Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
Veröffentlicht von:Adalwolfa Woertz Geändert vor über 10 Jahren
1
Kapitel 8 Anfragebearbeitung Logische Optimierung Physische Optimierung Kostenmodelle Tuning
2
2 Ablauf der Anfrageoptimierung Scanner Parser Sichtenauflösung Anfrage- Optimierer Codeerzeugung Ausführung Deklarative Anfrage Algebraischer Ausdruck Auswertungs- Plan (QEP)
3
3 Kanonische Übersetzung select A1,..., An from R1,..., Rk where P R1R2 R3 Rk P A1,..., An
4
4 Kanonische Übersetzung select Titel from Professoren, Vorlesungen where Name = ´Popper´ and PersNr = gelesenVon Professoren Vorlesungen Name = ´Popper´ and PersNr=gelesenVon Titel Titel ( Name = ´Popper´ and PersNr=gelesenVon (Professoren Vorlesungen))
5
5 Erste Optimierungsidee select Titel from Professoren, Vorlesungen where Name = ´Popper´ and PersNr = gelesenVon Professoren Vorlesungen PersNr=gelesenVon Titel Titel ( PersNr=gelesenVon (( Name = ´Popper´ Professoren) Vorlesungen)) Name = ´Popper´
6
6 Grundsätze: Sehr hohes Abstraktionsniveau der mengenorientierten Schnittstelle (SQL). Sie ist deklarativ, nicht-prozedural, d.h. es wird spezifiziert, was man finden möchte, aber nicht wie. Das wie bestimmt sich aus der Abbildung der mengenorientierten Operatoren auf Schnittstellen- Operatoren der internen Ebene (Zugriff auf Datensätze in Dateien, Einfügen/Entfernen interner Datensätze, Modifizieren interner Datensätze). Zu einem was kann es zahlreiche wies geben: effiziente Anfrageauswertung durch Anfrageoptimierung. i.Allg. wird aber nicht die optimale Auswertungsstrategie gesucht (bzw. gefunden) sondern eine einigermaßen effiziente Variante Ziel: avoiding the worst case Optimierung von Datenbank- Anfragen
7
7 1. Aufbrechen von Konjunktionen im Selektionsprädikat c 1 c 2... c n (R ) c 1 ( c 2 (…( c n (R )) …)) 2. ist kommutativ c 1 ( c 2 ((R )) c 2 ( c 1 ((R )) 3. -Kaskaden: Falls L 1 L 2 … L n, dann gilt L 1 ( L 2 (…( L n (R )) …)) L 1 (R ) 4. Vertauschen von und Falls die Selektion sich nur auf die Attribute A 1, …, A n der Projektionsliste bezieht, können die beiden Operationen vertauscht werden A 1, …, A n ( c (R )) c ( A 1, …, A n (R )) 5.,, und A sind kommutativ R A c S S A c R Äquivalenzerhaltende Transformationsregeln
8
8 6. Vertauschen von mit A Falls das Selektionsprädikat c nur auf Attribute der Relation R zugreift, kann man die beiden Operationen vertauschen: c (R A j S) c (R) A j S Falls das Selektionsprädikat c eine Konjunktion der Formc 1 c 2 ist und c 1 sich nur auf Attribute aus R und c 2 sich nur auf Attribute aus S bezieht, gilt folgende Äquivalenz: c (R A j S) c (R) A j ( c 2 (S)) Äquivalenzerhaltende Transformationsregeln
9
9 7. Vertauschung von mit A Die Projektionsliste L sei: L = {A 1,…,A n, B 1,…,B m }, wobei A i Attribute aus R und B i Attribute aus S seien. Falls sich das Joinprädikat c nur auf Attribute aus L bezieht, gilt folgende Umformung: L (R A c S) ( A 1, …, A n (R)) A c ( B 1, …, B n (S)) Falls das Joinprädikat sich auf weitere Attribute, sagen wir A 1 ', …, A p ', aus R und B 1 ', …, B q ' aus S bezieht, müssen diese für die Join-Operation erhalten bleiben und können erst danach herausprojiziert werden: L (R A c S) L ( A 1, …, A n, A 1, …, A n (R) A c B 1, …, B n, B 1, …, B n (R)) Für die -Operation gibt es kein Prädikat, so dass die Einschränkung entfällt. Äquivalenzerhaltende Transformationsregeln
10
