引言
先说一个核心判断：当数据量从百万级跃迁到亿级，传统物化视图依赖"全量重算"的刷新机制，在准实时分析场景中已经逐渐显露疲态，难以满足高效响应的需求。
此前，我们在《告别临场加工，揭秘PolarDB物化视图如何将查询性能提升百倍》一文中，已系统介绍了云原生数据库PolarDB MySQL版全量物化视图的核心优势——通过预计算并持久化查询结果，结合计算卸载至IMCI列存节点与行列混存架构，实现复杂分析查询的百倍加速。自该功能发布以来，已在众多客户的HTAP场景中得到广泛应用。
但问题也随之显现：当表数据量达到数亿行，而每次变更仅涉及少量记录时，全量刷新“重算整个视图”的代价过高——刷新耗时长、数据新鲜度差，难以满足准实时分析对时效性的要求。
为此，PolarDB MySQL版正式推出增量物化视图(Incremental Materialized View)：其核心思路十分简洁——仅处理自上次刷新以来的变更数据。在TPC-H 100G基准测试中，相比全量刷新，实现了数倍至数十倍的性能提升（4表混合JOIN加速32倍、单表聚合加速近11倍）。
增量物化视图的核心价值
极致效率：秒级增量，开销降低90%
仅处理基表（即物化视图所依赖的原始业务表）自上次刷新以来的INSERT/UPDATE/DELETE变更，刷新开销降低90%以上，4表JOIN场景从74秒缩短至2.3秒；支持最短1秒的自动刷新间隔，让数据始终保持“秒级新鲜”。
业务零干扰：基于Redo日志，无需触发器
基于Redo日志在IMCI列存节点回放时自动捕获变更，无需依赖触发器或Binlog解析，不在业务表附加任何额外开销，刷新期间也不锁定基表，在线事务完全不受影响。
运维零负担：增量表全生命周期自动管理
系统根据视图定义自动推导并创建列存增量表，随基表自动创建与回收，全生命周期对用户透明，无需DBA手动维护日志表。
弹性可扩展：存算分离，按需弹升
基于存算分离架构，IMCI计算节点无状态，增量数据存储于共享存储；增量刷新可在多节点间负载均衡，支持秒级弹升与横向扩展。
典型应用场景
场景一：电商实时订单看板
以实际场景为例。某电商平台订单表每秒新增数千条记录，运营团队需要实时查看按用户、品类、区域汇总的统计数据。增量物化视图将每秒新增和变更的订单“叠加”到已有结果上，无需重扫数亿条历史订单——参考Q1的10.8倍加速效果，原本数秒的全量刷新压缩至亚秒级，看板始终展示最新数据。
场景二：供应链多表关联报表
某制造企业供应链系统涉及供应商、订单、物料、区域等多张核心业务表，管理层每天需多次查看跨表关联报表。增量物化视图将多表预关联为一张“宽表”，仅用变更行去关联其他表，避免了多表全量重算——参考Q10的31.8倍加速效果，原本一分多钟的刷新压缩至2秒，报表更新频率从每小时提升至每分钟。
场景三：数据分层的准实时ETL
在数据仓库分层架构（ODS → DWS → ADS）中，逐层计算是常规操作。通过嵌套增量物化视图构建轻量级ETL流水线，每一层仅处理上游传递的增量变化，计算成本大幅降低。结合最短1秒的刷新间隔，完全可以在数据库内部搭建一套准实时的数据加工流水线，减少对外部ETL工具的依赖。
技术亮点
架构上，增量物化视图沿用了“计算卸载到IMCI列存节点”的设计思路，并围绕“增量”打通了一条对业务完全透明的端到端链路。
首先，变更捕获基于数据库内核的Redo日志流，在IMCI节点回放日志的同时实时识别基表变更，无需触发器、无需Binlog解析，同步延迟控制在毫秒级。
其次，系统根据视图定义自动推导并隐式创建列存增量表，基于全局事务位点自动回收过期数据，全生命周期对DBA透明、免运维。
然后，过滤、聚合、JOIN等增量算子全部下沉至列存节点以SIMD向量化执行，并根据查询模式自动选择最优增量策略——聚合直接“叠加”、JOIN仅用变更行关联——彻底避免全表重算。
最后，刷新阶段由PDML让IMCI与RW节点以Pipeline协同，Insert/Update/Delete多线程并发回写，写入吞吐随并发度线性扩展。四项能力相互配合，共同支撑了“秒级新鲜、业务零感知”的刷新体验。
图：增量物化视图整体架构图
支持场景与能力矩阵
目前，PolarDB增量物化视图已覆盖多种主流分析类应用场景，且正在持续扩展中：
性能实测：TPC-H 100G基准测试
测试基于PolarDB MySQL 8.0.2（32核CPU / 256GB内存）和TPC-H 100G数据集（lineitem表约6亿行），覆盖单表聚合、多表JOIN、LEFT JOIN等典型场景。每场景每轮约1000行变更，取5轮平均值。
*注：Q1为原生TPC-H SQL；其余带*号的查询基于TPC-H原始SQL，针对增量刷新当前支持的算子场景做了适配改造（如去除子查询、CTE、ORDER BY/LIMIT等暂不支持的语法），保留核心的表关联与过滤逻辑。
核心结论十分明确：全量刷新耗时由基表总数据量决定，而增量刷新仅与变更行数相关——数据量越大、变更比例越小，增量刷新的优势就越突出。最具代表性的4表混合JOIN场景（Q10）下，全量需扫描并关联4张大表耗时74秒，增量仅处理1000行变更耗时2.3秒，加速31.8倍；原生TPC-H Q1单表聚合场景中，6亿行lineitem分组聚合从3.45秒降至0.32秒。即便在最复杂的6表INNER JOIN（Q5）场景，增量仍保持2.3倍以上的提速，且在不同变更粒度（100~10000行）下耗时仅略有上升，稳定性显著优于全量。
选型建议
全量刷新和增量刷新并非替代关系，而是互补的两种策略，可在同一系统中协同使用：
▶︎ 选择增量刷新：基表数据量大且变更频繁（每次变更仅占总数据的小比例）、对数据新鲜度要求高（分钟级甚至秒级）、查询逻辑在增量支持范围内（过滤、聚合、JOIN、LEFT JOIN等）。
▶︎ 选择全量刷新：查询逻辑包含窗口函数、HAVING、ORDER BY等增量暂不支持的语法、数据变更不频繁（每天刷新一次即可）、或需要从零重建视图数据时。
未来展望
在已支持的能力基础上，我们将持续扩展多表聚合（JOIN GROUP BY）、UNION ALL、MIN/MAX等更广泛的SQL算子和能力；同时即将推出ON COMMIT实时刷新与透明查询改写功能，使物化视图从“秒级按需刷新”演进到“事务级实时同步”，并由优化器自动匹配视图加速业务查询，进一步降低使用门槛。
增量物化视图是PolarDB从“查询加速”迈向“数据保鲜”的关键一步：基于Redo日志的智能增量维护机制，让物化视图成为与业务数据同步跳动的“活”数据源。
