5-8800 MT/s

Graviton 的核心价值主张是更优的性价比：同等规格下通常比对应 x86 实例更便宜，且在众多负载上性能相当或更优。得益于成熟的 arm64 生态（Linux、JVM、容器、主流大数据栈均已原生支持），Java 应用（如 StarRocks）迁移到 Graviton 的成本极低。本文的目标，就是用实测数据检验这一价格性能承诺在 StarRocks OLAP 负载上的真实表现。

3. 测试方法与环境

3.1 架构

每个被测实例类型部署为一套独立的 StarRocks 存算分离集群，彼此隔离、互不干扰：

[图 1]

每套集群：1× FE + 3× 被测机型 CN + 独立 S3 存储卷。
每个 CN 配 500 GB gp3 作为本地 Data Cache（统一配置，消除存储介质变量）。
FE 统一使用 m8g.2xlarge（保持不变，隔离出 CN 这一唯一变量）。

3.2 参测实例（.8xlarge，32 vCPU）

实例	架构	代际	vCPU	内存	按需价格（$/小时，us-west-2）
`m9g.8xlarge`	Graviton (arm64)	最新一代	32	128 GiB	1.565
`m8g.8xlarge`	Graviton (arm64)	Graviton4（通用型）	32	128 GiB	1.436
`r8g.8xlarge`	Graviton (arm64)	Graviton4	32	256 GiB	1.885
`r7g.8xlarge`	Graviton (arm64)	Graviton3	32	256 GiB	1.714
`r6g.8xlarge`	Graviton (arm64)	Graviton2	32	256 GiB	1.613
`r8i.8xlarge`	Intel x86-64	最新一代	32	256 GiB	2.223
`r7i.8xlarge`	Intel x86-64	上一代	32	256 GiB	2.117
`m8i.8xlarge`	Intel x86-64	最新一代	32	128 GiB	1.693
`r6i.8xlarge`	Intel x86-64	第 6 代	32	256 GiB	2.016
`r7a.8xlarge`	AMD x86-64	EPYC	32	256 GiB	2.434

价格为撰写时 us-west-2 Linux 按需价，仅供相对比较；请以 AWS 官方定价为准。阵容涵盖 Graviton 四个代际（2/3/4/最新）、Intel 三代（含第 6 代对照）与 AMD，其中 m8g 与 r8g 同为 Graviton4（通用型 vs 内存型）。

3.3 数据集

基准	规模	关键事实表行数
TPC-H	SF1000	lineitem ≈ 60.0 亿（5,999,989,709）
TPC-DS	SF1000	store_sales ≈ 28.8 亿（2,879,987,999）

所有集群加载后均校验行数一致，确保跨机型可比。

3.4 方法论

StarRocks 3.5.19，Amazon Linux 2023，us-west-2a 单可用区（消除跨 AZ 网络差异）。
数据从 S3 数据集灌入各集群独立存储卷；各集群相互独立，跑测互不争抢。
SF1000 为主结果：每机型跑 3 轮取最优（热运行），消除冷缓存抖动，可信度高。
TPC-H 报告 22 条查询总时长；TPC-DS 报告 99 条查询总时长（poc benchmark 工具输出）。

4. 性能结果

4.1 TPC-H

TPC-H SF1000（22 查询总时长，秒，越小越快）

[图 2]

4.2 TPC-DS

TPC-DS SF1000（99 查询总时长，秒，越小越快）

[图 3]

5. 性价比分析（核心）

单看速度还不够——真正决定账单的是**”跑完同样的工作要花多少钱”**。我们用如下指标衡量价格性能：

性价比指数 = 基准 ÷（总时长 × 计算集群单价），并归一化到最优者 = 100。其中计算集群单价 = 3 × 被测机型按需单价（FE 固定，不计入差异）。指数越高越省钱。

性价比指数（m8g = 100，越高越好）

[图 4]

关键结论

1. Graviton4（m8g）价格性能最优 — TPC-H 和 TPC-DS 双基准均排名第一

（指数 = 100），跑同样负载的花费最低。

2. 同代 Graviton vs x86 省 34%–52% — 以 TPC-H 为例，m8g（1.00×）对比

m8i（1.52×），完成相同查询省钱约 34%；对比 r7i 省约 46%。

3. “便宜 ≠ 慢” — Graviton4 不仅单价低 ~20%（$/h），且查询总时长也领先

（149s vs 194s），价格和性能双赢。

4. 老代 Graviton 仍有竞争力 — r7g（Graviton3）性价比指数 74，仍优于最新

Intel r8i（55）和 AMD r7a（52）。

一个值得注意的细节:本次 Graviton 的领先,是在其 arm 向量化仍有优化空间的情况下取得的。根据 StarRocks 3.5.19 的开源构建配置,其 aarch64 版本使用基线 ARMv8-A(128-bit NEON),尚未启用 SVE2 或针对具体 Graviton 代际的编译调优;而 x86 版本默认启用 256-bit AVX2。即便如此,Graviton 仍在 TPC-H 与 TPC-DS(SF100/SF1000)上取得更优的性能与价格性能——例如最重的 TPC-H Q1,Graviton 仍快约 40%。