10 8. Die Operationen A,,, sind jeweils (einzeln betrachtet) assoziativ. Wenn also eine dieser Operationen bezeichnet, so gilt: (R S ) T R (S T ) 9. Die Operation ist distributiv mit,,. Falls eine dieser Operationen bezeichnet, gilt: c (R S) ( c (R)) ( c (S)) 10. Die Operation ist distributiv mit. c (R S) ( c (R)) ( c (S)) Äquivalenzerhaltende Transformationsregeln
11
11 11. Die Join- und/oder Selektionsprädikate können mittels de Morgan's Regeln umgeformt werden: (c 1 c 2 ) ( c 1 ) ( c 2 ) 12. Ein kartesisches Produkt, das von einer Selektions- Operation gefolgt wird, deren Selektionsprädikat Attribute aus beiden Operanden des kartesischen Produktes enthält, kann in eine Joinoperation umgeformt werden. Sei c eine Bedingung der Form A B, mit A ein Attribut von R und B ein Attribut aus S. c (R S ) R A c S Äquivalenzerhaltende Transformationsregeln
12
12 1. Mittels Regel 1 werden konjunktive Selektionsprädikate in Kaskaden von -Operationen zerlegt. 2. Mittels Regeln 2, 4, 6, und 9 werden Selektionsoperationen soweit nach unten propagiert wie möglich. 3. Mittels Regel 8 werden die Blattknoten so vertauscht, dass derjenige, der das kleinste Zwischenergebnis liefert, zuerst ausgewertet wird. 4. Forme eine -Operation, die von einer -Operation gefolgt wird, wenn möglich in eine -Operation um 5. Mittels Regeln 3, 4, 7, und 10 werden Projektionen soweit wie möglich nach unten propagiert. 6. Versuche Operationsfolgen zusammenzufassen, wenn sie in einem Durchlauf ausführbar sind (z.B. Anwendung von Regel 1, Regel 3, aber auch Zusammenfassung aufeinanderfolgender Selektionen und Projektionen zu einer Filter-Operation). Heuristische Anwendung der Transformationsregeln
13
13 Anwendung der Transformationsregeln select distinct s.Semester from Studenten s, hören h Vorlesungen v, Professoren p where p.Name = ´Sokrates´ and v.gelesenVon = p.PersNr and v.VorlNr = h.VorlNr and h.MatrNr = s.MatrNr sh v p p.Name = ´Sokrates´ and... s.Semester
14
14 Aufspalten der Selektionsprädikate sh v p p.Name = ´Sokrates´ and... s.Semester sh v p p.PersNr=v.gelesenVon s.Semester p.Name = ´Sokrates´ s.MatrNr=h.MatrNr v.VorlNr=h.VorlNr
15
15 Verschieben der Selektionsprädikate Pushing Selections sh v p p.PersNr=v.gelesenVon s.Semester p.Name = `Sokrates` s.MatrNr=h.MatrNr v.VorlNr=h.VorlNr sh v p p.PersNr=v.gelesenVon s.Semester p.Name = ´Sokrates´ s.MatrNr=h.MatrNr v.VorlNr=h.VorlNr
16
16 Zusammenfassung von Selektionen und Kreuzprodukten zu Joins sh v p p.PersNr=v.gelesenVon s.Semester p.Name = ´Sokrates´ s.MatrNr=h.MatrNr v.VorlNr=h.VorlNr sh v p A s.MatrNr=h.MatrNr A p.PersNr=v.gelesenVon s.Semester p.Name = ´Sokrates´ A v.VorlNr=h.VorlNr
17
17 Optimierung der Joinreihenfolge Kommutativität und Assoziativität ausnutzen s h v p A s.MatrNr=h.MatrNr A p.PersNr=v.gelesenVon s.Semester p.Name = ´Sokrates´ A v.VorlNr=h.VorlNr sh v p A p.PersNr=v.gelesenVon s.Semester p.Name = ´Sokrates´ A v.VorlNr=h.VorlNr A s.MatrNr=h.MatrNr
18
18 Was hat´s gebracht? s h v p A s.MatrNr=h.MatrNr A p.PersNr=v.gelesenVon s.Semester p.Name = ´Sokrates´ A v.VorlNr=h.VorlNr sh v p A p.PersNr=v.gelesenVon s.Semester p.Name = ´Sokrates´ A v.VorlNr=h.VorlNr A s.MatrNr=h.MatrNr 13 4 1 3 4 4
19
19 Einfügen von Projektionen s h v p A s.MatrNr=h.MatrNr A p.PersNr=v.gelesenVon s.Semester p.Name = ´Sokrates´ A v.VorlNr=h.VorlNr s h v p A s.MatrNr=h.MatrNr A p.PersNr=v.gelesenVon s.Semester p.Name = ´Sokrates´ A v.VorlNr=h.VorlNr h.MatrNr
