1632
правки
Изменения
м
Пусть есть И следующая база данныхтаблица Groups:*<var>Groups(GId, Name)</var>** $10^3$ записей** Индексы: <var>(GId)</var> (кластеризованный), <var>(Name)</var>
<var>Students(SId, FirstName, LastName, GId, Year)</var>
* $10^4$ записей
* Индексы: <var>(SId)</var> (кластеризованный), <var>(GId)</var>
<var>Groups(GId, Name)</var>* $10^3$ записей* Индексы==== Запрос: <var>(GId)</var> (кластеризованный), <var>(Name)</var>====
И следующий запрос:Будем выбирать студентов группы M3439
План 5. <var>Groups(Name)</var>, <var>Students(GId)</var>* $π_{Name}(S ⋈ σ_{Name=M34391}(G))$* $2 + (3 + 20) + 20 ≈ 45$ операций=== Результат ====
От выбора плана сильно зависит производительностьНачали с $2·10^7$ операций — наиболее '''медленный''' план
Наиболее медленный план Закончили $2·10^745$ операций— наиболее '''быстрый''' план
Наиболее быстрый план $45$ операцийРазница на много порядков. Сократили время чуть ли не в миллион раз. Выбор плана исполнения запроса '''очень сильно''' влияет на скорость работы. ----[[Файл:Structure_Query.png|430px|thumb|right|Обработка запроса]][[Файл:Structure_Planner.png|430px|thumb|right|Планировщик запроса]]
== Перезапись '''Общий план:'''* На вход приходит sql. * Отправляем его в разборщик запросов(парсер). Он на выходе выдаст реляционную алгебру. * Затем планировщик запроса == снабжает операции реляционной алгебры информацией о том как он собирается их исполнять и в каком порядке.* Реляционная алгебра передается в исполнитель запроса, который ее исполняет. Исполнитель запроса взаимодействует с источником данных в тот момент, когда ему понадобились данные для исполнения запросов.
Преобразование подзапросовПланировщик запроса. Занимается более интеллектуальными вещами, например выбор структуры, выбор методов исполнения. Он очень сильно зависит от модели оценки, которая позволяет ему достаточно точно оценивать объем результатов, которые он должен получить.*Планировщик запроса** Принимает решение об оптимизации в зависимости от данных. Может посмотреть например на информацию из индексов. ** В отличии от перезаписи запросов, когда у нас есть формальные правила что и когда нужно делать, планировщику часто приходится перебирать различные варианты исполнения
Преобразуются в реляционную алгебру==== Выбор структуры и метода ====
Запись в реляционном исчислении*При выборе структуры:** Планировщик преобразует запрос. Тут сильно помогают свойства реляционной алгебры, которые позволяют строить альтернативные эквивалентные варианты исполнения** Планировщик выбирает порядок выполнения операций** Планировщик выбирает порядок соединений
Вынос кванторов*Выбор метода исполнения** Для каждой операции планировщик решает каким конкретно способом операция должна быть исполнена
Преобразование в алгебруВ итоге получается, что планировщик строит конкретный план, но обычно он строит много различных планов и ему нужно оценить, какой из этих планов будет самым быстрым
Преобразование соединений==== Оценка плана ====
Внешние соединенияДля оценки эффективности плана у планировщика есть ''модель стоимости''
$R_1 \ojoin_θ R_2 ⇒ (R_1 \ljoin_θ R_2) ∪ (R_1 \rjoin_θ R_2)$*Модель стоимости** Есть стоимость операции** Есть формулы, которые пересчитывают стоимость операций в зависимости от входных** Есть формулы, которые пересчитывают стоимость в зависимости от ожидаемых выходных данных
$R_1 \ljoin_θ R_2 ⇒ σ_θ(R_1 × R_2) ∪ (R_1 - π_{R_1}(σ_θ(R_1 × R_2)))$*Оценка размера и распределения** Часто используется статистика по данным** Часто используется статистика предыдущих запросов
$R_1 \rjoin_θ R_2 ⇒ σ_θ(R_1 × R_2) ∪ (R_2 - π_{R_2}(σ_θ(R_1 × R_2)))$== Перезапись запроса ==
Декартово соединение=== Минимизация набора операций ===
$R_1 × R_2 ⇒ R_1 ⋈ R_2$==== Преобразование подзапросов ====