我们的解读是:对这类以扫描、连接、聚合为主、主要受内存带宽约束的分析负载,决定性因素是内存子系统、单核处理效率与实例单价,而非 SIMD 向量宽度。也正因如此,针对 arm 的进一步 SIMD 优化对本类负载多为锦上添花;其更大价值在于为字符串/正则、压缩、高算力等计算密集型场景预留了上行空间。

(说明:以上基于对 StarRocks 开源构建配置的核验,非对发行二进制的反汇编;实例代际以命名推断。)

6. 选型建议

诉求	推荐实例	理由
最佳价格性能（默认首选）	`m8g`	两个基准价格性能第一，当代机型最低单价
最快原始性能	`m9g`（TPC-H）/ `m8g`（TPC-DS）	TPC-H 最快是 m9g；TPC-DS 最快是 m8g
内存密集型、单节点大内存	`r8g` / `r7g`（256 GiB）	r 系列 8GB/vCPU，适合大 Join/聚合
必须 x86 生态绑定	`m8i`	x86 中价格性能最好的一款
存量老实例升级	`r7g`/`r6g` → `m8g`/`m9g`	升级到 Graviton4/最新代，价格性能显著提升

7. 成本分析

以 TPC-DS SF1000 工作负载为例，仅计算 3× CN 的按需计算成本（FE 固定）：

实例	3×CN 单价（$/h）	相对成本（跑 TPC-DS SF1000，越低越省）
m8g	4.31	1.00×（基准）
m9g	4.70	1.15×
r7g	5.14	1.32×
r8g	5.66	1.39×
m8i	5.08	1.53×
r6g	4.84	1.73×
r8i	6.67	1.81×
r7i	6.35	1.83×
r7a	7.30	1.96×
r6i	6.05	2.14×

对于 7×24 常驻的分析集群，价格性能的差距会逐月累积成可观的账单差异。请使用 AWS Pricing Calculator 结合你的实际实例数量、运行时长与购买方式（按需 / Savings Plans / 预留）做精确估算。

8. 常见问题（FAQ）

Q：StarRocks 在 Graviton（arm64）上稳定吗？

A：StarRocks 提供官方 arm64 构建，本次全部 Graviton 集群均使用官方 3.5.19 镜像正常运行，数据加载与查询无异常。

Q：从 x86 迁移到 Graviton 的改造成本高吗？

A：StarRocks 基于 JVM/C++，官方已提供 arm64 制品；存算分离下 CN 无状态，替换计算层不影响数据（数据在 S3）。

Q：为什么用存算分离架构测试？

A：它让”更换 CPU 架构”成为一个近乎零成本的操作，也最贴近现代云上弹性分析集群的部署方式；同时保证跨机型对比时数据层完全一致。

Q：结果可以复现吗？

A：可以。附录 B 给出了部署与运行方式；数据集与结果均保存在 S3，便于二次核对。

9. 总结

维度	结论
性能	Graviton（m9g/m8g/r8g/r7g）在 TPC-H、TPC-DS 的 SF1000 上包揽前四
价格性能	Graviton 全面领先；`m8g`（Graviton4 通用型）为性价比冠军，`m9g` 紧随
相对最新 Intel	同一 TPC-DS SF1000 负载，`m8g` 成本仅为 `r8i` 的 ~55%（r8i 多花约 81%）
老代 Graviton	两代前的 Graviton2（r6g）TPC-DS 价格性能仍高于最新 Intel r8i
迁移成本	存算分离 + arm64 原生支持，切换计算层近乎零改造