20
20 Eine weitere Beispieloptimierung
21
21
22
22
23
23
24
24
25
25
26
26
27
27
28
28 Pull-basierte Anfrageauswertung open next Return Ergebnis
29
29 Pipelining vs. Pipeline-Breaker RS... T
30
30 Pipelining vs. Pipeline-Breaker RS... T
31
31 Pipeline-Breaker Unäre Operationen sort Duplikatelimination (unique,distinct) Aggregatoperationen (min,max,sum,...) Binäre Operationen Mengendifferenz Je nach Implementierung Join Union
32
32
33
33 J1 nested (inner-outer) loop brute force-Algorithmus foreach r R foreach s S if s.B = r.A then Res := Res (r s) Implementierung der Verbindung: Strategien
34
34
35
35 Block-Nested Loop Algorithmus Implementierung der Verbindung: Strategien m-k R k S kkkkk
36
36
37
37
38
38 J4 Hash-Join R und S werden mittels der gleichen Hashfunktion h – angewendet auf R.A und S.B – auf (dieselben) Hash- Buckets abgebildet Hash-Buckets sind i.Allg. auf Hintergrundspeicher (abhängig von der Größe der Relationen) Zu verbindende Tupel befinden sich dann im selben Bucket Wird (nach praktischen Tests) nur vom Merge-Join geschlagen, wenn die Relationen schon vorsortiert sind Implementierung der Verbindung: Strategien
39
39 Implementierung der Verbindung: Strategien RS r1r1 5 s1s1 5 r4r4 5 s4s4 5 10s3s3 r2r2 7 s2s2 7 r3r3 8 h(A)h(A)h(B ) Bucket 3 Bucket 2Bucket 1
40
40 Normaler blockierender Hash- Join mit Überlauf: Partitionieren Send R Send S receive P1 P2P3 Partition h(R.A) P1 P2 P3 Partition h(S.A) receive
41
41 Normaler blockierender Hash-Join mit Überlauf: Build/Probe Send R Send S P1 P2P3 Partition h(R.A) P1 P2 P3 build Hashtabelle probe Lade Blöcke von P1
42
42
43
43
44
44
45
45
46
46 Hybrid Hash-Join Fange so an, als wenn der Build-Input S vollständig in den Hauptspeicher passen würde Sollte sich dies als zu optimistisch herausstellen, verdränge eine Partition nach der anderen aus dem Hauptspeicher Mindestens eine Partition wird aber im Hauptspeicher verbleiben Danach beginnt die Probe-Phase mit der Relation R Jedes Tupel aus R, dessen potentielle Join-Partner im Hauptspeicher sind, wird sogleich verarbeitet Hybrid Hash-Join ist dann besonders interessant, wenn der Build-Input knapp größer als der Hauptspeicher ist Kostensprung beim normalen Hash-Join Wird oft auch Grace-Hash-Join genannt, weil er für die Datenbankmaschine Grace in Japan erfunden wurde
47
47 Hybrid Hash-Join RS P1 P2 P3 Hashtabelle
48
48 Hybrid Hash-Join RS P3 P1 P2 Hashtabelle
49
49 Hybrid Hash-Join RS P2 P3 P1 Hashtabelle
50
50 Hybrid Hash-Join R P2P3 Partition h(R.A) P2 P3 Hashtabelle probe Wenn r zur ersten Partition gehört
51
51 Parallele Anfragebearbeitung: Hash Join A´B´ scan split Ai Bi join merge A´´B´´ scan split Aj Bj join merge
52
52 Paralleler Hash Join – im Detail 1.An jeder Station werden mittels Hash-Funktion h1 die jeweiligen Partitionen von A und B in A1,...,Ak und B1,...,Bk zerlegt zh1 muss so gewählt werden, dass alle Ai´s aller Stationen in den Hauptspeicher passen 2.Für alle 1 <= i <= n: Berechne jetzt den Join von Ai mit Bi wie folgt a.Wende eine weitere Hash-Funktion h2 an, um Ai auf die l Stationen zu verteilen zSende Tupel t an Station h2(t) b.Eintreffende Ai-Tupel werden in die Hash-Tabelle an der jeweiligen Station eingefügt c.Sobald alle Tupel aus Ai verschickt sind, wird h2 auf Bi angewendet und Tupel t an Station h2(t) geschickt d.Sobald ein Bi-Tupel eintrifft, werden in der Ai-Hashtabelle seine Joinpartner ermittelt.
