后台-插件-广告管理-内容页广告位一(手机)

您现在的位置是:首页 > 开发类 > 数据库数据库

Database | 浅谈Query Optimization (1)

2021-04-18 18:35:35数据库人已围观

简介综述
由于SQL是声明式语言(declarative),用户只告诉了DBMS想要获取什么,但没有指出如何计算。因此,DBMS需要将SQL语句转换成可执行的查询计划(Query Plan)。但是对同样的数据

综述

由于SQL是声明式语言(declarative),用户只告诉了DBMS想要获取什么,但没有指出如何计算。因此,DBMS需要将SQL语句转换成可执行的查询计划(Query Plan)。但是对同样的数据可以有多种查询方案,性能也差距很大,查询优化器(Query Optimizer)的任务就是从给定的查询中选择一个最优的方案。

最早的查询优化器实现是IBM在1970s设计的 System R,其中的概念和设计到现在依然有很多使用。对于查询优化通常有两种方案:

  1. 基于启发式规则:启发式优化将查询的部分与已知的模式进行匹配,以重组计划。这些规则对查询进行转换,消除低效率的部分,这种方式不需要检查数据本身。
  2. 基于代价的搜索:需要读取数据并估计执行计划的成本。然后从各个计划中选择成本最低的方案。

等价的关系代数(启发式规则)

如果两个关系代数表达式生成相同的元组集,则它们是等价的。DBMS 可以在没有成本模型的条件下生成更优的查询计划,即查询重写(Query Rewriting)

当应用程序向数据库发送SQL查询,DBMS首先要将SQL解析成语法树的标记,Binder 查询系统目录将语法树标记替换为内部标识符,生成逻辑查询计划,最后由查询优化器选择最高效的执行方案。

一种等价的关系代数是谓词下推,对于这样的SQL查询:

SELECT s.name, e.cid
FROM student AS s, enrolled AS e
WHERE s.sid = e.sid
AND e.grade = 'A'

相比于先连接再过滤,应当更早地对数据进行过滤,以减少连接时的元素数量。

image

有关选择(selection)的优化:

  • 尽早执行过滤
  • 重排谓词,将最具选择性的谓词优先应用
  • 分解复杂的谓词,将之往下推

有关投影(projection)的优化:(列存储无需进行这两条优化)

  • 尽早进行投影以创建更小的元组并减少中间结果
  • 只投影被需要的属性

有关连接(join)的优化:

  • R⋈S = S⋈R,因此可以重排多个表的连接顺序

  • 但对于n个表,不同的连接顺序为卡特兰数(\(≈4^n\))

image

如果要对所有顺序穷举的话,当n较大时效率会非常低。连接顺序通常由cost based search选择最优/较优的方案。

SELECT ARTIST.NAME
FROM ARTIST, APPEARS, ALBUM
WHERE ARTIST.ID=APPEARS.ARTIST_ID 
AND APPEARS.ALBUM_ID=ALBUM.ID
AND ALBUM.NAME="Andy's OG Remix"

对于这样的SQL查询,最朴素的查询方案可能是左图所示,但通过:

  1. 分解复杂谓词并向下推
  2. 将笛卡尔积替换为连接
  3. 在连接前消除不必要的属性

可以优化为右图所示的方案

image

其他优化包括:

忽略不必要的join、projection

SELECT A1.*
FROM A AS A1 JOIN A AS A2
ON A1.id = A2.id;  //unnecessary

SELECT * FROM A AS A1
WHERE EXISTS(SELECT val FROM A AS A2  //unnecessary
WHERE A1.id = A2.id);

合并谓词:

SELECT * FROM A
WHERE val BETWEEN 1 AND 100
OR val BETWEEN 50 AND 150;

对于嵌套查询,有两种方案:

  1. 重写,将其转化为单次查询
  2. 先进行子查询,将结果储存在临时表中。得出最终结果后将临时表丢弃。

基于代价的搜索

这种优化方式分为两个步骤:

  1. 成本估计
  2. 方案选择

成本估计

首先要为特定的执行计划生成成本估算,而访问磁盘的消耗始终是查询中最主要的消耗,并且还要考虑顺序访问还是随机访问,这两者在性能上也有极大差异。

选择基数

DBMS 在目录中存储有关属性、索引的内部信息。对于每个关系R,DBMS维护以下信息:

  • \(N_R\) :R中的元组数量
  • \(V(A, R)\):R中在属性A上不同值的数目

则选择基数(selection cardinality SC(A,R))为给定属性的值的平均数量 \(SC(A, R) = N_R / V(A,R)\)

在计算cost的时候,需要考虑不同谓词选择的范围。谓词的选择性(selective)即是一个谓词限定的部分。

比如对SC(A,R)=2的关系R中,若A的数据为1-100的连续整数,则对于查询

SELECT * FROM R 
WHERE A >50

可以计算出\(sel(A>50) = 50/100 = 1/2\)

SELECT * FROM R
WHERE A = 2
OR B LIKE 'A%'

\(sel(P1 ⋁ P2) = sel(P1) + sel(P2) – sel(P1⋀P2) = sel(P1) + sel(P2) – sel(P1) ∙ sel(P2)\)

也可以说,选择性就是指这个范围的数据出现的概率。

但以上的估计基于三个假设:

  1. 数据是均匀分布的
  2. 多个谓词之间相互独立,可以独立计算概率
  3. 内部关系中的key在外表中同样存在

因此得出的结果是一个估计值,并不精确。

统计直方图

可以对第一个假设进行优化,在每个表中储存有关数据的直方图,将数据按范围进行统计,在计算sel时从直方图中计算相应的比例。

样本估算

现代DBMS从表中选择一定的样本估算sel,当底层表发生显著变化时更新样本。

方案选择

对于简单的单表查询(OLTP),通过启发式规则,利用索引和二分搜索足以获取良好的性能。

但是对于OLAP中的多表查询,不同的连接顺序会对性能造成很大影响。而由于关系的增加会导致可选择方案指数增长(\(4^n\)),因此需要约束可选择的空间。

System R 中只考虑左深连接树(Left Deep Join),将选择空间缩小到 \(n!\),但现代DBMS中不再总做出这样的假设。

左深连接树即连接的右表一定为一个基本表,通过流水线连接,中间结果不写入临时文件。

image

对于连接,需要考虑连接的顺序,不同表之间连接的方式(Hash join, Sort-Merge join),获取数据的方式。通过动态规划对方案进行剪枝。

除了通过动态规划剪枝之外,当连接表过多时,会选择一些局部最优解的方式:

  1. greedy join enumeration algorithm

    在每次循环中,选择使总代价最低的方案

    • 多项式时间算法,但结果不一定最优
  2. Randomized algorithm

    随机重写查询方案,利用模拟退火等算法进行优化

  3. Genetic algorithm(遗传算法)

    通过连接方案(结合子代)和随机突变进行优化

至于为什么是左深连接树,而不是右深连接树?动态规划的执行优化又是如何实现的?留待后面分析

文章来源:查看

Tags:浅谈   Database   Optimization   Query

很赞哦! ()

后台-插件-广告管理-内容页广告位二(手机)

相关文章

后台-插件-广告管理-内容页广告位三(手机)

随机图文

后台-插件-广告管理-内容页广告位四(手机)

文章评论

留言与评论(共有 0 条评论)
   
验证码:

本栏推荐

站点信息

  • 文章统计13614篇文章
  • 浏览统计468次浏览
  • 评论统计1个评论
  • 标签管理标签云
  • 统计数据:统计代码
  • 微信公众号:扫描二维码,关注我们