适用场景：在 EC2 上自建 StarRocks 的实时数仓 / Ad-hoc 分析 / 湖仓查询集群，尤其是长期常驻、对计算成本敏感的场景。

➡️ 下一步行动：

相关产品：

Amazon EC2 — 安全且可调整大小的计算容量，支持几乎所有工作负载
Amazon S3 — 适用于 AI、分析和存档的几乎无限的安全对象存储

相关文章：

10. 附录

10.1 附录 A：单查询明细

下表为各机型逐查询最优耗时（毫秒），可用于定位强弱查询模式。

10.2 A.1 TPC-H SF1000 逐查询耗时（毫秒，3 轮取最优）

Query	m8g	m9g	r8g	r7g	r6g	r8i	r7i	m8i	r6i	r7a
Q1	6299	5473	6967	7661	11072	8913	9817	8942	11499	8110
Q2	4	4	5	4	5	4	5	4	5	4
Q3	2899	2915	3423	3603	5066	4096	4144	4274	4832	3684
Q4	2478	2434	2406	2250	3551	2672	2768	3007	3243	2368
Q5	6	5	5	4	5	5	5	4	5	5
Q6	119	99	150	151	211	158	180	159	180	156
Q7	5	5	5	5	5	5	6	5	6	5
Q8	6	6	6	5	6	6	6	6	6	6
Q9	5	5	5	4	4	5	5	4	5	4
Q10	3623	3788	4231	4628	6559	4785	5106	4796	6063	4490
Q11	4	4	4	4	4	4	4	4	4	4
Q12	1067	830	514	614	936	541	624	997	668	444
Q13	4734	5442	5385	5055	9551	6197	6461	7195	7317	6187
Q14	539	519	668	677	998	793	889	767	911	757
Q15	5	5	5	4	5	5	6	4	5	5
Q16	857	717	1094	1074	1669	928	960	895	1186	923
Q17	1749	1326	1548	1722	2623	1396	1563	1508	1728	1179
Q18	7354	7319	8656	8364	12288	7867	8115	9402	9589	8834
Q19	2519	1923	2632	2985	3912	2186	2556	2187	2941	1826
Q20	4	5	5	4	5	5	5	4	5	5
Q21	4	5	5	4	4	4	5	4	5	4
Q22	929	774	1050	1067	1576	955	1024	935	1255	938