53
53 Mengendurchschnitt (~Join) mit einem Hash/Partitionierungs-Algorithmus R 2 3 44 5 76 90 13 17 42 88 S 44 17 97 4 6 27 2 13 3 R S Nested Loop: O(N 2 ) Sortieren: O(N log N) Partitionieren und Hashing
54
54 Mengendurchschnitt mit einem Hash/Partitionierungs-Algorithmus R 2 3 44 5 76 90 13 17 42 88 S 44 17 97 4 6 27 2 13 3 R S R 3 90 42 76 13 88 2 44 5 17 Mod 3
55
55 Mengendurchschnitt mit einem Hash/Partitionierungs-Algorithmus R 2 3 44 5 76 90 13 17 42 88 S 44 17 97 4 6 27 2 13 3 R S R 3 90 42 76 13 88 2 44 5 17 S 6 27 3 97 4 13 44 17 2 Mod 3
56
56 Mengendurchschnitt mit einem Hash/Partitionierungs-Algorithmus R 2 3 44 5 76 90 13 17 42 88 S 44 17 97 4 6 27 2 13 3 R S R 3 90 42 76 13 88 2 44 5 17 S 6 27 3 97 4 13 44 17 2 Mod 3
57
57 Mengendurchschnitt mit einem Hash/Partitionierungs-Algorithmus R S R 3 90 42 76 13 88 2 44 5 17 S 6 27 3 97 4 13 44 17 2 6 27 3 Mod 5 Build- Phase Hashtabelle
58
58 Mengendurchschnitt mit einem Hash/Partitionierungs-Algorithmus R S = {3, } R 3 90 42 76 13 88 2 44 5 17 S 6 27 3 97 4 13 44 17 2 6 27 3 Mod 5 Probe- Phase
59
59 Mengendurchschnitt mit einem Hash/Partitionierungs-Algorithmus R S = {3, } R 3 90 42 76 13 88 2 44 5 17 S 6 27 3 97 4 13 44 17 2 97 13 4 Mod 5 Build-Phase 2. Partition
60
60 Mengendurchschnitt mit einem Hash/Partitionierungs-Algorithmus R S = {3, } R 3 90 42 76 13 88 2 44 5 17 S 6 27 3 97 4 13 44 17 2 97 13 4 Mod 5 Probe-Phase 2. Partition
61
61 Mengendurchschnitt mit einem Hash/Partitionierungs-Algorithmus R S = {3, 13 } R 3 90 42 76 13 88 2 44 5 17 S 6 27 3 97 4 13 44 17 2 97 13 4 Mod 5 Probe-Phase 2. Partition
62
62 Mengendurchschnitt mit einem Hash/Partitionierungs-Algorithmus R 2 3 44 5 76 90 13 17 42 88 S 44 17 97 4 6 27 2 13 3 R 3 90 42 76 13 88 2 44 5 17 S 6 27 3 97 4 13 44 17 2 Mod 3 R S = {3, 13, 2, 44, 17 }
63
63 Vergleich: Sort/Merge-Join versus Hash-Join R run S merge R partition S
64
64 Prallelausführung von Aggregat- Operationen Min: Min(R.A) = Min ( Min(R1.A),..., Min(Rn.A) ) Max: analog Sum: Sum(R.A) = Sum ( Sum(R1.a),..., Sum(Rn.A) ) Count: analog Avg: man muß die Summe und die Kardinalitäten der Teilrelationen kennen; aber vorsicht bei Null-Werten! Avg(R.A) = Sum(R.A) / Count(R) gilt nur wenn A keine Nullwerte enthält.