=== Унарные операции ===Реляционное исчисление преобразуется в реляционную алгебру. Если была запись в реляционном исчислении, то у нее вынесли кванторы и преобразовали в реляционную алгебру на основе подхода. Для любого запроса в терминах реляционного исчисления можно построить запрос в терминах реляционной алгебры.Начиная с этого момента оперируем '''только реляционной алгеброй'''
Повторная фильтрация* Преобразуются в реляционную алгебру** Запись в реляционном исчислении** Вынос кванторов** Преобразование в алгебру
Правило==== Преобразование соединений ====Сначала избавляемся от внешних соединений. Внешние соединения — это надстройка над обычными соединениями и более простыми операциями. *Внешние соединения**$R_1 ⟗_θ R_2 ⇒ (R_1 ⟕_θ R_2) ∪ (R_1 ⟖_θ R_2)$**$R_1 ⟕_θ R_2 ⇒ σ_θ(R_1 × R_2) ∪ (R_1 - π_{R_1}(σ_θ(R_1 × R_2)))$**$R_1 ⟖_θ R_2 ⇒ σ_θ(R_1 × R_2) ∪ (R_2 - π_{R_2}(σ_θ(R_1 × R_2)))$Избавляемся от декартового произведения сказав, что это просто естественное соединения. При необходимости переименуем совпадающие атрибуты, чтобы они случайно не совпали. В будущем будет считать, что совпадающие атрибуты мы переименовываем автоматически. Можем безболезненно делать, така как переименование атрибутов "бесплатно", т.e. O(1). В рантайме никто не оперирует названиями, есть просто номера колонок. Названия просто преобразуются в индексы. На этом уровне нам переименование ровно ничего не стоит.*Декартово соединение**$R_1 × R_2 ⇒ R_1 ⋈ R_2$
Повторное применение фильтрации заменяется одинарным=== Унарные операции ===Мы минимизировали набор операций. У нас остались унарные операции — фильтр и проекция. $σ_{cond_1}(σ_{cond_2}(R)) ⇒ σ_{cond_1 ∧ cond_2}(R)$==== Повторная фильтрация ====
Повторная проекция{{Утверждение|statement=Фильтрацию всегда можно осуществлять до проекции.}}
Повторное применение проекции заменяется внешней $π_{A}(π_{B}(R)) ⇒ π_{A}(R)$ Пример $π_{FirstName}(π_{FirstNameОбратим внимание, что в обратном порядке мы делать не можем, Name}(S × G)) ⇒ π_{FirstName}(S × G)$ Проекция и фильтрация Правило Фильтрация осуществляется до не можем вытаскивать фильтр из-под проекции $σ_{cond}(π_{A}(R)) ⇒ π_{A}(σ_{cond}(R))$ Пример $π_{FirstName}(σ_{Name=M34391}(π_{FirstName, Name}(S × G))) ⇒ $ $π_{FirstName}(π_{FirstNameтак как фильтр может зависеть от тех столбцов, Name}(σ_{Name=M34391}(S × G))) ⇒ $ $π_{FirstName}(σ_{Name=M34391}(S × G))$ Так можно делать всегдакоторые проекция удалит.
ПроекцияМожем безопасно проекцировать результат объединения{{Утверждение|statement=
Коммутативность операций Коммутативные операцииЗа счет коммутативности можем выбирать какая сторона считается левой, а какая правой. Это полезно, потому что можем не делать дублирующиеся методы, когда они не симметричны.
$-$*Применение коммутативности** Выбор левой и правой стороны для несимметричных методов исполнения
$\div$==== Ассоциативность операций ====Для ассоциативных операция можем выбирать порядок в котором будет эти ассоциативные операции применять. Мы можем рассматривать не конкретное дерево, $\gdiv$которое получилось в результате разбора, а плоский набор отношений и ассоциативные операции между ними, а дальше в каком порядке будет выполнять операции и расставлять скобки зависит уже от нас.
Применение коммутативности*Ассоциативные операции**$⋈$ **$∪$**$∩$
Выбор левой и правой стороны для несимметричных методов исполнения*Неассоциативные операции**$-$**$\div$, $⋇$
Ассоциативность операций Ассоциативные операции $⋈$, $∪$, $∩$ Неассоциативные операции $-$ $\div$, $\gdiv$ *Применение ассоциативности **Выбор порядка выполнения операций
Дизъюнктивная нормальная формаОценки, которые принадлежат одному и тому же студенту, причем оценка по первому предмету лучше, чем оценка по второму предмету и по второму предмету есть хотя бы 60 баллов. Замкнув предикат получим, что оценка по первому предмету строго больше 60 баллов ( > 60). Теперь есть условие, которое зависит только от первого экземпляра таблицы оценок и условие, зависящее только от второго экземпляра таблицы оценок. Протолкнем их во внутрь соединения. За счет замыкания предикатов получили новое условие, которое можно протолкнуть в один из операндов.
