当下，数据规模持续增长与算力成本压力并行，大数据计算引擎的性能优化走向执行引擎级的重构，向量化执行与原生执行成为突破性能瓶颈的重要方向。

10月14日，国际权威开源软件基金会Apache 官方博客正式发布Apache Auron™ 毕业消息，宣布Apache Auron从孵化器毕业，成为Apache顶级项目（Top-Level Project，TLP）。此前，Apache Auron的毕业提案已于2026年9月在Apache孵化器项目管理委员会（IPMC）投票中顺利通过，并随后获得Apache软件基金会董事会批准。至此，Auron正式从孵化阶段走向独立自治，进入Apache顶级项目治理体系。

作为源于快手大规模数据计算的生产实践，Auron由快手公司立项、研发，于2025年8月捐赠给Apache软件基金会孵化器。从进入孵化器到顺利毕业，Auron仅用时13个月。

Apache Auron是一个面向大数据引擎的原生向量化执行加速器，当前聚焦于加速 Apache Spark 的查询处理。它结合Apache Arrow-Data Fusion的原生计算能力与 Spark 的分布式计算框架，将Spark优化后的物理计划转换为等价的原生执行计划，交由基于Rust实现的Native Engine执行，在提升性能的同时降低资源开销。目前，Auron已在数十家企业的生产环境中完成部署，覆盖多个行业的业务场景，并在实际线上运行中取得显著的降本增效收益。

快手高级副总裁、研发线负责人郭亮表示，Auron项目在快手公司立项、研发，并取得了大规模的落地实践和非常可观的大数据成本优化收益，快手一直秉承开放、共创的技术开源精神，并将Auron捐赠给ASF，也期待能与社区一起推动Data + AI生态基建技术发展。

突破向量化执行技术，让大数据计算引擎跑出「原生」速度

从一项团队内部的技术探索，到由全球开发者共同建设的开源项目，Auron的起点源于快手日常生产中大规模数据处理的真实挑战。随着数据规模持续增长，基于JVM的行式处理逐渐成为Spark的CPU性能瓶颈。快手给出的解法，是不改动上层业务SQL，而为Spark替换一层更高效的执行引擎。

在项目孵化期间，Auron社区保持高速迭代与稳定发布，累计发布三个版本；过去6个月，master分支共合入179个commit，贡献者来自20多家不同公司。毕业之际，社区已有18位Committer依毕业决议全部转为项目管理委员会（PMC）成员，并与4位孵化导师共同组成22人的PMC，形成了多元化、跨组织的治理格局。

正是由于汇聚了不同开源项目、拥有丰富Apache社区经验的PPMC成员与Committer的团队，Auron顺利突破技术瓶颈，为大数据计算领域贡献了重要发展成果。此前，传统大数据计算引擎采用逐条处理的方式：每处理一条数据，都要完整走一遍固定流程，数据量越大，CPU延迟就越明显。为突破这一瓶颈，Auron采用向量化执行按批（Batch）处理数据，从而最大限度发挥SIMD指令优势，充分利用CPU的并行计算能力。

从具体技术路径来看，Auron的核心架构主要分为四大部分：Spark Extension ，能实现将加速器完整挂载进Spark执行流程，用户仅需将Auron作为客户端扩展安装，绝大多数SQL无需任何改造即可获得加速；Flink Extension ，支持加速器完整挂载进Flink执行流程；Auron Core ，使用JNI对Native Engine 进行封装，对上层引擎提供Java接口，方便接入使用；Native Engine （Rust），以基于Apache Arrow-Data Fusion 实现的原生执行引擎，提供包含执行计划规范、JNI网关、自定义算子/表达式/函数，以及内存管理、Fallback框架等基础能力。