65
65 1 1 1 1 0 0 1 1 1 1 0 0 False drops 6 Bit (realistisch |R|*k Bits) Join mit Hashfilter (Bloom-Filter) R1 R2 partitionieren S1 S2 partitionieren
66
66.. Join mit Hashfilter (False Drop Abschätzung) Wahrscheinlichkeit, dass ein bestimmtes Bit j gesetzt ist W. dass ein bestimmtes r R das Bit setzt: 1/b W. dass kein r R das Bit setzt: (1-1/b) |R| W. dass ein r R das Bit gesetzt hat: 1- (1-1/b) |R| 0 1.. j b-1
67
67 Illustration: Externes Sortieren 97 17 3 5 27 16 2 99 13
68
68 Illustration: Externes Sortieren 97 17 3 5 27 16 2 99 13
69
69 Illustration: Externes Sortieren 97 17 3 5 27 16 2 99 13 97 17 3
70
70 Illustration: Externes Sortieren 97 17 3 5 27 16 2 99 13 3 17 97 sort
71
71 Illustration: Externes Sortieren 97 17 3 5 27 16 2 99 13 3 3 17 97 17 97 sort run
72
72 Illustration: Externes Sortieren 97 17 3 5 27 16 2 99 13 5 3 17 97 27 16 run
73
73 Illustration: Externes Sortieren 97 17 3 5 27 16 2 99 13 5 3 17 97 5 16 27 16 27 sort run
74
74 Illustration: Externes Sortieren 97 17 3 5 27 16 2 99 13 2 3 17 97 5 16 27 99 13 run
75
75 Illustration: Externes Sortieren 97 17 3 5 27 16 2 99 13 2 3 17 97 5 16 27 2 13 99 13 99 sort run
76
76 Illustration: Externes Sortieren 3 3 17 97 5 16 27 2 13 99 5 2 merge run
77
77 Illustration: Externes Sortieren 2 3 3 17 97 5 16 27 2 13 99 5 2 merge run
78
78 Illustration: Externes Sortieren 2323 3 3 17 97 5 16 27 2 13 99 5 13 merge run
79
79 Illustration: Externes Sortieren 235235 17 3 17 97 5 16 27 2 13 99 5 13 merge run
80
80 Illustration: Externes Sortieren 235235 17 3 17 97 5 16 27 2 13 99 16 13 merge run
81
81 Illustration: Externes Sortieren 2 3 5 13 17 3 17 97 5 16 27 2 13 99 16 13 run
82
82 Externes Sortieren: Merge mittels Heap/Priority Queue 3 17 97 5 16 27 2 13 99 merge run 3 52
83
83 Externes Sortieren: Merge mittels Heap/Priority Queue 3 17 97 5 16 27 2 13 99 merge run 2 53
84
84 Externes Sortieren: Merge mittels Heap/Priority Queue 2 3 17 97 5 16 27 2 13 99 run 2 53
85
85 Externes Sortieren: Merge mittels Heap/Priority Queue 2 3 17 97 5 16 27 2 13 99 run 13 53 Ganz wichtig: aus dem grünen Run nachladen (also aus dem Run, aus dem das Objekt stammte)
86
86 Externes Sortieren: Merge mittels Heap/Priority Queue 2 3 17 97 5 16 27 2 13 99 run 3 513
87
87 Externes Sortieren: Merge mittels Heap/Priority Queue 2323 3 17 97 5 16 27 2 13 99 run 3 513
88
88 Externes Sortieren: Merge mittels Heap/Priority Queue 2323 3 17 97 5 16 27 2 13 99 run 17 513
89
89 Externes Sortieren: Merge mittels Heap/Priority Queue 2323 3 17 97 5 16 27 2 13 99 run 5 1713
90
90 Mehrstufiges Mischen / Merge
91
91 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 Ersetze Array durch Einen Heap
92
92 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 Heap 97
93
93 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 Heap 1-97 1-17
94
94 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 Heap 1-17 1-97
95
95 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 Heap 1-17 1-971-3
96
96 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 Heap 1-3 1-971-17
97
97 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3 Heap 1-3 1-971-17
98
98 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3 Heap 1-5 1-971-17
99
99 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3535 Heap 1-5 1-971-17
100
100 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3535 Heap 1-27 1-971-17
101
101 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3535 Heap 1-27 1-971-17
102
102 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3535 Heap 1-17 1-971-27
103