Вычисление Некоторые базы данных преобразуют условия в дизъюнктивную или конъюнктивную нормальную форму исходя из соображения, что и ту и другую можно исполнять слева направо, пока не найдем первую лож для КНФили первую истину для ДНФ. При этом можем пересортировать условия в нужном и удобном нам порядке. К примеру более быстрые условия поместить вперед. С другой стороны оптимизатор может более строгие условия, то есть те, которые отсеивают большее количество строк, перемещать вперед.
Слева направоПревратили все в ассоциативный и коммутативный вид, до первой лжичто позволяет нам произвольным образом переупорядочивать конъюнкты, в случаю КНФ, или дизъюнкты, в случае ДНФ.К тому же за счет правил более эффективно вычислять. *Преобразование предикатов**Конъюнктивная нормальная форма**Дизъюнктивная нормальная форма
Семантическая оптимизация Применение знания об ограничениях Неэквивалентные запросы Тот Формально можем построить не эквивалентный запрос, который всегда будет давать ровно тот же результат Пример $π_{FirstName}(Students ⋈ Groups) ⇒ π_{FirstName}(Students)$. То есть он будет эквивалентен с учетом тех ограничений, если $Students.GId ⊂ Groupsкоторые у нас есть для базы данных.GId$ Пример оптимизации Ограничение У всех, кто получает стипендию все оценки ≥60 check not HasScolarship or 60 <= all (select Points from Points where Points.SId = Id)== Семантическая оптимизация ====
Запрос*Применение знания об ограничениях**Неэквивалентные запросы**Тот же результатВ частности, если если нас просят спроецировать на имя студентов естественное соединение студентов и групп и мы знаем, что в $Students$ $GroupId$ является внешним ключом, то мы можем сделать вывод, что это просто проецирование на имя таблички студентов.*Пример**$π_{FirstName}(Students ⋈ Groups) ⇒ π_{FirstName}(Students)$, если $Students.GId ⊂ Groups.GId$
Оценки стипендиатов группы M34391 по СУБДОбратим внимание, что без ограничения на ключи данное преобразование корректным не является
select Points from Students natural join Points where HasScolarship and CId = 10 and GId = M34391== Пример оптимизации ====
$σ_{GId=M34391 ∧ HasScolarship}(Students) ⋈⋈ σ_{60 ≥ Points ∧ CId Литература= 10}* ''Дейт К.'' Введение в системы баз данных (Pointsглава 18)$[[Категория: Базы данных]]
rollbackEdits.php mass rollback
== Обработка запроса ==
От выбора плана '''сильно''' зависит производительность
=== Мотивирующий пример ===
==== Пример базы данных: ====
Пусть у нас есть база данных Университет.
Есть следующая таблица Students:
*<var>Students(SId, FirstName, LastName, GId, Year)</var>
** $10^4$ записей
** Индексы: <var>(SId)</var> (кластеризованный), <var>(GId)</var>
Фамилии студентов группы M3439
select LastName
from Students natural join Groups
where Name = 'M34391' Планы запросов без индексов
==== Планы запросов без индексов ====Делаем декартово произведение, на него навешено условие естественного соединения, потом делаем фильтр и потом проецируем.* План 1** $π_{FirstName}(σ_{Name=M34391}(σ_{S.GId=G.GId}(S × G)))$* * Получаем $10^4·10^3 + 10^4·10^3 + 10^4 + 20 ≈ 2·10^7$ операций
Сразу делаем естественное соединение без отдельной стадии фильтрации и декартового произведения. Тем не менее в середине все равно строим $10^4·10^3$, но только один раз. Потом опять отфильтруем и спроецируем. Снизили трудозатраты примерно в два раза.*План 2** $π_{Name}(σ_{Name=M34391}(S ⋈ G))$** $10^4·10^3 + 10^4 + 20 ≈ 10^7$ операция
Сначала отфильтруем группы. Это обработать $1000$ групп. Выберем из них 1 группу. Потом переберем $10^4$ студентов. И финальная проекция на $20$ элементов.Снизили время на $3$ порядка! * План 3** $π_{Name}(S ⋈ σ_{Name=M34391}(G))$** $10^3 + 10^4 + 20 ≈ 10^4$ операций
==== Планы запросов с индексами ====Аналогично плану 3, только теперь не перебираем всех студентов, а достаем их из индекса. Если был индекс на основе B дерева глубины $3$. Мы дошли до его листа и достали примерно $20$ студентов из группы. Осталось сделать проекцию, а это еще $20$ операций. В итоге снизили время еще на порядок. * План 4. <var>Students(GId)</var>** $π_{Name}(S ⋈ σ_{Name=M34391}(G))$** $10^3 + (3 + 20) + 20 ≈ 10^3$ операций
Поиск группы тоже можем ускорить, так как есть индекс по имени группы. Он скорее всего поместится в памяти, оценим его глупину как $2$. К этому нам нужно достать инфомрацию об одной из групп. Итого нашли конкретнуб группу, потом сделаем соединение с помощью индекса по GroupId в студентах и финальная проекция.* План 45. <var>Groups(Name)</var>, <var>Students(GId)</var>** $π_{Name}(S ⋈ σ_{Name=M34391}(G))$** $10^3 2 + (3 + 20) + 20 ≈ 10^345$ операций
=== Обработка запроса ===
По большому счету sql базы данных отличаются двумя вещами - тем, как они поддерживают транзакции и тем, насколько хорошо у них умеет работать планировщик запросов.
