《Microsoft Sql server 2008 Internals》读书笔记--第八章The Query Optimizer(5)

 

《Microsoft Sql server 2008 Internals》读书笔记订阅地址：

http://www.cnblogs.com/downmoon/category/230397.html/rss

《Microsoft Sql server 2008 Internals》索引目录：

《Microsoft Sql server 2008 Internal》读书笔记--目录索引

上篇主要列举了统计的概念和统计的设计、统计的浓度。本文将关注筛选统计和字符串统计、基线估计(cardinality estimation)。  

 

■筛选统计

作为SQL Server 2008中新增的筛选索引的一部分，筛选统计功能被加入。这意味着（某个基于筛选谓词的表的行的子集的）统计对象被创建。可以通过sys.stats视图来查看无数据输出。筛选统计可以避免一个常见的问题：即由于数据列与列之间的相关性而变得倾斜(不准确）。比如，我们有一个表cars,一列Make,一列Model。如下记录：

Create table Cars
(
Car_ID int ,
Make nvarchar(20),
MODEL Nvarchar(20)
);
truncate table cars
 
insert into Cars
select 1,'Ford','F-150'
union all select 2,'Ford','Taurus'
union all select 3,'BMW','M3'

假定您想执行如下查询：

select * from cars where Make='Ford' and MODEL='F-150' 

查询处理器试图作选择时，它假定每一个AND子句的条件是相互独立的，实际上执行的结果是各条件的乘积，即(1/3)*(2/3)=2/9。然而真实的结果应该是1/3,因为F-150肯定是Ford。当数据量很大时，这个误差是惊人的。

筛选统计通过捕捉一个带条件的可能性从Model列进行筛选，筛选条件为Make列为Ford,这在大多数情况下会修正统计中的运算错误，特别是在where 子句包含一个相对较小的惟一值时非常有效。

除了假定独立性外，查询优化器还采用其他假定来简化估算进程。另外两个假定是统一性假定和包含性假定。没有这些假定，许多常见的查询将会变得性能寒碜。

■字符串统计

SQL Server 2005采取了一项新内容来改善针对字符串的基线估计，叫做字符串统计或Trie Trees，SQL Server直方图的上限是200步（或200个惟一值），来存放整个表的分发信息。特别在查询中使用like时，两百个惟一值不足以提供（针对字符串的）精准的基线估计，而在表外存储大量的字符串会占用大量的空间。Trie Tree此时可以用来在列中高效地存储一些样例字符串。

Trie Trees没有公开，但它通常的结构类似于如下：
如果一个列包含如下值：
ABC

AAA

ABCDEF

ADAD

BBB
对应的tier Tree如下：

 SQL Server实际上在列中存储了一个字符串的样例。这提供了一种存储远超过200的惟一子字符串的频度信息的能力。

 ■基线估计细节

在优化期间，查询里的每一个运算符被计算以评估该操作影响的行数，这有助于查询优化器基于不同的查询计划作出正确的权衡。这个过程是自下而上的。基表基线和统计被用于输入到其上的树节点。我们看一个例子：

Create table Table2010_3(col1 int,col2 int,col3 int);
go
set nocount on
BEGIN TransAction;
Declare @i int
set @i=0
while @i<10000
BEGIN
    Insert into Table2010_3(col1,col2,col3) values(@i,@i,@i%50);
    set @i=@i+1
END
Commit Transaction
go
Create statistics s2010_3 on Table2010_3(col3);
go
select col1,col2 from Table2010_3 where col3<10

其逻辑查询树如下：

对于该查询，Filter操作请求在每一个参与谓词的列（本例中是col3）上进行统计，该请求被传承到Table2010_3,适当的统计对象被创建或更新的地方。统计对象此时被传递到筛选器，以决定操作的选择性。选择性被用于从样例延展评估。

一旦一个操作的可选择性被计算，它与当前查询的当前行数相乘。

看下图：

 因为0-49中有10个是小于10的，即10/50＝0.2

10000*0.2=2000行。

我们来验证一下，

本例中，存储在直方图中的浓度信息为0.02

又如下列查询：

 select COUNT(*) from Table2010_3 group by col3

评估的行数为(1/0.02)*(10000/10000)=50

当一个多列统计对象被创建时，它按照统计对象的顺序为这些被计算的列集计算浓度信息。我们再看下例：

Create table Table2010_4(col1 int,col2 int,col3 int);
go
set nocount on
BEGIN TransAction;
Declare @i int
set @i=0
while @i<10000
BEGIN
    Insert into Table2010_4(col1,col2,col3) values(@i%5,@i%10,@i%50);
    set @i=@i+1
END
Commit Transaction
go

如果前两个列是随机数，则浓度信息可能类似下图：

这解释了每个col1,col2,col3的组合实际上是惟一的。通过检查进入基线估计进程的各种各样的输入(Input)，判断计划在编译期间有无使用合理的信息成为可能。

本文主要介绍了筛选统计和字符串统计、基线估计，下文将关注Limitation和Costing