05.07.2005 Elena Hensinger 1

Green Query Optimization using Query ClusteringSeminar zu Datenbanksystemen

Universität Hannover

Sommersemester 2005

Elena Hensinger

ehensinger@htp-tel.de

05.07.2005

05.07.2005 Elena Hensinger 2

Einleitung Idee des Plan Recycling Darstellung von Anfragen Vergleich von Anfragen Gruppierung Plandiagramm PLASTIC Leistungsfähigkeit und Einschränkungen Veränderungen und Ausblick

Inhaltsverzeichnis

05.07.2005 Elena Hensinger 3

Optimierung von Ausführungsplänen ist ein recheninten-siver Prozess, insbesondere für sehr große Datenban-ken oder komplexe Anfragen

Viele Pläne müssen verglichen werden Auswahl des besten Planes

In der Regel wird für jede Anfrage ein neuer Plan gene-riert

Ausführungspläne

OptimiererAnfrage Q

Plan mit minimalenKosten für Anfrage Q

DB-Kataloge Kostenmodell

05.07.2005 Elena Hensinger 4

Oracle Optimierer: „stored outlines“

Speicherung von SQL-Anfragen auf textueller Basis und den dazugehörigen Ausführungs-plänen

Wiederbenutzung von Plänen nur möglich, wenn starke textuelle Ähnlichkeit zwischen der gespeicherten und der neuen Anfrage

Plan Recycling ?

05.07.2005 Elena Hensinger 5

Neuer Ansatz

Vergleichen von Anfragen nicht auf Grund ihres Textes, sondern auf Grund von für einen Ausführungsplan Ausschlag gebenden Eigenschaften

Beobachtung: Anfragen mit unterschiedlichen Selektionen, Projektionen, Joinprädikaten und Tabellen können denselben Operatorbaum haben

Je ähnlicher sich zwei Anfragen sind, desto wahrscheinlicher ist es, dass der Optimierer für sie gleiche Ausführungspläne generiert

05.07.2005 Elena Hensinger 6

Alle Anfragen werden auf Grund ihrer Merkmale in Gruppen eingeteilt

Jede Gruppe hat einen Repräsentanten, dessen vom Optimierer generierte Ausführungsplanvorlage gespei-chert wird

Ist eine neue Anfrage „ähnlich“ mit einem Repräsen-tanten, so wird seine gespeicherte Planvorlage an die neue Anfrage angepasst und benutzt

Ist eine neue Anfrage „unähnlich“, so wird wie üblich ein Plan vom Optimierer generiert

Grundsätzlicher Ablauf

05.07.2005 Elena Hensinger 7

Ausführungsplan, bei dem alle Datenbankope-ratoren (z.B. Sortierung und Joins) beibehalten wurden, die bestimmten Werte der Eingaben für diese, wie Tabellennamen und Attributnamen, durch Bindevariablen ersetzt wurden

Ausführungsplanvorlage

A B

A B

:1 :2

:1 :2

05.07.2005 Elena Hensinger 8

Die Hauptfrage:Welche Eigenschaften charakterisieren eine Anfrage und sind gleichzeitig ausschlaggebend für die Auswahl eines Ausführungsplanes?

Durch unterschiedliche Arten von Joins (z.B. Nested-Loops, Merge-Join) und ihre Anord-nungsreihenfolgen mit den unterschiedlichen Operationen (Selektion, Projektion und Gruppierung) gibt es viele mögliche Ausfüh-rungspläne

Merkmalsvektor

05.07.2005 Elena Hensinger 9

Die Kosten für die Ausführungspläne hängen von den Eigenschaften der in der Anfrage benutzten Tabellen und der Anfrageprädikate ab

Nötig sind also sowohl die für die Anfrage typischen strukturellen Informationen wie z. B. die Anzahl der Tabellen, als auch spezifische Eigenschaften der benutzten Tabellen wie z. B. das Vorhandensein und die Benutzung von Indexen

Merkmalsvektor

05.07.2005 Elena Hensinger 10

Informationen werden direkt aus der Anfrage und den Katalogen des Datanbankmanage-mentsystems gewonnen

