Paper Reading: How good are query optimizers, really?
Posted zihao626
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Paper Reading: How good are query optimizers, really?相关的知识,希望对你有一定的参考价值。
Title
“How Good Are Query Optimizers, Really?” (Leis 等, 2015, p. 204) 「
查询优化器到底有多好?
大概就是通过比较查询优化器的有无时,查询执行的性能,来得到查询优化器对性能提升的程度
」
Abstract
“ABSTRACT” (Leis 等, 2015, p. 204) 「
摘要:
Background:
找到好的连接次序,对于查询性能的提升很重要
Why:
引入 JOB,并使用复杂、真实的查询在传统优化器架构下 实验性地 测试优化器的主要组件。
What:
如上,就是测试优化器的主要组件:
- 基数估计器
- 代价模型
- 计划枚举技术:穷举动态规划算法和启发性算法
How:
通过引用 Join Order Benchmark,使用复杂真实多连接的查询
Novelty:
引入JOB新的基准测试?
Conclusion:
- cardinality estimators:所有的都会出现大错误,并且如果查询引擎过于依赖他们,查询性能将不会很好
- cost model:比 Cardinality estimator 对于查询性能的影响小
- plan enumeration:在有次优cardinality estimates的情况下,穷举动态规划算法比启发式算法效果好。
1 Introduction
」
“INTRODUCTION” (Leis 等, 2015, p. 204) 「
引言
background:
找到一个好的连接次序是数据库领域研究最多的问题。
Why:
如摘要所说,使用真实复杂的工作负载,测试传统的优化器架构中三个组件对查询性能的提高程度。
What:
进行测试,对三个组件进行量化,借此来为完整的优化器设计提供思路。
How:
引入新的基准测试JOB,使用复杂真实的工作负载和查询。
文章的贡献——
- 设计了JOB,挑战性的工作负载
- 首次对连接次序问题提出端到端的研究
- 量化三个组件的贡献,提供设计优化器的指导方针
Novelty:
- 新颖的方法:能够单独测试出优化器每个组件对查询性能的影响
- 专注于越来越平凡的内存场景:所有数据都装入了RAM
Conclusion:
如摘要中的Conclusion所示。
」
3 Cardinality Estimation
“CARDINALITY ESTIMATION” (Leis 等, 2015, p. 206) 「
基数估计是找到一个好的查询计划最重要的组件,没有好的基数估计,连接次序枚举和代价模型都无用。
这一小节通过比较 估计的基数 和 真实的基数,来调查关系数据库系统中的质量。
」
3.1 Estimates for Base Table
Base Table?
“Base Tables” (Leis 等, 2015, p. 207) 「
基表:实际存在于数据库中的表
查询表:查询结果对应的表
视图表:由基本表和其他视图表导出的表,为虚表,不对应实际存储的数据。
基表的性质:
-
列是同质的,即每一列中的分量都是同一类型的数据,来自同一个域
-
不同的列可以来自同一个域,每一列又称之为属性,不同的属性要有不同的属性名
-
列的顺序无关紧要
-
行的顺序也无关紧要
-
任意两个元组的候选码不能取相同的值
-
分量必须要取原子值,即一个表中的某一项不能再拆成好几项
」
“Estimates for Base Tables” (Leis 等, 2015, p. 207) 「
基表:实际存在于数据库中的表
使用 q-error 来衡量基表基数估计的质量。公式为 |估计值/实际值|,是一个大于等于1的比率值。
观察基表选择的 q-error 值,得出以下结论:
DBMS A和Hyper——
估计具有复杂谓词(Like) 基表选择 的基数很准,因为估计基表的选择率时,使用了样本法(1000)。但是因为样本太小,对于选择率很小(10^-5)的情况,就会导致很大的选择性估计误差。
其他的数据库系统——
表现更差,基于了每个属性的直方图,但是基于直方图的基数估计对于复杂的谓词并不是很有效,也无法检测出属性之间的联系。
」
3.2 Estimates for Joins
“Estimates for Joins” (Leis 等, 2015, p. 207) 「
本节的实验结果并不能说明相应系统的优化器不够好,因为查询的性能还依赖于优化器是如何使用和信任这些估计数据的。
为连接做基数估计:
背景:样本法和直方图 对于连接中间结果的估计并没有很有效。
实验结果:
- 每个系统对 估计误差的 差异差不多,并且都不是很理想
- 所有系统都倾向于 低估了多连接查询的结果大小
改进:
可以像 DBMS A,使用阻尼因子来减少这种低估的程度。
」
