裴澤鋒，牛保寧，張錦文，Amjad Muhammad

（太原理工大學(xué)信息與計算機(jī)學(xué)院，太原030024）

0 引言

查詢是數(shù)據(jù)庫系統(tǒng)的主要工作負(fù)載，查詢效率的高低決定數(shù)據(jù)庫運(yùn)行性能的好壞。在數(shù)據(jù)庫系統(tǒng)中，一個查詢在真正執(zhí)行前，查詢優(yōu)化器會生成多種查詢執(zhí)行計劃（即查詢在數(shù)據(jù)庫中的執(zhí)行方案）。盡管這些計劃最終生成完全相同的結(jié)果集，但它們的執(zhí)行效率卻存在很大差異［1］。尋找較優(yōu)的查詢執(zhí)行計劃可以以較小的代價、在很大程度上縮短查詢的響應(yīng)時間，提高查詢效率，進(jìn)而提高數(shù)據(jù)庫系統(tǒng)的性能。

目前，主流的數(shù)據(jù)庫管理系統(tǒng)大都是通過查詢優(yōu)化器為查詢選擇較優(yōu)執(zhí)行計劃，即查詢的多種執(zhí)行計劃中，使查詢響應(yīng)時間較少的執(zhí)行計劃［1-3］。雖然不同數(shù)據(jù)庫查詢優(yōu)化器實(shí)現(xiàn)有所差別，但它們都是依據(jù)執(zhí)行代價——成本預(yù)算［4］，為查詢選擇執(zhí)行代價較小的執(zhí)行計劃作為該查詢的較優(yōu)執(zhí)行計劃。PostgreSQL 作為目前成功的開源數(shù)據(jù)庫之一，它的優(yōu)化算法效率高于其他數(shù)據(jù)庫［1］，本文以PostgreSQL 為對象，研究并行查詢下查詢執(zhí)行計劃的選擇。查詢執(zhí)行前，客戶端發(fā)出查詢請求，解析器接收此請求并生成查詢樹，查詢優(yōu)化器中的規(guī)劃器接收查詢樹并生成可能的查詢執(zhí)行計劃，優(yōu)化器依據(jù)動態(tài)規(guī)劃或基因算法等計算每個執(zhí)行計劃的執(zhí)行代價，從中選出執(zhí)行代價較小的一個執(zhí)行計劃作為較優(yōu)執(zhí)行計劃，并據(jù)此制定一個完整的規(guī)劃樹傳遞給執(zhí)行器去執(zhí)行［1，5］。

在數(shù)據(jù)庫管理系統(tǒng)中，查詢優(yōu)化器在為查詢生成不同的執(zhí)行路徑時，會綜合考慮數(shù)據(jù)表的掃描方式、表間連接方式及連接順序，在選擇較優(yōu)執(zhí)行路徑時，會依據(jù)查詢的復(fù)雜程度選用不同的算法。因此，當(dāng)數(shù)據(jù)庫中只有一個查詢運(yùn)行時，如果查詢不太復(fù)雜，查詢優(yōu)化器可以做到避免選擇最差執(zhí)行計劃，且在為此類查詢選擇較優(yōu)查詢計劃上可保持一定的準(zhǔn)確率。

隨著數(shù)據(jù)量的急劇增長、用戶需求的不斷變化，查詢語句越發(fā)復(fù)雜。由于查詢優(yōu)化器優(yōu)化算法本身的局限性，它只能依據(jù)數(shù)據(jù)庫配置參數(shù)靜態(tài)地為查詢選擇一個較優(yōu)的執(zhí)行計劃，如果查詢語句過于復(fù)雜，在統(tǒng)計信息不準(zhǔn)確的情況下，成本估算的誤差會成倍放大［6］，因此會造成所選擇的較優(yōu)執(zhí)行計劃存在較大偏差。

特別地，在實(shí)際的數(shù)據(jù)庫系統(tǒng)中，單一查詢運(yùn)行的情況比較罕見，大部分情況是不同查詢在一起并行，因此，一個查詢的運(yùn)行會受到其他查詢的影響，我們將其稱為查詢交互［7］。由于查詢交互現(xiàn)象的存在，相比其單獨(dú)運(yùn)行，查詢的響應(yīng)時間會有顯著變化，大部分查詢的響應(yīng)時間會變長。而且，查詢并行數(shù)（MPL）越大，這種變化越發(fā)明顯。