'''Планировщики делятся на две части:'''=== Минимизация набора операций =Перезапись и планировщик ====Перезапись запроса. Составляет некоторый набор фиксированных правил, которые не зависят от конкретного запроса*Перезапись запроса** Статические правила оптимизации запроса** СУДБ считает, что оптимизации полезны всегда. Если видит возможность применить правило, то применяет всегда.
Если есть два повторных применения фильтрации, то давайте отфильтруем по конъюнкции. Если внутреннее условие очень слабо фильтрует, то в лучшем случае мы ускоримся в два раза. *Правило**Повторное применение фильтрации заменяется одинарным**$σ_{cond_1}(σ_{cond_2}(R)) ⇒ σ_{cond_1 ∧ cond_2}(R)$ *Пример**$π_{FirstName}(σ_{Name=M34391}(σ_{S.GId=G.GId}(S × G))) ⇒ π_{FirstName}(σ_{Name=M34391 ∧ S.GId=G.GId}(S × G))$Cразу объединим фильтр связанный с естественным соединением и фильтр по номеру группы в общий фильтр с конъюнкцией.==== Повторная проекция ====Если есть несколько проекций, то можно заменить на одну внешнюю проекцию.*Правило**Повторное применение проекции заменяется внешней**$π_{A}(π_{B}(R)) ⇒ π_{A}(R)$
*Пример**$π_{FirstName}(σ_π_{FirstName, Name=M34391}(σ_{S.GId=G.GId}(S × G))) ⇒ π_{FirstName}(σ_{Name=M34391 ∧ S.GId=G.GId}(S × G))$Сразу все спроецируем на имя студента.
==== Проекция и фильтрация ====
Как работать со смесью проекций и фильтраций?
*Правило**Фильтрация осуществляется до проекции**$σ_{cond}(π_{A}(R)) ⇒ π_{A}(σ_{cond}(R))$
*Пример
** $π_{FirstName}(σ_{Name=M34391}(π_{FirstName, Name}(S × G))) ⇒ π_{FirstName}(π_{FirstName, Name}(σ_{Name=M34391}(S × G))) ⇒ π_{FirstName}(σ_{Name=M34391}(S × G))$
Сначала спроецировали, потом отфильтровали и опять спроецировали. Давайте перенесем фильтр во внутрь проекции. Две внешние операции оказываются проекциями. Можем склеить их в одну проекцию с конъюнкцией.
=== Алгебраические свойства операций ===
==== Дистрибутивность операций====
'''Фильтрация'''
Мы можем пользовать стандартными алгебраическими трюками. Предположим хотим отфильтровать объединение. Можем отфильтровать первый аргумент, потом второй, а потом объединить.
{{Утверждение
|statement=
$σ_{cond}(R_1 ∪ R_2) ⇒ σ_{cond}(R_1) ∪ σ_{cond}(R_2)$
}}
Аналогично для пересечения{{Утверждение|statement=$σ_{cond}(R_1 \cap ∩ R_2) ⇒ σ_{cond}(R_1) \cap ∩ σ_{cond}(R_2)$}}
Аналогично для разности
{{Утверждение
|statement=
$σ_{cond}(R_1 - R_2) ⇒ σ_{cond}(R_1) - σ_{cond}(R_2)$
}}
Естественное соединение. Если можем разделить условие на две части, одна из которых относится проверяет атрибуты только из левого атрибута, а вторая только из правого, то мы можем протолкнуть этот фильтр отдельно в левый и правый аргумент, а потом соединить только для строк, удовлетворяющим своим половинкам фильтра.