基于此，Auron在多维度上呈现出优秀的加速性能。原生执行、性能可预期，核心引擎由Rust实现，规避JVM开销，具备稳定、确定性的执行性能；向量化计算基于Apache Arrow 列式格式，利用SIMD指令批量处理数据，最大化计算吞吐；完善的Fallback机制使未实现的算子和表达式可自动回退到Spark原生执行，UDF/UDTF、UDAF等自定义函数同样支持，保证“只要Spark能跑，Auron就能跑”；可插拔架构面向多引擎扩展，当前深度集成Apache Spark ，并基于Data Fusion 良好的可扩展性，扩展支持Apache Flink等其他大数据计算引擎。

在周边生态与生产夯实方面，Auron适配开源湖仓格式Apache Paimon™、Apache Iceberg™ 和Apache Hudi ，开源Shuffle Service 框架Apache Celeborn™ 和Apache Uniffle ，以及HDFS、S3等存储系统；同时具备多级内存管理、紧凑化Shuffle格式、自适应执行策略。

ASF Member、Apache Auron 孵化导师，LinkedIn Principal Staff Software Engineer秦江杰表示，良好的版本兼容性和易用性一直是Auron非常突出的特点，也让Native Execution 的性能收益能够更容易地落地到实际生产环境。

实现规模化落地验证，计算运行提速2倍+、节省约50%资源

技术能力的价值，最终需要可量化的实际应用运行结果来检验。当前，Apache Auron已全部通过TPC-DS/TPC-H基准用例；相比Apache Spark3.5，在TPC-DS基准下Auron运行速度提升2倍以上，同时节省约50%的计算资源。在大规模生产环境中，Auron已在超过EB级（Exabytes）数据规模下验证运行，覆盖JSON解析、UDF/UDTF等复杂生产场景，并解决了多项稳定性与数据一致性问题。

除标准基准测试外，真实生产环境中的规模化部署情况，同样是衡量项目成熟度的重要依据。目前，Auron已在快手、滴滴、58同城、携程、OPPO、LinkedIn、汽车之家等数十家公司的生产环境中部署落地，并在线上场景中取得了显著的降本增效收益。

58同城数据架构部负责人余意介绍，58同城在大数据计算场景中持续关注并实践Auron，已经落地任务2.5W+，提效占比65%，平均提效45%以上；Auron通过原生向量化执行，在保持较低接入门槛的前提下，为现有大数据平台带来了更高的计算效率和更好的资源利用率。

滴滴大数据计算引擎负责人张润林表示，在大规模数据处理场景中，计算效率、运行稳定性与资源成本始终是关注的核心问题；Auron以原生向量化执行技术为大数据计算加速，为企业提升计算效率、释放存量资源价值提供了新的选择。

从孵化走向毕业，Apache Auron 也将进入更广阔的生态场景。Apache Auron PMC Chair王磊表示，Auron将不断拓展生态版图，一方面，持续适配并完善Apache Spark 、Apache Flink 等主流大数据计算引擎，让更多引擎的查询负载都能获得原生执行的加速能力；另一方面，基于cuDF打造Auron on GPU能力，把向量化执行从CPU延伸到GPU，让Auron适应AI与GPU算力时代对高性能数据计算的全新需求。

具体来看，Auron将继续围绕四大方向深耕：拓展应用生态，完善Auron在Apache Flink 流和批场景的支持，以及对Lance/Vortex等新型存储格式的适配；增加对异构硬件的支持，从CPU向量化计算扩展到对GPU和FPGA等异构硬件的支持，进一步提升大数据引擎算子性能；贴近生产场景，持续提升各类算子与函数的覆盖率，以及解决性能、稳定性、数据一致性问题；做大社区、做强生态，携手更多企业与开发者以Committer/Contributor身份加入，共建开放、多元、可持续的社区。

从快手内部的工程实践，到Apache软件基金会的顶级项目，Auron在一年多的孵化周期内完成了身份转换。对快手而言，Auron的毕业不只是一次开源成果的交付。作为项目的发起方，快手在大规模数据处理场景中积累的工程经验，正通过Apache社区这一开放平台向更广泛的开发者与企业开放。未来，快手将持续参与Data + AI生态共建，把在大规模数据处理等领域的实践经验与社区共享，与各界伙伴一道，推动数据智能行业技术的创新突破。

编辑：赵连芳