Solche charakterisierenden Merkmale wurden von Haritsa et al. 2002 vorgestellt

Aufteilung in strukturelle und statistische Merkmale

Merkmalsvektor

05.07.2005 Elena Hensinger 11

werden aus der Anfrage gewonnen

Degree of Table (DT): Anzahl der Joinprädikate für eine Tabelle (Prädikate, die sich auf die Spalten der zu joinenden Tabellen beziehen); 1 für einzelne Tabelle, 0 für Tabelle ohne Joinprädikate Kreuzprodukt

Degree-Sequence of a query (DS): Ein Vektor aus den DTs der einzelnen Tabellen

Number of join predicates (NJC): Gesamtanzahl der Joinprädikate in der Anfrage

Strukturelle Eigenschaften (1)

05.07.2005 Elena Hensinger 12

Join Predicate Index Counts (JIC): Ein Joinprädikat hat eine „index characteristic“ 0, 1, oder 2, wenn es 0, 1 oder 2 indexierte Teile hat

Für jede Anfrage wird die Anzahl der Joinprädikate be-züglich der jeweiligen charakteristischen Werte gezählt

A.a B.b {x,y,z}

Index Flag of a Table (IF): zeigt an, ob man auf einer Tabelle ausschließlich mit Indexzugriffen arbeiten kann

Gdw. für eine Tabelle alle Selektionsprädikate und Pro-jektionsattribute durch den Zugriff auf einen gemeinsa-men Index ausgewertet werden können

Strukturelle Eigenschaften (2)

05.07.2005 Elena Hensinger 13

Nicht immer, wenn in der WHERE-Bedingung auf einem Prädikat ein Index existiert, kann dieser benutzt werden

Prädikat muss auch SARGable (Search-ARGument-able) sein

Beispiele für SARGable: „=“, „<“ Beispiele für NON-SARGable: „IS NULL“, „<>“, „NOT

EXISTS“, „ NOT LIKE“

Predicate Counts of a Table (PC): Zähler für indexierte SARGable- und NON-SARGable-Prädikate

Number of Tables (NT): Anzahl der Tabellen in der Anfrage

Strukturelle Eigenschaften (3)

05.07.2005 Elena Hensinger 14

werden aus den Tabellenstatistiken in dem Systemkata-logen gewonnen:

Table Size (TS): die Größe der Tabelle in Tupeln

Effective Table Size (ETS): effektive Größe der in ei-nem Join teilnehmenden Tabelle

Gewonnen durch Abschätzungen und Statistiken aus den Systemkatalogen und den Einfluss des Herunter-schiebens (”push down“) der Selektionen und Projektionen im Ausführungsplan

Statistische Eigenschaften

05.07.2005 Elena Hensinger 15

Select A.a1, B.b1

from A, B

where A.a1 = B.b1 and

B.b2 < 50;

Indexe über A.a1, B.b2

Globale Eigenschaften

NT 2

DS (1,1)

NJP 1

JIC [0,1,2] (0,1,0)

PCsarg 2

PCnsarg 0 NT = Anzahl Tabellen DS = Vektor der Grade der Tabellen NJP = Anzahl Joinprädikate JIC = Join index count; wie viele Joinprädikate indexiert PC = Eigenschaften der indexierten Prädikate für Benutzung der Indexe

1. Beispiel

05.07.2005 Elena Hensinger 16

Select A.a1, B.b1

from A, B

where A.a1 = B.b1 and

B.b2 < 50;

Indexe über A.a1, B.b2 Selektivität von B.b2<50 : 0,5

Tabelle A Tabelle B

1 DT 1

1 IF 0

(0,1,0) JIC [0,1,2] (0,1,0)

1 PCsarg 1

0 PCnsarg 0

2000 TS 4000

2000 ETS 2000

Tabelleneigenschaften

DT = Anzahl Joins für Tabelle TS = Größe der Tabelle ETS = Effektive Größe der Tabelle IF = Index Flag; ist Zugriff nur über einen Index möglich?

