Kapitel 8 Anfragebearbeitung - uni-due.de · 2016. 2. 4. · Kapitel 8 Anfragebearbeitung Logische...

Kapitel 8Anfragebearbeitung

Logische OptimierungPhysische OptimierungKostenmodelle„Tuning“

2

Ablauf der Anfrageoptimierung

ScannerParser

Sichtenauflösung

Anfrage-Optimierer

CodeerzeugungAusführung

DeklarativeAnfrage

AlgebraischerAusdruck

Auswertungs-Plan (QEP)

3

Kanonische Übersetzung

select A1, ..., Anfrom R1, ..., Rkwhere P

R1 R2

R3

Rk

P

A1, ..., An

4

Kanonische Übersetzungselect Titelfrom Professoren, Vorlesungenwhere Name = ´Popper´ and PersNr = gelesenVon

Professoren Vorlesungen

Name = ´Popper´ and PersNr=gelesenVon

Titel

Titel (Name = ´Popper´ and PersNr=gelesenVon (Professoren Vorlesungen))

5

Erste Optimierungsideeselect Titel from Professoren, Vorlesungenwhere Name = ´Popper´ and PersNr = gelesenVon

Professoren

Vorlesungen

PersNr=gelesenVon

Titel

Titel (PersNr=gelesenVon ((Name = ´Popper´ Professoren) Vorlesungen))

Name = ´Popper´

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 wie‘s geben: effiziente Anfrageauswertung durch Anfrageoptimierung.

i. Allg. wird aber nicht die optimale Auswertungsstrategie gesucht (bzw. gefunden) sondern eine einigermaßen effiziente VarianteZiel: „avoiding the worst case“

Optimierung von Datenbank- Anfragen

7

1. Aufbrechen von Konjunktionen im Selektionsprädikat c1c2 ... cn (R ) c1(c2 (…(cn(R )) …))2. ist kommutativ c1(c2 ((R )) c2 (c1((R )) 3. -Kaskaden: Falls L1 L2 … Ln, dann gilt

L1( L2 (…( Ln(R )) …)) L1 (R )4. Vertauschen von und

Falls die Selektion sich nur auf die Attribute A1, …, An der Projektionsliste bezieht, können die beiden Operationen vertauscht werden

A1, …, An (c(R )) c (A1, …, An(R ))5. X, , und IXI sind kommutativ R IXIc S S IXIc R

Äquivalenzerhaltende Transformationsregeln

8

6. Vertauschen von mit IXI Falls das Selektionsprädikat c nur auf Attribute der

Relation R zugreift, kann man die beiden Operationen vertauschen:

c(R IXIj S) c(R) IXIj S

Falls das Selektionsprädikat c eine Konjunktion der Form „c1 c2“ ist und c1 sich nur auf Attribute aus R und c2 sich nur auf Attribute aus S bezieht, gilt folgende Äquivalenz:

c(R IXIj S) c1(R) IXIj (c2 (S))


9

7. Vertauschung von mit IXIDie Projektionsliste L sei: L = {A1,…,An, B1,…,Bm}, wobei Ai Attribute aus R und Bi Attribute aus S seien. Falls sich das Joinprädikat c nur auf Attribute aus L bezieht, gilt folgende Umformung:

L (R IXIc S) (A1, …, An (R)) IXIc (B1, …, Bn (S))Falls das Joinprädikat sich auf weitere Attribute, sagen wir A1', …, Ap', aus R und B1', …, Bq' aus S bezieht, müssen diese für die Join-Operation erhalten bleiben und können erst danach herausprojiziert werden:

L (R IXIc S) L (A1, …, An, A1‘, …, An ‘ (R) IXIc B1, …, Bn, B1‘, …, Bn ‘ (R)) Für die X-Operation gibt es kein Prädikat, so dass die

Einschränkung entfällt.