103 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3 5 17 Heap 1-17 1-971-27
104
104 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3 5 17 Heap 2-16 1-971-27 Nächster Run, kleiner als 17
105
105 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3 5 17 Heap 2-16 1-971-27 Nächster Run, kleiner als 17
106
106 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3 5 17 Heap 1-27 1-972-16
107
107 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3 5 17 27 Heap 1-27 1-972-16
108
108 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3 5 17 27 Heap 2-2 1-972-16
109
109 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3 5 17 27 Heap 2-2 1-972-16
110
110 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3 5 17 27 97 Heap 1-97 2-22-16
111
111 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3 5 17 27 97 Heap 1-99 2-22-16
112
112 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3 5 17 27 97 99 Heap 1-99 2-22-16
113
113 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3 5 17 27 97 99 Heap 2-13 2-22-16
114
114 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3 5 17 27 97 99 Heap 2-2 2-132-16
115
115 Replacement Selection während der Run-Generierung 97 17 3 5 27 16 2 99 13 3 5 17 27 97 99 2 13 16 Heap 2-2 2-132-16
116
116 Implementierungs-Details Natürlich darf man nicht einzelne Datensätze zwischen Hauptspeicher und Hintergrundspeicher transferieren Jeder Round-Trip kostet viel Zeit (ca 10 ms) Man transferiert größere Blöcke Mindestens 8 KB Größe Replacement Selection ist problematisch, wenn die zu sortierenden Datensätze variable Größe habe Der neue Datensatz passt dann nicht unbedingt in den frei gewordenen Platz, d.h., man benötigt eine aufwendigere Freispeicherverwaltung Replacement Selection führt im Durchschnitt zu einer Verdoppelung der Run-Länge Beweis findet man im [Knuth] Komplexität des externen Sortierens? O(N log N) ??
117
117 Algorithmen auf sehr großen Datenmengen R 2 3 44 5 78 90 13 17 42 89 S 44 17 97 5 6 27 2 13 9 R S Nested Loop: O(N 2 ) Sortieren: O(N log N) Partitionieren und Hashing
118
118 Übersetzung der logischen Algebra RS A R.A=S.B RS HashJoin R.A=S.B RS MergeJoin R.A=S.B [Sort R.A ][Sort S.B ] R S IndexJoin R.A=S.B [Hash S.B | Tree S.B ] R S NestedLoop R.A=S.B [Bucket]
119
119 Übersetzung der logischen Algebra P R Select P R IndexSelect P R
120
120 Übersetzung der logischen Algebra l R [NestedDup] Project l R [SortDup] Sort Project l R [IndexDup] [Hash | Tree] Project l R
121
121 Ein Auswertungsplan Ein Auswer- tungsplan
122
122 Wiederholung der Optimierungsphasen select distinct s.Semester from Studenten s, hören h Vorlesungen v, Professoren p where p.Name = ´Sokrates´ and v.gelesenVon = p.PersNr and v.VorlNr = h.VorlNr and h.MatrNr = s.MatrNr sh v p p.Name = ´Sokrates´ and... s.Semester
123
123 s h v p A s.MatrNr=h.MatrNr A p.PersNr=v.gelesenVon s.Semester p.Name = ´Sokrates´ A v.VorlNr=h.VorlNr
124
124 Kostenbasierte Optimierung Generiere alle denkbaren Anfrageausertungspläne Enumeration Bewerte deren Kosten Kostenmodell Statistiken Histogramme Kalibrierung gemäß verwendetem Rechner Abhängig vom verfügbaren Speicher Aufwands-Kostenmodell Durchsatz-maximierend Nicht Antwortzeit-minimierend Behalte den billigsten Plan
125
125 Problemgröße Suchraum (Planstruktur) 1.# Bushy-Pläne mit n Tabellen [Ganguly et al. 1992]: nenen (2(n-1))!/(n-1)! 272 51461680 10220261,76*10 10 204,85 * 10 9 4,3*10 27 (2(n-1))! (n-1)! 2. Plankosten unterscheiden sich um Größenordnungen 3. Optimierungsproblem ist NP-hart [Ibaraki 1984]
126
126
127