1. Beispiel (2)

05.07.2005 Elena Hensinger 17

Eingabe: zwei Anfragen in Form von Merkmalsvektoren Ausgabe: boolscher Wert, ob die Anfragen ähnlich

1.Teil: Merkmalsvektorenvergleich; Aussieben ganz unähnlicher Anfragen

2.Teil: „Mapping tables“, Abbildung von Tabellen der beiden Anfragen aufeinander mit einer Distanzfunktion

Bei mehreren Möglichkeiten wird die Abbildung mit der kleinsten Distanz gewählt

Wenn Summe aller Distanzen kleiner als voreingestellter Schwellwert ist, dann sind die Anfragen ähnlich

SIMCHECK-Algorithmus

05.07.2005 Elena Hensinger 18

Pseudocode SIMCHECK-Algorithmus

05.07.2005 Elena Hensinger 19

Werte für w1 = 0,7 und w2 = 0,3 Schwellwert = 0,01

Schwellwert bestimmt im weiteren Verlauf die Ausdehnung der Cluster, in die alle ähnliche Anfragen gruppiert werden

SIMCHECK-Algorithmus

05.07.2005 Elena Hensinger 20

Select C.c1, D.d1

from C, D

where C.c1 = D.d1 and

D.d2 = 50;

Indexe über C.c1, D.d2 Selektivität D.d2 = 50 : 0,7

Globale Eigenschaften

2. Beispiel

NT 2

DS (1,1)

NJP 1

JIC [0,1,2] (0,1,0)

PCsarg 2

PCnsarg 0

Tabelle C Tabelle D

1 DT 1

1 IF 0

(0,1,0) JIC [0,1,2] (0,1,0)

1 PCsarg 1

0 PCnsarg 0

1500 TS 4000

1500 ETS 2800

Tabelleneigenschaften

05.07.2005 Elena Hensinger 21

Merkmalsvergleich: Anzahl Tabellen (NT), Anzahl der Joinprädikate (NJP), Vektor der Grade der Tabellen (DS) und Anzahl der Tabellen, bei denen man den vorhandenen Index benutzen kann (PC), ist gleich

Tabellenabbildung: Aufteilung in Gruppen gleichen Grades

1. Anfrage: Grad 1 {A, B}, 2. Anfrage: Grad 1 {C, D}

Keine weiteren Gruppen vorhanden

Mögliche Abbildungen: {A,C}, {A, D}, {B, C}, {B, D}

2. Beispiel

05.07.2005 Elena Hensinger 22

distA,C = 0,7 * |2000-1500| + 0,3 * |2000-1500|

|2000|

distA,D = 0,7 * |2000-4000| + 0,3 * |2000-2800|

|4000|

distB,C = 0,7 * |4000-1500| + 0,3 * |2000-1500|

|4000|

distB,D = 0,7 * |4000-4000| + 0,3 * |2000-2800|

|4000|

Mindestdistanzen von 1:1-Abbildungen: {A, C} + {B, D} = 0,25 + 0,06 = 0,31 > 0,01

A B

2000 TS 4000

2000 ETS 2000

C D

1500 TS 4000

1500 ETS 2800

distA,C distA,D distB,C distB,D

0,25 0,41 0,475 0,06

2. Beispiel

05.07.2005 Elena Hensinger 23

Wann ist das Ergebnis < 0,01? Tabellen A und B unverändert Größe von Tabelle C : 1996 Selektivität von D.d2 = 50 : 0,5265

A B

2000 TS 4000

2000 ETS 2000

distA,C = 0,002 distA,D = 0,358

distB,C = 0,351 distB,D = 0,00795

Möglichkeiten: {A, D} + {B, C} = 0,709 {A, C} + {B, D} = 0,00995 < 0,01

C D

1996 TS 4000

1996 ETS 2106

3. Beispiel

05.07.2005 Elena Hensinger 24

Daten / Objekte in Gruppen segmentieren Cluster und Anzahl können vorgegeben sein oder auch

nicht Ideal: Starke Ähnlichkeit der Objekte innerhalb eines

Clusters, starke Unähnlichkeit zwischen den Objekten in den einzelnen Clustern

Anzahl Cluster vorgegeben partitionierende Verfahren Anzahl nicht vorgegeben hierarchische Verfahren