10

8. Die Operationen IXI, X, , 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))


11

11. Die Join- und/oder Selektionsprädikate können mittels de Morgan's Regeln umgeformt werden: (c1 c2) (c1) (c2) (c1 c2) (c1) (c2)

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 X S ) R IXIc S


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 X-Operation, die von einer -Operation gefolgt wird, wenn möglich in eine IXI-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

Anwendung der Transformationsregelnselect distinct s.Semesterfrom Studenten s, hören h Vorlesungen v, Professoren pwhere p.Name = ´Sokrates´ and v.gelesenVon = p.PersNr and v.VorlNr = h.VorlNr and h.MatrNr = s.MatrNr

s h

v

p

p.Name = ´Sokrates´ and ...

s.Semester

14

Aufspalten der Selektionsprädikate

s h

v

p


s.Semester

s hv

p

p.PersNr=v.gelesenVon

s.Semester

p.Name = ´Sokrates´

s.MatrNr=h.MatrNr

v.VorlNr=h.VorlNr

15

Verschieben der Selektionsprädikate„Pushing Selections“

s h

vp


s.Semester

p.Name = `Sokrates`s.MatrNr=h.MatrNr

v.VorlNr=h.VorlNr

s hv

p


s.Semester

p.Name = ´Sokrates´s.MatrNr=h.MatrNr

v.VorlNr=h.VorlNr

16

Zusammenfassung von Selektionen und Kreuzprodukten zu Joins

s h

vp


s.Semester

p.Name = ´Sokrates´s.MatrNr=h.MatrNr

v.VorlNr=h.VorlNr

s h

vpIXIs.MatrNr=h.MatrNr

IXIp.PersNr=v.gelesenVon

s.Semester


IXIv.VorlNr=h.VorlNr

17

Optimierung der JoinreihenfolgeKommutativität und Assoziativität ausnutzen

s

h

v

p

IXIs.MatrNr=h.MatrNr


s.Semester



s h

vp


s.Semester

p.Name = ´Sokrates´IXIv.VorlNr=h.VorlNr


18

Was hat´s gebracht?

s

h

v

p



s.Semester



s h

vp


s.Semester

p.Name = ´Sokrates´IXIv.VorlNr=h.VorlNr


13

13

4

1

3

4

4

19

Einfügen von Projektionen

s

h

v

p



s.Semester


IXIv.VorlNr=h.VorlNrs

h

v

p



s.Semester


IXIv.VorlNr=h.VorlNrh.MatrNr

20

Eine weitere Beispieloptimierung

28

Pull-based Query Evaluation

opennext

ReturnErgebnis

29

Pipelining vs. Pipeline-Breaker

R S

...

...

...

T

...

...

...

30

Pipelining vs. Pipeline-Breaker

R S

...

...

...

T

...

...

...

31

Pipeline-Breaker

Unäre OperationensortDuplikatelimination (unique,distinct)Aggregatoperationen (min,max,sum,...)

Binäre OperationenMengendifferenz

Je nach ImplementierungJoinUnion

32

Beispiele:Op6 Employee IXI DNO = Dnumber DepartmentOp7 Department IXI MgrSSN = SSN Employee

Zu betrachten allgemein:Implementierungs-Varianten für R IXIA=B S

Implementierung der Verbindung (JOIN)

33

Literatur:

E. Elmasri and S. Navathe: Fundamentals of Database Systems. Benjamin Cummings, 1999, Redwood City, CA.

G. Moerkotte: Konstruktion von Anfrageoptimierer für Objektbanken. Shaker-Verlag, 1995, Aachen.

G. Graefe: Query Evaluation Techniques for Large Databases, ACM Computing Surveys, 1993, volume 25, number 2, pages 73-170.Ein ganz toller ÜbersichtsartikelPflichtlektüre

Optimierung zentralisierter Anfragen

35

J1 nested (inner-outer) loop„brute force“-Algorithmusforeach r Rforeach s Sif s.B = r.A then Res := Res (r s)

Implementierung der Verbindung: Strategien

37

Block-Nested Loop Algorithmus

m-k m-k m-k m-k m-kR

kS k k k k k

38

J2 Zugriffsstruktur auf SIndex Nested Loop Join

beim Durchlauf von R werden nur die in S qualifizierenden Tupel gelesen

dazu ist ein Index auf B erforderlicherfordert 1-2 Plattenzugriffe pro Tupel (Indexzugriff + S-Tupel)

foreach r Rforeach s S[B=r.A]

Res := Res (r s)


40

J3 Sort-Merge Join erfordert zwei Sortierungen

1. R muss nach A und2. S nach B sortiert sein

sehr effizient falls A oder B Schlüsselattribut ist, wird jedes Tupel in R und S

nur genau einmal gelesen


A 5 5 5 6 6 6 7 7

R

B 4 4 4 5 5 6 7 7 7

S

A B5 55 55 55 55 55 56 66 66 6

Ergebnis:

42

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 BucketWird (nach praktischen Tests) nur von J3 „geschlagen“,

wenn die Relationen schon vorsortiert sind


43


Ar1 5r2 7r3 8r4 5

R SB 5 s17 s210 s35 s4

r1 5

s15

r4 5

s45

10 s3

r2 7

s27

r3 8

h(A) h(B )

Bucket 3Bucket 2Bucket 1

45

„Normaler“ blockierender Hash-Join mit Überlauf: Partitionieren

Send

R

Send

S

receive

P1

P2

P3

Partitionh(R.A)

Partitionh(S.A)

receive

P1

P2

P3

46

„Normaler“ blockierender Hash-Join mit Überlauf: Build/Probe

Send

R

Send

S

P1

P2

P3

Partitionh(R.A)

buildHashtabelle

probe

Lade Blöcke von P1P1

P2

P3

52

Hybrid Hash-JoinFange so an, als wenn der Build-Input S vollständig in den

Hauptspeicher passen würdeSollte 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 istKostensprung beim normalen Hash-Join

Wird oft auch Grace-Hash-Join genannt, weil er für die Datenbankmaschine Grace in Japan erfunden wurde

53

Hybrid Hash-Join

R S

P1

P2

P3

Hashtabelle

54

Hybrid Hash-Join

R S

P3

P1

P2

Hashtabelle

55

Hybrid Hash-Join

R S

P2

P3

P1

Hashtabelle

56

Hybrid Hash-Join

R

P2

P3

Partitionh(R.A) P2

P3

Hashtabelle

probe

Wenn r zur ersten Partition

gehört

59

Mengendurchschnitt mit einem Hash/Partitionierungs-Algorithmus

R23

445

769013174288

S44179746

272

133

R S

•Nested Loop: O(N2)

•Sortieren: O(N log N)

•Partitionieren und Hashing

60


R23

445

769013174288

S44179746272133

R SR3

90427613882

445

17

Mod

3

61


R23

445

769013174288

S44179746272133

R SR3

90427613882

445

17

S6

273

974

1344172

Mod

3

Mod

3

62


R23

445

769013174288

S44179746272133

R SR3

90427613882

445

17

S6

273

974

1344172

Mod

3

Mod

3

63


R SR39042761388244517

S62739741344172

6273

Mod 5

Build-Phase

Hashtabelle

64


R S = {3, }R39042761388244517

S62739741344172

6273

Mod 5

Probe-Phase

65


R S = {3, }R39042761388244517

S62739741344172

97134

Mod 5

Build-Phase2. Partition

66


R S = {3, }R39042761388244517

S62739741344172

97134

Mod 5

Probe-Phase2. Partition

67


R S = {3, 13 }R39042761388244517

S62739741344172

97134

Mod 5

Probe-Phase2. Partition

68


R23445769013174288

S44179746272133

R39042761388244517

S62739741344172

Mod

3

Mod

3

R S = {3, 13, 2, 44, 17 }

69

Parallelausführung 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.

70

111100

111100 False

drops

6 Bit(realistisch |R|*k Bits)

Join mit Hashfilter (Bloom-Filter)

R1

R2pa

rtiti o

nier

en

S1

S2

parti

ti oni

eren

71

..

..

..

..

..

..

Join mit Hashfilter(False Drop Abschätzung)Wahrscheinlichkeit, dass ein bestimmtes Bit j gesetzt ist

W. dass ein bestimmtes rR das Bit setzt: 1/bW. dass kein rR das Bit setzt: (1-1/b)|R|W. dass ein rR das Bit gesetzt hat: 1- (1-1/b)|R|

01..j..

b-1

72

Vergleich: Sort/Merge-Join versus Hash-Join

R run run S

merge m

erge

R partition partition S

73

Illustration: Externes Sortieren

971735

27162

9913

74


971735

27162

9913

75


971735

27162

9913

97

173

76


971735

27162

9913

3

1797

sort

77


971735

27162

9913

33

1797

1797

sortrun

78


971735

27162

9913

53

1797

2716

run

79


971735

27162

9913

53

17975

1627

1627

sortrun

80


971735

27162

9913

23

17975

1627

9913

run

81


971735

27162

9913

23

17975

16272

1399

1399

sortrun

82


33

17975

16272

1399

52

mergerun

83


2

33

17975

16272

1399

52

mergerun

84


23 3

317975

16272

1399

513

mergerun

85


235 17

317975

16272

1399

513

mergerun

86


235 17

317975

16272

1399

1613

mergerun

87


235

13

173

17975

16272

1399

1613

run

88

Externes Sortieren: Merge mittels Heap/Priority Queue

317975

16272

1399

mergerun

3

5 2

89


317975

16272

1399

mergerun

2

5 3

90


2 317975

16272

1399

run2

5 3

91


2 317975

16272

1399

run13

5 3

Ganz wichtig: aus dem grünen Run nachladen(also aus dem Run, aus

dem das Objekt stammte)