3.3 Estimates for TPC-H
“Estimates for TPC-H” (Leis 等, 2015, p. 208) 「
TPC-H:针对 OLAP 场景的测试
TPC-C: 针对 OLTP 的场景的测试
TPC-H 的工作负载对于系统的基数估计器并没有多大挑战,文章引入的 JOB 查询集合可以满足。
」
3.4 Better Statistics for PosgreSQL
“Better Statistics for PostgreSQL” (Leis 等, 2015, p. 208) 「
对照试验表明,对于 distinct counts 的估计误差对于基数估计误差的影响较小,相反由于distinct counts 的误差会导致基数估计的值更大一些,这使得 负负得正。。。
」
4 When do bad cardinality estimates lead to slow queries?
4.1 The Risk of Relying on Estimates
“The Risk of Relying on Estimates” (Leis 等, 2015, p. 209) 「
依赖基数估计的风险:
由于PostgreSQL的优化器纯粹基于代价,不考虑基数估计的内在不确定性和不同算法选择的渐近复杂。
- 查询执行没有在合理时间内完成:由于基数低估过于频繁,导致优化器会冒着高风险来选择低收益的嵌套循环连接;
- 还有一部分查询的执行时间比最优计划的时间多十倍:因为基数低估导致hash连接的hash表大小被低估
」
4.2 Good Plans Despite Bad Cardinalities
“Good Plans Despite Bad Cardinalities” (Leis 等, 2015, p. 209) 「
理论上,有着不同的连接顺序的计划的查询执行时间会在量级上不同,但是当只有主键索引并且嵌套循环连接禁止、hash冲计算启用后,大多数查询的性能会很接近最优计划的性能:
原因有二——
-
只有主键索引,没有外键索引,这导致大多数表只能用全表扫描,这对于表连接顺序的影响很小
-
主存足够大,装入了所有的索引和数据。。。。
」
4.3 Complex Access Paths
“Complex Access Paths” (Leis 等, 2015, p. 210) 「
整体性能普遍提高了,但是随着可用索引的逐渐增多,查询优化器的工作也越来越困难
」
4.4 Join-Crossing Correlations
“Join-Crossing Correlations” (Leis 等, 2015, p. 210) 「
背景:
对于单表,对于存在有相互关系谓词的查询,使用样本可以得到较准确的技术估计。
对于多表连接,来自不同的表的连接查询有 相互关系的谓词 所包含的列 ,由连接来连接。
」
“DBLP case,” (Leis 等, 2015, p. 210) 「
例子:
SELECT COUNT(*) FROM Authors, Authorship, Papers WHERE Authorship.author = Author.author AND Authorship.venue = "VLDB"
对于这个例子,
一般:需要先进行表的连接,然后在进行过滤;
特殊物理设计:将Authorship中的物理设计根据Paper.venue进行划分,这样在连接发生之前,就可以将过滤隐性的进行。
优点:可以避免中间结果无关数据过多。
」
5 Cost Models
与Cardinality estimation error相比,cost models对性能的影响很小。。
6 Plan Space
“PLAN SPACE” (Leis 等, 2015, p. 212) 「
最后一个重要的优化器组件——一个计划枚举算法(探索 语义等价的连接次序 计划空间)
- 全面探索——DP
- 启发式
这个章节的目的:
找到需要多大的搜索空间,才能找到一个好的计划
」
6.1 How Important is the Join Order
“clearly illustrate the importance of the join ordering problem” (Leis 等, 2015, p. 213) 「
从这张代价分布图:
- 最优计划的代价比最慢/中位的代价快了几个数量级
- 不同查询的代价分布很不同
- 外键+主键 这种索引配置的最优代价比其他配置快不少。
」
“highlight the dramatically different search spaces of the three index configurations.” (Leis 等, 2015, p. 213) 「
不同的 索引配置,其对应的搜索空间也很不同:
- 有外键索引的配置,搜索空间更偏向于最优计划的代价(1.5X)
- 有外键的索引配置:搜索空间的代价更宽泛
」
6.2 Are Bushy Trees necessary
“Are Bushy Trees Necessary?” (Leis 等, 2015, p. 213) 「
本章节要解决的问题:多枝树是否有必要?