Clustering

05.07.2005 Elena Hensinger 25

1.Objekt wird „Leader“ / „Anführer“ eines Clusters

Alle weiteren Objekte werden mit den vorhandenen Leadern durch eine Distanzfunktion verglichen

Besteht Ähnlichkeit, dann Einordnung in den Cluster des Leaders mit der kleinsten Distanz zum Objekt

Keine Ähnlichkeit Objekt wird Leader eines neuen Clusters

Ende, wenn alle Objekte abgearbeitet sind

Leader-Algorithmus

05.07.2005 Elena Hensinger 26

Bildung der Cluster hängt von der Bearbeitungsreihen-folge der Objekte ab

Keine Überarbeitung aller Cluster beim Erstellen eines neuen Clusters nötig

Laufzeit O(k*n) mit k Clustern und n Anfragen

In der Regel k<<n, da jeder Leader u.U. Hunderte von

Anfragen vertreten kann

Der Leader eines Clusters ist dessen Repräsentant

Eigenschaften des Leader-Algorithmus

05.07.2005 Elena Hensinger 27

“The TPC (Transaction Processing Performance Council) is a non-profit corporation founded to define transaction processing and database benchmarks and to disseminate objective, verifiable TPC performance data to the industry” von http://www.tpc.org

22 businessorientierte ad-hoc Anfragen mit Bindevari-ablen für unterschiedliche Selektivitäten

Tabelle Kardinalität Größe in MB

PART 200.000 29,8

PARTSUPP 800.000 124,7

CUSTOMER 150.000 26,6

SUPPLIER 10.000 1,7

LINEITEM 4.859.686 658,6

NATION 25 2*10-3

REGION 5 4*10-4

TPC-H benchmark

05.07.2005 Elena Hensinger 28

Original: mit Unteranfrage und „order by“

Kontostand (acctbal), Name (s_name), Land (n_name), Nummer (p_partkey) und Hersteller (p_mfgr) des Artikels, Adresse (address), Telefonnum-mer (phone) und Bemerkung

Beispielanfrage

(comment) aller Lieferanten aus einer bestimmten Region (r_name), die Artikel von einer bestimmten Größe (size) und Typ (type) zu einem bestimmten Preis (supplycost) liefern können

05.07.2005 Elena Hensinger 29

Veränderung der Selektivitäten der Tabellen PART und PARTSUPP durch Bindervariablen :1, :2 und :4 Übersicht über die Ausführungspläne = Plandiagramm

Plandiagramm

Achsen repräsentieren die Selektivitäten

12 verschiedene Pläne Plan 1 und 2 decken

den meisten Raum ab

05.07.2005 Elena Hensinger 30

High-volatility-Regionen: sich oft verändernde Ausfüh-rungspläne

Typischerweise in stark selektiven Bereichen Low-volatility-Regionen: wenig Veränderung der Pläne

Regionen

05.07.2005 Elena Hensinger 31

Clusterabdeckung Bildhafte Abdeckung durch Cluster gleicher Größe

Viele überflüssige Cluster mit gleichen Plänen in den low-volatility-Regionen

unterbesetzte Cluster bzw. mit mehreren Plänen in den high-volatility-Regionen

05.07.2005 Elena Hensinger 32

Viele kleinere Cluster in Regionen mit sich oft verändernden Plänen

Wenige große Cluster in Regionen mit wenig Änderung

Fehlerreduzierung um ca. 50 Prozent

Variable Clustergrößen

05.07.2005 Elena Hensinger 33

Klassifizierung möglich durch Leader-Algorithmus ABER: Vergleich mit allen Repräsentanten kann zu

lange dauern Schnellere Variante: Entscheidungsbaum Kann nach einer bestimmten Anzahl vorhandener

Cluster erstellt werden

Knoten = Kriterien für

Gruppierung Kanten = Werte der

Kriterien

Klassifizierung zu Clustern

05.07.2005 Elena Hensinger 34

(PLAn Selection Through Incremental Clustering) Tool zur Erweiterung von Optimierern