127 Sind verschiedene Strategien anwendbar, so benötigt man zur Auswahl eine Kostenfunktion. Sie basiert auf dem Begriff der Selektivität. Die Selektivität eines Suchprädikats schätzt die Anzahl der qualifizierenden Tupel relativ zur Gesamtanzahl der Tupel in der Relation. Beispiele: die Selektivität einer Anfrage, die das Schlüsselattribut einer Relation R spezifiziert, ist 1/ #R, wobei #R die Kardinalität der Relation R angibt. Wenn ein Attribut A spezifiziert wird, für das i verschiedene Werte existieren, so kann die Selektivität als (#R/i) / #Roder 1/i abgeschätzt werden. Selektivität
128
128
129
129 Abschätzung für einfache Fälle
130
130 Parametrisierte Verteilung Histogramm
131
131
132
132 I/O-Kosten: Block Nested Loop Join
133
133 Tuning von Datenbanken Statistiken (Histogramme, etc.) müssen explizit angelegt werden Anderenfalls liefern die Kostenmodelle falsche Werte In Oracle … analyze table Professoren compute statistics for table; Man kann sich auch auf approximative Statistiken verlassen Anstatt compute verwendet man estimate In DB2 … runstats on table …
134
134 Analysieren von Leistungsengpässen Geschätzte Kosten von Oracle
135
135 Baumdarstellung
136
136 Beispiel Anfrage SELECT* FROMA, B, C WHERE A.a = B.a AND B.b = C.a ; Blätter Tabellen innere Knoten Operatoren Annotation Ausführungsorte ship client IdxNLJ 1 idxscan 3 fscan 2 fscan 1 A1A1 C3C3 B2B2 HashJ 1 Auswertungsplan
137
137 Algorithmen - Ansätze Erschöpfende Suche Dynamische Programmierung (System R) A* Suche Heuristiken (Planbewertung nötig) Minimum Selectivity, Intermediate Result,... KBZ-Algorithmus, AB-Algorithmus Randomisierte Algorithmen Iterative Improvement Simulated Annealing
138
138 Problemgröße Suchraum (Planstruktur) 1.# Bushy-Pläne mit n Tabellen [Ganguly et al. 1992]: nenen (2(n-1))!/(n-1)! 272 51461680 10220261,76*10 10 204,85 * 10 9 4,3*10 27 (2(n-1))! (n-1)! 2. Plankosten unterscheiden sich um Größenordnungen 3. Optimierungsproblem ist NP-hart [Ibaraki 1984]
139
139 Dynamische Programmierung II Identifikation von 3 Phasen 1.Access Root - Phase: Aufzählen der Zugriffspläne 2.Join Root - Phase: Aufzählen der Join-Kombinationen 3.Finish Root - Phase: sort, group-by, etc.
140
140 Optimierung durch Dynamische Programmierung Standardverfahren in heutigen relationalen Datenbanksystemen Voraussetzung ist ein Kostenmodell als Zielfunktion I/O-Kosten CPU-Kosten DP basiert auf dem Optimalitätskriterium von Bellman Literatur zu DP: D. Kossmann und K. Stocker: Iterative Dynamic Programming, TODS, 2000 to appear (online) OS-O Optimaler Subplan Optimaler Subplan
141
141 DP - Beispiel IndexPläne {ABC} {BC} {AC} {AB} {C} {B} {A} 1. Phase: Zugriffspläne ermitteln
142
142 DP - Beispiel IndexPläne {ABC} {BC} {AC} {AB} {C}scan(C) {B}scan(B), iscan(B) {A}scan(A) 1. Phase: Zugriffspläne ermitteln
143
143 DP - Beispiel IndexPläne {ABC} {BC}... {AC}s(A) A s(C), s(C) A s(A) {AB}s(A) A s(B), s(A) A is(B), is(B) A s(A),... {C}scan(C) {B}scan(B), iscan(B) {A}scan(A) Pruning 2. Phase: Join-Pläne ermitteln (2-fach,...,n-fach)
144
144 DP - Beispiel IndexPläne {ABC} (is(B) A s(A)) A s(C) {BC}... {AC} s(A) A s(C) {AB} s(A) A is(B), is(B) A s(A) {C}scan(C) {B}scan(B), iscan(B) {A}scan(A) 3. Phase: Finalisierung
145
145 Enumeration Effiziente Enumeration [Vance 96] anstatt zunächst alle 2-elem, 3-elem,..., n-elem Pläne sequentiell zu enumerieren: effizientes Interleaving nur Pläne aus bereits berechneten Zeilen notwendig Beispiel: 1. A 2. B 3. AB 4. C 5. AC 6. BC 7. ABC
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.