DolphinDB首先是一个数据库，内置的计算引擎主要解决高并发、交互式的计算任务，一般的计算任务都在亚秒级或秒级完成，最长不超过几分钟。因此DolphinDB的资源配置方式与Apache Spark等低并发、批处理的计算引擎有所不同。Apache Spark以独占方式按应用事先分配计算资源包括CPU核，内存等。DolphinDB则将计算作业分解成子任务，以子任务为单位进行调度。每一个子任务并不独占CPU核和内存。而是将计算资源放入一个共享的资源池，根据每个计算任务的优先级和并行度来调度子任务。

当有多个作业时，系统按照作业的优先级来调度子任务，优先级高的子任务先被执行。并行度表示在一个数据节点上，最多同时可以用多少个线程来执行该作业产生的子任务。简言之，优先级高并行度高的作业会分到更多的计算资源。但是DolphinDB计算引擎的总体目标是希望每个任务尽快得到相应，这个优先级的是动态的，每被调用一轮，优先级降一，当触及0后，又回到原先的优先级。下面我们以A，B两个作业举例说明。A作业优先级6，并行度4，子任务个数16。B作业优先级4，并行度2，子任务个数2个。资源池中的线程个数为4个。第一轮调度，优先级最高的是6，计算资源全部分给A。执行完毕后，A的优先级降到5，A的子任务还剩12个。第二轮调度，优先级最高是5，计算资源全部分给A。执行完毕后，A的优先级降到4，A的子任务还剩8个。第三轮调度，优先级最高是4，A和B各有2个子任务被执行。执行完毕后，B已经完成，A优先级仍然为4，A的子任务还剩6个。虽然A的优先级和并行度更高，但是因为子任务太多，最终B先完成任务。

下面再具体说明一下DolphinDB如何分解一个作业的任务。大部分的计算任务如SQL查询，以数据库分区为单位，每一个分区就是一个子任务，计算下推到存储引擎执行，也就是说计算和存储耦合。这种计算任务的分解完全是由数据库的分区模式决定的，因此创建数据库时如何合理的分区非常的重要。另一种计算任务涉及到数据的reshuffle，譬如用repartitionDS来产生数据源，然后套用mr（map reduce）或imr（iterative map reduce，通常用于机器学习）函数来计算。这类任务计算和数据分离，repartitionDS产生的每一个数据源就是一个子任务。

要提高计算效率，最关键的是数据和计算资源的均衡。具体包括：

• 如果包含多个节点，每个节点的计算资源尽量均衡；
• 数据库表的各个分区大小保持均衡；
• 如果是多节点，每个节点上的分区数量尽量保持均衡。这一点通常是人工干预，比如在节点之间移动副本、拷贝副本、或者删除节点上一个或多个副本数据，而导致了分区数量的不均衡。

当计算引擎出现性能问题，或者某些作业耗时太久，可以从下面这些途径排查问题:

• 首先，查看所有节点的资源使用情况，譬如每个节点平均负载，CPU使用率，网络读写性能，磁盘读写性能，内存使用情况，作业和子任务队列深度等等。这些指标可以从Web界面读取。如果跟Prometheus集成了，也可以从Prometheus观察。或者通过内置函数getPerf、getClusterPerf、getJobStat、getDiskIOStat等来观察这些指标。高阶函数pnodeRun可以帮助在所有数据节点上运行这些函数。
• 其次，可以分析作业涉及的数据的分布，包括分区的数量，分区在各个节点上的分布。函数getAllChunks，getClusterChunksStatus可以获取分区的分布信息。

关于作业的种类，作业的执行过程，以及相关的配置，请参考DolphinDB作业管理教程