但是，目前的查詢優(yōu)化器并沒有特別地考慮查詢交互這一關(guān)鍵因素的存在，僅通過數(shù)據(jù)庫參數(shù)配置很難準(zhǔn)確反映查詢交互。如果數(shù)據(jù)庫配置參數(shù)固定，查詢一旦確定，查詢的較優(yōu)執(zhí)行計劃隨之確定。我們認(rèn)為，在不同的查詢組合（兩個及兩個以上查詢并行運(yùn)行時的查詢集合）下，查詢的較優(yōu)執(zhí)行計劃可能也不同。假設(shè)當(dāng)查詢Q 單獨(dú)運(yùn)行時，查詢優(yōu)化器為該查詢選擇的較優(yōu)查詢計劃為A。測試實(shí)驗(yàn)證明，多數(shù)情況下，當(dāng)查詢Q 與其他查詢并行執(zhí)行時，較優(yōu)的執(zhí)行計劃不是A，如果按執(zhí)行計劃A 執(zhí)行查詢Q，會大幅度延長其執(zhí)行時間，并嚴(yán)重影響其他查詢的執(zhí)行。因此，當(dāng)多個不同查詢并行時，目前的查詢優(yōu)化器并不能為查詢選擇當(dāng)前查詢組合下的較優(yōu)執(zhí)行計劃。

為此，本文提出一種度量查詢受查詢交互影響程度大小的標(biāo)準(zhǔn)QIs（Query Interactions），為選擇查詢執(zhí)行計劃時定量考慮查詢交互因素打下基礎(chǔ)。針對并行查詢下較優(yōu)執(zhí)行計劃的選擇，本文提出一種為查詢動態(tài)選擇當(dāng)前查詢組合下較優(yōu)執(zhí)行計劃的方法TRating（Time Rating），該方法通過比較按照不同執(zhí)行計劃執(zhí)行的查詢在查詢組合中受查詢交互影響程度的大小，選擇受查詢交互影響較小的查詢所對應(yīng)的執(zhí)行計劃作為該查詢的較優(yōu)執(zhí)行計劃。

1 相關(guān)工作

目前，數(shù)據(jù)庫管理系統(tǒng)通過查詢優(yōu)化器為查詢選擇較優(yōu)執(zhí)行計劃。對于一個特定的查詢，在查詢執(zhí)行前，查詢優(yōu)化器中的規(guī)劃器負(fù)責(zé)為查詢生成所有可能的執(zhí)行計劃，優(yōu)化器依據(jù)成本預(yù)算從中選擇執(zhí)行代價最小的計劃。針對復(fù)雜度不同的查詢，查詢優(yōu)化器采用不同的算法進(jìn)行處理。對于比較簡單的查詢，優(yōu)化器采用動態(tài)規(guī)劃算法，該算法搜索范圍小且效率高；對于比較復(fù)雜的算法，則采用基因算法?；蛩惴ㄊ且环N自適應(yīng)的算法，可以在較短的時間內(nèi)給出一個較優(yōu)的解［1］。因此，對于數(shù)據(jù)庫中單一運(yùn)行的查詢，查詢優(yōu)化器在為不太復(fù)雜的查詢選擇一個不壞的執(zhí)行計劃時可保持一定的準(zhǔn)確率。但是，如果查詢語句過于復(fù)雜，由于查詢優(yōu)化器成本估算算法的局限性，在統(tǒng)計信息估計不準(zhǔn)確時，成本估算的誤差會成倍放大，無法為查詢選擇較優(yōu)的執(zhí)行計劃［7］。