Аналогично для разности
{{Утверждение
|statement=
$σ_{cond_1 ∧ cond_2}(R_1 ⋈ R_2) ⇒ σ_{cond_1}(R_1) ⋈ σ_{cond_2}(R_2)$
}}
'''Проекция'''
$π_A(R_1 ∪ R_2) ⇒ π_A(R_1) ∪ π_A(R_2)$
}}
Не можем безопасно проецировать результат пересечения, потому что слева могли быть кортежи, которые кроме атрибута $A$ содержат еще какой-то дополнительный атрибут $X$. Они различались, вошли в пересечение и уже потом мы их спроецируем. Если же сначала сделать проекцию, то этот атрибут $X$ теряется и два кортежа с одинаковым атрибутом $A$ но разным атрибутом $X$ для нас станут неразличимы.
{{Утверждение
|statement=
$π_A(R_1 ∩ R_2) ⇏ π_A(R_1) ∩ π_A(R_2)$
}}
Аналогично для разности
{{Утверждение
|statement=
$π_A(R_1 - R_2) ⇏ π_A(R_1) - π_A(R_2)$
}}
С естественным соединением все чуть сложнее. Протолкнем в проекцию только те атрибуты, которые были из левого аргумента, вправо только те, которые были из правого. Но зачем мы делаем $A ∪ R_2$, зачем $R_2$? Именно по $R_2$ мы будем соединять, по ним проводилось естественное соединение. Аналогично $A ∪ R_1$. Внешняя проекция нужна для того, чтобы избавиться от тех атрибутов, которые мы потенциально могли добавить в левой и правой части.
{{Утверждение
|statement=
$π_{A}(R_1 ⋈ R_2) ⇒ π_A(π_{(A ∪ R_2) ∩ R_1}(R_1) ⋈ π_{(A ∪ R_1) ∩ R_2}(R_2))$
}}
==== Коммутативность операций ====
*Коммутативные операции**$⋈$, **$∪$, **$∩$
*Некоммутативные операции**$-$**$\div$, $⋇$
=== Обработка условий ===
==== Замыкание предикатов====Можем извлекать дополнительную информацию, используя замыкание предикатов*Примеры правил **$a = b ∧ b = c ⇒ a = b ∧ b = c ∧ a = c$ **$a > b ∧ b = c ⇒ a > b ∧ b = c ∧ a > c$ **$a > b ∧ b > c ⇒ a > b ∧ b > c ∧ a > c$Переразбить условие и запихнуть часть из них под соединение. *Пример **$σ_{P_1.p > P_2.p ∧ P_2.p ≥ 60}(P_1 ⋈_{P_1.SId = P_2.SId} P_2) ⇒$ $σ_{P_1.p > P_2.p ∧ P_2.p ≥ 60 ∧ P_1.p > 60}(P_1 ⋈_{P_1.SId = P_2.SId} P_2) ⇒$ $σ_{P_1.p > P_2.p}(σ_{p > 60}(P_1) ⋈_{P_1.SId = P_2.SId} σ_{p ≥ 60}(P_2))$ КНФ и ДНФ Преобразование предикатов Конъюнктивная нормальная форма
==== КНФ и ДНФ ====
*Вычисление КНФ**Слева направо, до первой лжи*Вычисление ДНФ **Слева направо, до первой истины
=== Семантические оптимизации ===
Можем применять знания об ограничениях
Есть схема, в ней есть
Ограничения ключей
Ограничения внешних ключей
*Ограничение**У всех, кто получает стипендию все оценки $≥ 60$**<pre class="prettyprint lang-sql">check not HasScolarship or 60 <= all(select Points from Points where Points.SId = Id)</pre>*Запрос**Оценки стипендиатов группы M34391 по СУБД**<pre class="prettyprint lang-sql">select Points from Students natural join Points where HasScolarship and CId = 10 and GId = M34391</pre>**$σ_{HasScolarship ∧ CId = 10}(Students ⋈ Points)$
*Оптимизированный запрос**$σ_{GId=M34391 ∧ HasScolarship}(Students) ⋈ σ_{60 ≥ Points ∧ CId = 10}(Points)$