连接树形——
左深树:
- 连接树的每个连接算子的右子节点都一定是一个基表
- NLJ 的连接树只可能是左深树
右深树:
- 连接树的每个连接算子的左子节点都一定是一个基表
- HJ 和 Sort-Merge Join的连接树有可能是右深树
- 哈希连接为右深树时,会同时有多个表被做成Hash表,从而消耗过多的PGA
锯齿形树(zig-zag trees):
- 连接树的每个连接算子的左右子节点中,至少有一个基表。
浓密树(bushy trees):
- 连接树的每个连接算子的左右子节点可能都不是基表,结构为安全自由
- 优化器无法选择其他树形时,才会选择浓密树
- 一般当查询包含 子查询/视图,可能产生浓密树。
---
连接树的处理规则:
・从最左端的叶节点开始处理
・左节点的处理优先级高于右节点
・左节点驱动右节点
・子节点在父节点之前进行处理
・子节点处理完获得的数据返回给父节点。
---
限制条件和连接条件——
注:限制条件可在连接条件之前执行
限制条件:
- 两个数据集通过连接条件进行连接,Where中(传统)或者From中(ANSI 标准)
连接条件:
- 在连接返回的结果集上应用限制条件(传统和ANSI 标准)
- 防止出现 交叉乘积连接
---
连接类型——
Nested-Loop Join :
- 左子节点为外部循环,右子节点为内部循环
- 对于左子节点的每一条记录,右子节点都要执行一次连接条件和限制条件。
2.1 外部循环只执行一次
2.2 内部循环执行多次
- 在所有数据执行完之前,就可以获得结果集的第一条记录
- 可以利用索引来高效连接
Hash Join:
1.
Sort-Merge Join:
- 每个输入数据集都必须先按照连接条件的字段进行排序
- 每个输入数据集只执行一次
- 在所有数据执行完之后,才能获得第一条记录
」
6.3 Are Heuristics Good Enough
“Are Heuristics Good Enough?” (Leis 等, 2015, p. 213) 「
启发式算法 足够好吗?
在技术估计质量不好的情况下,比较:
-
全面的动态规划:exhaustive dynamic programming
-
随机化的启发式:QuickPick-1000
-
贪婪的启发式:Greedy Operator Ordering
归一化,用真实的基数使用动态规划得到真实最优计划的代价,得到结论:
- 尽管存在技术估计误差,使用 全面的动态规划 算法,来全面地检查 搜索空间 是很值得的
- 好的 基数估计 的性能潜力,会提高性能
- 考虑到,为 数十个表连接的查询 找到最优计划,是存在 全面的枚举算法:因此很少有需要诉诸于 禁用浓密树和启发式算法 的情况。
」
以上是关于Paper Reading: How good are query optimizers, really?的主要内容,如果未能解决你的问题,请参考以下文章
Paper Reading 4:Massively Parallel Methods for Deep Reinforcement Learning
paper reading - A Fusion-based enhancing method for weakly illuminated images
Paper Reading - 综述系列 - 计算机视觉领域中目标检测任务常见问题与解决方案
【Paper Reading】VideoBERT: A Joint Model for Videoand Language Representation Learning