进阶数据库-SQL 的逻辑优化
进阶数据库-逻辑优化学习最好的方法就是把他讲给别人。这是学习， pingcap的 talent-plan 作业四的学习笔记。 主要讲解优化器相关的知识。
逻辑优化的基础
我们有这样一条 sql select a, max(b) as c from t groub by a having a>1 and c >20.
这条 sql 经过解析过程成为了一颗 ast 树， ast 树有 sql 的所有信息。 只凭借这课 ast 树， 我们其实是可以执行所有的 sql. 例如我之前学生时代做的大作业， 简易 db ： chidb 就是这样的一个数据库。
然而，我们现在要做一个有追求的 db, 就要不仅能用， 还要性能好。
其实这条 sql 有不同的执行方式， 这些执行方式， 这些执行方法和具体的数据库物理实现无关，无论是硬盘型内存型，无论数据分布， 只要按这种方式执行， 就可以获得优化， 这是关系代数保证的。
比如可以先执行 过滤 a>1 再执行 groub by a. 也可以先执行 group by a 再执行 a >1. 这些不同的执行过程的结果是一样的，但是效率天差地别， 如何从这些等价的执行方法中， 选取出最佳的执行方法， 就是逻辑优化要做的事情。
所以我们要对这条 sql 的执行过程做一个抽象， 这个抽象就是 logic plan.
一个逻辑计划由逻辑算子组成。 可以参考 tidb 的文档说明. 他里面定义了如下的算子， 我这里直接引用了 tidb 的原文
[*]DataSource 这个就是数据源，也就是表，select * from t里面的 t。
[*]Selection 选择，例如 select xxx from t where xx = 5里面的 where 过滤条件。
[*]Projection 投影， select c from t里面的取 c 列是投影操作。
[*]Join 连接， select xx from t1, t2 where t1.c = t2.c就是把 t1 t2 两个表做 Join。
[*]Sort 就是 select xx from xx order by里面的 order by。
[*]Aggregation，在 select sum(xx) from xx group by yy中的 group by操作，按某些列分组。分组之后，可能带一些聚合函数，比如 Max/Min/Sum/Count/Average 等，这个例子里面是一个 sum。
[*]Apply 这个是用来做子查询的。
他这里用了 sql 举例， 实际上逻辑算子是一层单独的抽象， 他是从关系代数的概念演化而来， 和 sql 的具体语法无关系。 比如聚合算子(Aggregation) 不一定是用 gourp by。 别的一个方法例如 count 也需要聚合算子。
通过这些逻辑算子， 我们就能构造出逻辑计划树。 比如我们的 sql 就可以构造成如下的树.
Projection -> Selection -> Aggregation -> DataSource
这棵树是自底向上执行的.
针对这课逻辑计划树， 我们有一些具体的优化算法
逻辑优化算法
tidb 实现了一些具体的逻辑优化算法， 可以参考这个文档. 我这里讲解一下作业要求实现的谓词下推算法。
谓词下推的思路就是，把过滤的语句提前, 提前减少表的规模. 比如 sql. select a, max(b) as c from t groub by a having a>1 and c >20.
这句话正常来看, 应该先 group by 然后进行 having 过滤. 也就是我们默认的这课树.
Projection -> Selection -> Aggregation -> DataSource
但实际上, a 可以下推到 group by 之前, 这样能减少 group by 的行数. 先 a >1 再 group by a 再 c > 20. 树变成以下形式
Projection -> Selection -> Aggregation-> Selection -> DataSource
这样就能减少 group 的行数了.
这里要注意的有两点:
[*]我们的优化是针对每种逻辑算子单独进行的.
例如 group by 中, 能下推的列必须出现在 groub by 的列中. 而 join 的下推方法则是完全不同的.
所以如果你需要实现一个下推优化, 你需要对每一个逻辑算子都重载 下推 这个方法. 可以参考tidb实现代码 感受一下, 每一个逻辑算子节点都有对应的谓词下推实现.