PLASTIC

Nicht passend

System-kataloge

Datenbank der

Anfragecluster

Datenbankder

Planvorlagen

Optimierer Planvorlagen-Generator

KlassifizierungExtrahierung desMerkmalsvektors

Vergleich Plangenerator

Anfrage

Merkmalsvektor passend Plan

Merkm

alsvektor

05.07.2005 Elena Hensinger 35

Umwandlung einer Anfrage in einen Merkmalsvektor Vergleich mit den vorhandenen Repräsentanten Falls Ähnlichkeit zu einem gegeben (durchgezogene

Linien), dann wird dessen Ausführungsplanvorlage an die Anfrage angepasst und dieser Plan zur Ausführung benutzt

Falls keine Ähnlichkeit (gestrichelte Linien), wird der Merkmalsvektor als der Leader eines neuen Clusters gespeichert, der Ausführungsplan wie gewohnt vom Optimierer generiert, gleichzeitig auch in eine Planvor-lage umgewandelt und gespeichert

Ablauf

05.07.2005 Elena Hensinger 36

Annahme, dass Testsystem stabil und Beschränkung auf Selection-Projection-Join (SPJ) – Anfragen

Tests sowohl zum „Intra-query Plan-Sharing“, also wenn nur die Selektivitäten verändert werden,

als auch zum „Inter-query Plan Sharing“, mit veränderten Projektionen, Selektionsprädikaten, Joinprädikaten und sogar unterschiedlichen Tabellen

Für die Anfrage Q2 aus TPC-H wurden 65 Cluster gebildet

Tests

05.07.2005 Elena Hensinger 37

TestresultateMetrik DB2 P-DB2

Leader Entscheidungsbaum

Exaktheit 100% 90,76% 88,8%

Effizienz 0,1 s 4*10-3 s 2,5*10-4 s

average case worst case

Speicherplatz - 1,97 KB 3,96 KB

P-DB2 ist die um PLASTIC erweiterte DB2 Klassifizierung entweder mit dem Leader-Algorithmus

oder einem Entscheidungsbaum Exaktheit ist die Anzahl der Fälle, in denen derselbe Plan

wie der des Optimierers gewählt wurde Effizienz ist die Zeit zur Klassifizierung und Ausgabe des

Planes

05.07.2005 Elena Hensinger 38

Eindeutiger Gewinn in der Schnelligkeit der Plangene-rierung

Erhöhung der Kosten bei einer Fehlentscheidung ≤ 2%, da in einem solchen Fall meistens der zweitbeste Plan gewählt wird

Möglichkeit für den Optimierer, immer im besten (und rechenaufwändigsten) Modus zu arbeiten, da die Rech-enkosten sich auf alle Anfragen, die von den Clustern profitieren, aufteilen

Testresultate

05.07.2005 Elena Hensinger 39

Wenn ein Cluster im Merkmalsraum mehr als einen Plan im Planraum abdeckt

Wann Fehlentscheidungen?

Cluster

Hängt von der Ausdehnung der Cluster ab = Schwell-wert der Distanzfunktion

Schlechtester Fall: Ansiedlung eines

Repräsentanten am Rande eines Planes

Schwellwert klein mehr Cluster, exaktere Zuordnung Nachteil: Zeit für Klassifizierung stiegt mit Clusteranzahl

05.07.2005 Elena Hensinger 40

Merkmalsvektor geändert, PCsarg und PCnsarg entfernt, dafür andere Merkmale neu hinzugefügt (z.B. Indextyp)

Distanzfunktion verändert, da neue Erkenntnisse, wie sich die Tabellengröße und die effektive Größe auf Planzuordnung auswirken

Einbau mehrerer Module zur Plananalyse, automatische Berechnung der Schwellwerte zur Anpassung der Größe der Cluster, u.a.

Masterarbeiten in 2003 und 2004 Veröffentlichungen u.a. auch auf der VLDB (Very Large

Data Base Conference) im Herbst 2005 Zukunft: Ausweitung auf Anfragen mit Gruppierungen,

Aggregierungen und verschachtelten Anfragen

Weiterentwicklung seit 2002

05.07.2005 Elena Hensinger 41

Screenshots (1)

05.07.2005 Elena Hensinger 42

Screenshots (2)

05.07.2005 Elena Hensinger 43

Vielen Dank für die Aufmerksamkeit!

Fragen?