數據計算層面：

　　向量化執行+SIMD(單指令多數據流)

　　* ClickHouse實現了向量執行引擎(Vectorized execution engine)，對內存中的列式數據，一個batch調用一次SIMD指令(而非每一行調用一次)，不僅減少了函數調用次數、降低了cache miss，而且可以充分發揮SIMD指令的并行能力，大幅縮短了計算耗時。向量執行引擎，通常能夠帶來數倍的性能提升。

　　動態代碼生成(Runtime Codegen)

　　* 在經典的數據庫實現中，通常對表達式計算采用火山模型，也即將查詢轉換成一個個operator，比如HashJoin、Scan、IndexScan、Aggregation等。為了連接不同算子，operator之間采用統一的接口，比如open/next/close。在每個算子內部都實現了父類的這些虛函數，在分析場景中單條SQL要處理數據通常高達數億行，虛函數的調用開銷不再可以忽略不計。另外，在每個算子內部都要考慮多種變量，比如列類型、列的size、列的個數等，存在著大量的if-else分支判斷導致CPU分支預測失效。 * ClickHouse實現了Expression級別的runtime codegen，動態地根據當前SQL直接生成代碼，然后編譯執行。如下圖例子所示，對于Expression直接生成代碼，不僅消除了大量的虛函數調用(即圖中多個function pointer的調用)，而且由于在運行時表達式的參數類型、個數等都是已知的，也消除了不必要的if-else分支判斷。

　　多核并行處理+分布式處理

　　* ClickHouse將數據劃分為多個partition，每個partition再進一步劃分為多個index granularity，然后通過多個CPU核心分別處理其中的一部分來實現并行數據處理。在這種設計下，單條Query就能利用整機所有CPU。極致的并行處理能力，極大的降低了查詢延時。 * 分布式計算，即多機器處理線性擴展

　　著眼硬件+高效的算法實現

　　# 比如 * ClickHouse設計時非常在于對CPU L3級別的緩存使用，因為一次L3 cache miss會帶來70~100納秒的延遲。這意味著，在單核CPU上，它會浪費4000萬/每秒的運算;而在一個32線程的CPU上，則可能會浪費5億/每秒的運算，別小看這些細節，一點一滴的將它們累加起來，數據是非常可觀的。也正因為注意了這些細節，所以ClickHouse在基準查詢中，能做到1.75億/每秒的數據掃描性能。 * 針對不同的場景選擇不同算法，例如去重計數uniqCombined函數，根據數據量的不同會選擇不同的算法。當數據量較小的時候，會選擇Array保存;當數據量中等時候，則會選擇HashSet;而當數據量很大的時候,則使用HyperLogLog算法。

　　數據存儲和寫入層面：

　　列式存儲+有序存儲

　　主鍵索引+稀疏索引

　　數據分片

　　數據寫入是Batch+Append+后臺線程Merge