92


2 317975

16272

1399

run3

5 13

93


23

317975

16272

1399

run3

5 13

94


23

317975

16272

1399

run17

5 13

95


23

317975

16272

1399

run5

17 13

96

Mehrstufiges Mischen / Merge

m

m

Level 0

Level 1

Level 2

97

Replacement Selection während der Run-Generierung

971735

27162

9913

Ersetze Array durch einen Heap

98


971735

27162

9913

Heap

97

99


971735

27162

9913

Heap

1-97

1-17

100


971735

27162

9913

Heap

1-17

1-97

101


971735

27162

9913

Heap

1-17

1-97 1-3

102


971735

27162

9913

Heap

1-3

1-97 1-17

103


971735

27162

9913

3Heap

1-3

1-97 1-17

104


971735

27162

9913

3Heap

1-5

1-97 1-17

105


971735

27162

9913

35

Heap

1-5

1-97 1-17

106


971735

27162

9913

35

Heap

1-27

1-97 1-17

107


971735

27162

9913

35

Heap

1-27

1-97 1-17

108


971735

27162

9913

35

Heap

1-17

1-97 1-27

109


971735

27162

9913

35

17

Heap

1-17

1-97 1-27

110


971735

27162

9913

35

17

Heap

2-16

1-97 1-27

Nächster Run, kleiner

als 17

111


971735

27162

9913

35

17

Heap

2-16

1-97 1-27

Nächster Run, kleiner

als 17

112


971735

27162

9913

35

17

Heap

1-27

1-97 2-16

113


971735

27162

9913

35

1727

Heap

1-27

1-97 2-16

114


971735

27162

9913

35

1727

Heap

2-2

1-97 2-16

115


971735

27162

9913

35

1727

Heap

2-2

1-97 2-16

116


971735

27162

9913

35

172797

Heap

1-97

2-2 2-16

117


971735

27162

9913

35

172797

Heap

1-99

2-2 2-16

118


971735

27162

9913

35

17279799

Heap

1-99

2-2 2-16

119


971735

27162

9913

35

17279799

Heap

2-13

2-2 2-16

120


971735

27162

9913

35

17279799

Heap

2-2

2-13 2-16

121


971735

27162

9913

35

172797992

1316

Heap

2-2

2-13 2-16

122

Implementierungs-DetailsNatürlich darf man nicht einzelne Datensätze zwischen

Hauptspeicher und Hintergrundspeicher transferierenJeder „Round-Trip“ kostet viel Zeit (ca 10 ms)

Man transferiert größere BlöckeMindestens 8 KB Größe

Replacement Selection ist problematisch, wenn die zu sortierenden Datensätze variable Größe habeDer 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-LängeBeweis findet man im [Knuth]

Komplexität des externen Sortierens? O(N log N) ??

123

Algorithmen auf sehr großen Datenmengen

R23

445

789013174289

S44179756

272

139

R S

•Nested Loop: O(N2)

•Sortieren: O(N log N)

•Partitionieren und Hashing

124

Übersetzung der logischen Algebra

R S

IXIR.A=S.B

R S

HashJoinR.A=S.B

R S

MergeJoinR.A=S.B

[SortR.A] [SortS.B]

R

S

IndexJoinR.A=S.B

[HashS.B | TreeS.B]

R

S

NestedLoopR.A=S.B

[Bucket]

125


P

R

SelectP

R

IndexSelectP

R

126


l

R

[NestedDup]

ProjectlR

[SortDup]

Sort

Projectl

R

[IndexDup]

[Hash | Tree]

Projectl

R

127

Ein AuswertungsplanEin Auswertungsplan

128

Wiederholung der Optimierungsphasenselect distinct s.Semesterfrom Studenten s, hören h Vorlesungen v, Professoren pwhere p.Name = ´Sokrates´ and v.gelesenVon = p.PersNr and v.VorlNr = h.VorlNr and h.MatrNr = s.MatrNr

s h

v

p


s.Semester

129

s

h

v

p



s.Semester



130

Kostenbasierte OptimierungGeneriere alle denkbaren Anfrageauswertungspläne

EnumerationBewerte deren Kosten

KostenmodellStatistikenHistogrammeKalibrierung gemäß verwendetem RechnerAbhängig vom verfügbaren SpeicherAufwands-Kostenmodell

Durchsatz-maximierendNicht Antwortzeit-minimierend

Behalte den billigsten Plan

132

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) / #R oder 1/iabgeschätzt werden.