其他的逻辑优化算法也类似, 这里不做过多介绍.
[*]逻辑优化是递归的.
比如谓词下推, 并不是下推一次就行, 我们要不停的下推, 直到不能再下推为止.
例如 select a from t1, (select c as c1 form t2 groub by c) as t2 where t2.c > 0
其中 t2.c 可以先下推到 select c form t2 groub by c where c > 0; 再下推到 select c form t2 groub by ( select * from t2 wherec>0);
所以实现的时候, 每个节点都要判断 上层继承下来的可以下推的条件, 结合自己节点上的条件, 那些可以继续下推, 那些不能.
逻辑优化框架
针对一个 sql 的 不同逻辑优化执行方法, 不同的执行顺序, 都可能产生不同逻辑执行计划. 如何从中挑选一个最好的方法? 逻辑优化框架就是解决这个问题的.
一个朴素的思路是, 我们枚举出所有的优化方法, 从中挑一个最优化的.
所以关键步骤就是:
[*]枚举
[*]优化方法
[*]挑
基本思想确定了, 我们就可以看一下 tidb 的优化框架 Cascades 怎么对应这几个概念的.
[*]优化方法
在cascades中, 优化方法就是 rule.
一个 rule 能不能用, 取决于其中的Pattern.
比如作业要求实现的transformation_rules中的 NewRulePushSelDownAggregation.就是一个 rule, 他的Pattern 就是 要求匹配到 Selection -> Aggregation.
如果Pattern可以匹配到, 就可以执行优化规则了.
[*]枚举
在 cascades 的框架中, 枚举是通过 memo 来完成的. memo 表达了所有可能的逻辑树的组合. 在执行优化的过程中不断完善.
memo 由 group 和 group expression 组成.
group expression 就是逻辑算子.
group 就是逻辑算子的一个子树结构. 并且 gorup 可以互相引用.
例如 select * from a join b on a.id = b.id where a >1 这个 sql. 可以构造以下的 memo (投影省略...):
group_list = [
group 0: [
Selection(a>1) -> gorup 1,
Join -> group 2
-> group 3
]
group 1: [
Join->group3
->group4
],
group 2: [
Selecttion(a>1)->group3
],
group 3: ,
group 4:
]
通过以下的 memo 我们可以看到有 .
gourp1 -> group2 -> group3
-> group4
和
gourp1 -> group2 -> group3
-> group4
这几种逻辑执行计划.
在执行过程中不断生成的 group 加入 memo, 便完成了枚举操作.
这里可以发现, 我们自顶向下求解的过程中, 有一些 子group的 的最优结构是计算过的. 如果一个group 是枚举过的, 那么之后就无需再枚举该 gourp 了.这就是最优子结构, 可以使用 dp 方法. memo 就是我们的备忘录.
所以我们要做的就是, 从根节点出发, 不停的找到可以使用的 rule. 使用规则产生新的 group 的路径, 加入 memo.
可以参考这里的 代码
这样我们就的到了所有的优化过的逻辑子树.
[*]挑
之后根据统计信息, 就可以对比挑选了. 这里下节再说
参考资料
. 揭秘 TiDB 新优化器：Cascades Planner 原理解析 https://pingcap.com/zh/blog/tidb-cascades-planner
. TiDB 源码阅读系列文章（六）Select 语句概览 https://pingcap.com/zh/blog/tidb-source-code-reading-6
. TiDB 源码阅读系列文章（七）基于规则的优化 https://pingcap.com/zh/blog/tidb-source-code-reading-7
. tinysql 作业四 https://github.com/tidb-incubator/tinysql/blob/course/courses/proj4-part1-README-zh_CN.md
. tidb 文档 https://docs.pingcap.com/zh/tidb/v3.0/query-execution-plan chidb也不是直接解释的ast吧 是嘛 我记错了可能 印象中没转成关系代数的算子
页:
[1]