都芳漆中文网站建设,德州企业做网站多少钱,国外扁平化设计网站,佛山网站建设网络推广Part15-Query Planning Optimization II
Selection Statistics
维护每张表中的基本主要信息也就是tuple数量 N R N_R NR以及每个属性中不同值的数量 V ( A , R ) V(A,R) V(A,R)#xff0c; N R N_R NR关系R中的元组数量#xff0c;单独维护#xff0c;不能用pag…Part15-Query Planning Optimization II
Selection Statistics
维护每张表中的基本主要信息也就是tuple数量 N R N_R NR以及每个属性中不同值的数量 V ( A , R ) V(A,R) V(A,R) N R N_R NR关系R中的元组数量单独维护不能用page * 每个page中的tuple数因为mvcc 或者 填不满tuple。selection cardinality (SC(A,R)) 选择基数tuple数量除以属性A下 去重之后值的数量来计算出 选择基数。
假设数据均匀分布data uniformity
Complex Predicates
selectivity(sel)选择率针对该表的一个给定的选择条件P会计算出该表中有多少符合条件的tuple。
例子 V(age,people) 0-4, Nr 5Equality PredicateAconstant → sel(A const) SC§ / Nr。 sel(age2) 1 5 \frac{1}{5} 51
Range Predictsel(A ≥ a) (Amax - a) / (Amax - Amin) Example sel(age ≥ 2) (4-2) / (4-0) 1/2
Negation Querysel (not P) 1 - sel§, sel(age≠2) 1-1/5 4/5
条件选择率selectivity ≈ Probability
Conjunctionsel(P1 ∩ \cap ∩ P2) sel(P1) * sel(P2)
Disjunction: sel(P1 ∪ \cup ∪ P2) sel(P1) sel(P2) - sel(P1) * sel(P2)
上述假设前提1. uniform data 2. independent predicates 3. inclusion principle(嵌套原则inner table 的 tuple outer table中一定有匹配)
Cost Estimations
data values uniformly distributed equi-width Histogram Histograms with Quantiles
调整bucket的宽度使得每个bucket的count总和都大致相等 Sampling
收集samples来维护一张sample样本表然后根据该样本来衍生出统计信息样本来估测总体。
Single-Relation Query Planning
循序扫描binary searchindex scanheuristics 启发式方法
OLTP Query Planning
本质上鉴定这个查询是否是sargable(search argument able)的
通常pick the best indexJoin几乎总是在小基数的外键关系上可以用简单的启发式规则就能实现
Multi-Relation Query Planning
限制搜索空间System R:只考虑左深连接树 left-deep join tree
join operator 可以任意顺序交换来join 但是得到的结果都是一样的。 why left-deep join tree? pipelined model可以不用吧中间结果写入临时文件是流水的
枚举查询计划
Enumerate the orderings:left -deep tree#1 , …#2Enumerate the plans for each operator, hash join\sort-merge join \ nested-loop join …Enumerate the acess paths for each table, index #1,#2 ,seq scan …
Dynamic Programming Postgres Optimizer 传统的dynamic programming Approach 还有genetic Query Optimizer GEQO遗传查询优化器查询过于复杂的时候就会选择用遗传算法 比如≥12个表join就用。模拟退火、遗传算法、启发式 snowflake scheme对超大表进行拆分数亿条很长的购买记录进行解耦雪花模型就是fact table 在中心然后diemension在四周
Nested Sub-Queries
rewrite to de-correlate and/or flatten them重写查询来去掉彼此关联性扁平化处理将内部查询提取出来作为一个单独的查询执行然后把查询结果传入第一个查询
select name from sailors as Swhere exists(select * from reserves as Rwhere S.sid R.sidand R.day 2018-10-15
)
# ------------------------------------
select name from sailors as S, reservers AS R
where S.sid R.sidand R.day 2018-10-15内外查询是相关的重写成下面
例子取出nested block 保存为某个变量