Selektivität

134

Abschätzung für einfache Fälle

135

Parametrisierte Verteilung

Histogramm

137

Block-Nested Loop Algorithmus

m-k m-k m-k m-k m-kR

kS k k k k k

138

I/O-Kosten: Block Nested Loop Join

139

Tuning von DatenbankenStatistiken (Histogramme, etc.) müssen explizit

angelegt werdenAnderenfalls liefern die Kostenmodelle falsche Werte In Oracle …

analyze table Professoren compute statistics for table;

Man kann sich auch auf approximative Statistiken verlassenAnstatt compute verwendet man estimate

In DB2 …runstats on table …

140

Analysieren von Leistungsengpässen

Geschätzte Kosten von

Oracle

141

Baumdarstellung

142

BeispielAnfrage

SELECT *FROM A, B, CWHERE A.a = B.a AND

B.b = C.a ;

• Blätter Tabellen• innere Knoten Operatoren• Annotation Ausführungsorte

shipclient

IdxNLJ1

idxscan3

fscan2fscan1

A1

C3B2

HashJ1

Auswertungsplan

143

Algorithmen - AnsätzeErschöpfende Suche

Dynamische Programmierung (System R)A* Suche

Heuristiken (Planbewertung nötig)Minimum Selectivity, Intermediate Result,...

KBZ-Algorithmus, AB-AlgorithmusRandomisierte Algorithmen

Iterative ImprovementSimulated Annealing

144

ProblemgrößeSuchraum (Planstruktur)

● # Bushy-Pläne mit n Tabellen [Ganguly et al. 1992]:

n en (2(n-1))!/(n-1)!

2 7 25 146 1680

10 22026 1,76*1010

20 4,85 * 109 4,3*1027

(2(n-1))!(n-1)!

● Plankosten unterscheiden sich um Größenordnungen● Optimierungsproblem ist NP-hart [Ibaraki 1984]

145

Dynamische Programmierung II

Identifikation von 3 Phasen1. Access Root - Phase: Aufzählen der Zugriffspläne2. Join Root - Phase: Aufzählen der Join-Kombinationen3. Finish Root - Phase: sort, group-by, etc.

146

Optimierung durch Dynamische Programmierung

Standardverfahren in heutigen relationalen Datenbanksystemen

Voraussetzung ist ein Kostenmodell als Zielfunktion

I/O-KostenCPU-Kosten

DP basiert auf dem Optimalitätskriterium von Bellman

Literatur zu DP:D. Kossmann und K. Stocker: Iterative Dynamic Programming, TODS, 2000

O S-O

OptimalerSubplan

OptimalerSubplan

147

DP - Beispiel

Index Pläne{ABC}{BC}{AC}{AB}{C}{B}{A}

1. Phase: Zugriffspläne ermitteln

148

DP - Beispiel

Index Pläne{ABC}{BC}{AC}{AB}{C} scan(C){B} scan(B), iscan(B){A} scan(A)

1. Phase: Zugriffspläne ermitteln

149

DP - Beispiel

Index Pläne{ABC}{BC} ...{AC} s(A) IXI s(C), s(C) IXI s(A){AB} s(A)IXIs(B), s(A)IXIis(B), is(B)IXIs(A),... {C} scan(C){B} scan(B), iscan(B){A} scan(A)

Pruning2. Phase: Join-Pläne ermitteln (2-fach,...,n-fach)

150

DP - Beispiel

Index Pläne{ABC} (is(B) IXI s(A)) IXI s(C){BC} ...{AC} s(A) IXI s(C){AB} s(A) IXI is(B), is(B) IXI s(A) {C} scan(C){B} scan(B), iscan(B){A} scan(A)

3. Phase: Finalisierung

151

EnumerationEffiziente 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

Kapitel 8 Anfragebearbeitung - uni-due.de · 2016. 2. 4. · Kapitel 8 Anfragebearbeitung Logische...

Documents

Transcript of Kapitel 8 Anfragebearbeitung - uni-due.de · 2016. 2. 4. · Kapitel 8 Anfragebearbeitung Logische...