10.3 A.2 TPC-DS SF1000 逐查询耗时（毫秒，3 轮取最优）

Query	m8g	m9g	r8g	r7g	r6g	r8i	r7i	m8i	r6i	r7a
Query01	407	353	474	523	685	568	576	571	683	686
Query02	404	359	436	463	677	549	589	542	662	510
Query03	92	110	94	109	144	100	120	95	118	98
Query04	7154	6924	6678	8053	9728	8440	8274	9353	9954	8236
Query05	202	186	213	225	358	245	264	244	280	207
Query06	152	141	221	184	286	175	153	175	184	134
Query07	290	388	308	339	505	379	421	374	478	361
Query08	145	242	162	171	236	172	178	166	192	160
Query09	2972	2438	2821	3034	4257	3062	3616	3264	3831	2654
Query10	171	167	190	195	289	244	218	211	245	175
Query11	4294	4315	4469	5643	5745	5036	5203	5091	6151	4785
Query12	96	89	106	106	152	115	118	112	118	116
Query13	222	196	236	253	333	270	309	256	310	254
Query14	5371	4762	5427	5896	8858	6590	7563	7662	8912	6889
Query15	333	300	975	395	673	988	415	385	452	450
Query16	937	817	658	554	756	819	909	831	867	816
Query17	1187	897	1777	1281	2172	1058	801	935	1212	949
Query18	398	362	431	489	699	499	542	476	599	448
Query19	148	155	166	172	255	165	175	164	192	148
Query20	111	104	123	126	165	136	134	131	141	122
Query21	58	53	66	61	81	67	74	67	69	61
Query22	1065	840	1180	1404	2247	998	1260	1069	1413	1010
Query23	34274	38354	38019	41391	60356	47792	51255	49577	63450	46574
Query24	3119	2580	1474	1636	2450	1752	2115	3301	2266	1587
Query25	1111	896	1460	1020	1594	920	733	1094	951	899
Query26	191	161	204	230	319	231	262	243	292	213
Query27	231	307	235	262	360	280	332	278	354	239
Query28	2521	2159	2120	2183	3232	2667	3073	3095	3274	2275
Query29	1572	1517	1856	1602	1576	1696	955	1709	1090	798
Query30	220	200	241	252	328	260	266	260	297	284
Query31	1384	1365	1447	1454	1703	1566	1298	1551	1695	1432
Query32	81	75	91	93	127	99	107	96	105	88
Query33	157	168	208	185	263	197	202	178	218	189
Query34	200	228	216	229	332	237	278	237	293	201
Query35	721	597	818	813	1156	808	881	784	1011	787
Query36	245	349	272	299	427	320	374	319	397	263
Query37	118	102	119	146	184	128	154	128	165	115
Query38	1941	1798	2234	2236	3192	2400	2703	2446	3328	2292
Query39	240	219	290	307	438	279	302	281	357	276
Query40	95	90	106	110	148	110	118	110	123	112
Query41	44	41	51	49	58	53	61	53	48	48
Query42	60	74	72	71	91	76	81	74	76	68
Query43	222	873	249	267	386	287	333	283	368	265
Query44	2396	2689	551	573	817	630	733	1508	765	576
Query45	346	297	431	412	649	351	393	331	435	354
Query46	340	943	369	419	596	442	494	438	544	374
Query47	1376	1521	1655	2108	2505	1639	1805	1640	2118	1377
Query48	232	215	238	266	380	288	336	277	346	287
Query49	437	347	624	478	794	411	472	441	502	386
Query50	2203	1735	1134	1373	2240	1237	1453	2157	1591	987
Query51	2724	2780	2792	2847	3453	3159	3145	3314	3705	3027
Query52	64	72	67	71	104	78	87	74	84	70
Query53	191	282	206	231	338	270	333	270	341	230
Query54	166	151	199	191	280	202	203	194	203	175
Query55	60	69	65	67	94	71	80	73	78	64
Query56	134	139	149	148	190	151	161	154	164	148
Query57	1159	1119	1408	1496	1778	1251	1361	1357	1600	1126
Query58	184	184	189	193	234	212	176	228	216	195
Query59	1458	2528	1697	1641	2738	2202	2276	2300	2570	1910
Query60	164	182	209	192	254	227	208	203	228	198
Query61	248	249	282	288	398	303	281	287	350	212
Query62	234	194	256	280	412	312	359	308	386	273
Query63	187	287	208	228	326	257	302	253	326	199
Query64	3121	3954	1937	1816	2614	1651	1813	3003	2103	1829
Query65	2517	2705	2673	2722	3839	3223	3474	3224	4169	3130
Query66	225	202	236	248	337	276	306	284	335	253
Query67	16026	15929	19603	20352	27186	19365	20956	20865	24646	21726
Query68	167	810	186	203	282	191	216	185	219	165
Query69	194	166	216	212	310	229	228	228	234	208
Query70	1246	1621	1297	1451	2239	1622	1852	1569	2120	1360
Query71	181	163	191	197	299	207	208	202	236	163
Query72	1957	1079	1299	2284	1800	1337	2401	2279	1599	1328
Query73	118	176	129	140	179	140	170	139	158	118
Query74	4007	4043	4215	4229	5126	4504	4463	4435	5775	4294
Query75	3039	3048	3351	3437	4896	3666	3439	3572	4336	3661
Query76	1249	901	554	606	898	633	718	1080	818	589
Query77	152	632	498	377	532	488	502	684	548	404
Query78	7010	10861	9147	10281	12333	11187	10056	13425	13275	9760
Query79	782	1676	800	869	1169	939	945	904	1126	872
Query80	423	419	867	489	662	830	523	484	528	418
Query81	342	302	371	411	539	428	433	416	483	460
Query82	248	194	252	293	483	269	326	261	370	213
Query83	110	101	113	116	145	121	116	115	123	110
Query84	132	117	141	152	221	136	164	136	158	130
Query85	451	454	531	569	665	501	561	525	512	447
Query86	330	360	384	415	566	420	482	425	517	344
Query87	2105	2006	2228	2405	3273	2496	2760	2525	3344	2287
Query88	2814	2267	2916	3436	4932	4238	5195	4212	5503	3284
Query89	230	318	236	267	394	291	340	284	369	232
Query90	317	265	327	371	487	342	424	343	419	305
Query91	89	85	102	107	126	99	115	104	112	95
Query92	73	69	89	85	121	94	86	92	86	73
Query93	2381	2429	983	1140	1928	1083	1247	2130	1288	831
Query94	354	279	372	371	530	368	460	378	491	319
Query95	859	762	881	899	1454	869	953	874	1203	801
Query96	599	495	614	710	964	703	883	714	907	608
Query97	1939	2082	2373	2293	3843	2868	3057	2732	3443	2826
Query98	164	181	185	196	266	195	178	188	219	184
Query99	448	366	489	577	881	625	712	621	839	520

10.4 附录 B：复现方式（概要）

每机型部署 1× FE + 3× CN 的 StarRocks 3.5.19 存算分离集群，S3 作为 Storage Volume。
从 S3 数据集加载 TPC-H / TPC-DS（SF1000）。
使用官方 benchmark 工具执行 –p -d tpch|tpcds -s <scale>，每项 3 轮取最优。
采集各机型总时长与逐查询耗时，按 3×CN 按需单价计算性价比指数。

10.5 附录 C：参考资源

立即咨询 → 从 AI 规划到落地实施，我们的专家团队为你全程护航。

*前述特定亚马逊云科技生成式人工智能相关的服务目前在亚马逊云科技海外区域可用。亚马逊云科技中国区域相关云服务由西云数据和光环新网运营，具体信息以中国区域官网为准。

本篇作者

AWS 架构师中心：云端创新的引领者

探索 AWS 架构师中心，获取经实战验证的最佳实践与架构指南，助您高效构建安全、可靠的云上应用

亚马逊AWS官方博客