特別地，在實(shí)際的數(shù)據(jù)庫系統(tǒng)中，單一查詢運(yùn)行的情況比較少見，多數(shù)情況下是不同查詢在一起并行，并行查詢間存在查詢交互，這種交互會導(dǎo)致某一查詢的運(yùn)行受到其他查詢的影響［8］。由于查詢優(yōu)化器通過數(shù)據(jù)庫配置參數(shù)靜態(tài)地為查詢選擇查詢執(zhí)行計劃，這種選擇較優(yōu)執(zhí)行計劃的方式盡管一定程度上反映了查詢交互［9］，但是其并沒有特別地考慮查詢交互這一關(guān)鍵因素的存在，無法準(zhǔn)確地反映這種查詢交互現(xiàn)象。在并行查詢情景下，一個不壞的執(zhí)行計劃在另一查詢組合中可能會變得不好，甚至更差［9］。在這種情況下，如果仍用原有執(zhí)行計劃去執(zhí)行該查詢，會嚴(yán)重影響該查詢和其他查詢的性能。因此，通過查詢優(yōu)化器已無法為查詢準(zhǔn)確地選擇當(dāng)前查詢組合下較優(yōu)的執(zhí)行計劃［10-11］。

目前，有關(guān)考慮查詢交互的并行查詢下較優(yōu)執(zhí)行計劃的選擇還沒有專門的研究，大部分研究都是通過度量查詢交互進(jìn)而預(yù)測并行查詢下查詢的開銷及響應(yīng)時間［12-13］，進(jìn)而為查詢調(diào)度提供一定的依據(jù)。目前對響應(yīng)時間的預(yù)測方法主要集中于建立分析模型和統(tǒng)計模型。分析模型指把查詢計劃分段，估計每一段的工作量、系統(tǒng)的執(zhí)行速率，然后求得該段的執(zhí)行時間，最后把所有分段的執(zhí)行時間加起來即可。統(tǒng)計模型指事先選取并運(yùn)行一定量的樣本，依據(jù)樣本運(yùn)行結(jié)果，給定輸入和輸出，根據(jù)訓(xùn)練集利用統(tǒng)計的方法訓(xùn)練模型，然后通過測試集來評判模型的性能，最后依據(jù)模型給出預(yù)測結(jié)果。利用統(tǒng)計模型預(yù)測并行查詢的響應(yīng)時間性能要優(yōu)于分析模型。但是無論是分析模型還是統(tǒng)計模型，預(yù)測響應(yīng)時間只能用于合理地調(diào)度一批查詢的執(zhí)行順序。如果數(shù)據(jù)庫中到達(dá)一批查詢，按照先到先服務(wù)原則，先到查詢需要首先被處理。在這種情況下，如果可以為該查詢選擇當(dāng)前組合下較優(yōu)的執(zhí)行計劃，這對提高查詢效率，進(jìn)而提高數(shù)據(jù)庫運(yùn)行性能尤為重要。

在多查詢并行時，查詢交互這一關(guān)鍵因素會影響查詢的響應(yīng)時間，進(jìn)而影響查詢效率。Duggan 等［14］利用BAL（Buffer Access Latency）即查詢平均頁讀取時間來度量查詢交互。查詢Q單獨(dú)運(yùn)行時的BAL值等于該查詢讀取頁花費(fèi)的總時間除以此查詢讀取頁的總數(shù)。多查詢并行時，一個查詢的BAL 值越大，則表示其受其他查詢的影響程度越大，但這種度量只適用于中等大小查詢。之后，張錦文等［15-16］提出QueryRating 來度量兩個查詢并行時查詢交互的大小，由于其直接采用查詢響應(yīng)時間的比值大小來衡量查詢交互的大小，宏觀直接且使用范圍廣；但QueryRating 只適用于度量兩個查詢并行時，其中一個查詢受另一個查詢影響程度的大小。

基于以上查詢交互度量使用范圍的限制、查詢優(yōu)化器為查詢選擇當(dāng)前查詢組合下較優(yōu)執(zhí)行計劃存在較大偏差的問題，本文提出了一種度量查詢在多查詢(MPL ＞2)并行下受查詢交互影響程度大小的標(biāo)準(zhǔn)QIs，并基于查詢交互提出了一種動態(tài)地為查詢選擇當(dāng)前查詢組合下較優(yōu)執(zhí)行計劃的方法TRating。當(dāng)用戶提交的查詢到達(dá)時，依據(jù)先到先服務(wù)原則，為先到查詢選擇當(dāng)前查詢組合下的較優(yōu)執(zhí)行計劃提供了依據(jù)，具有一定的實(shí)際意義。

2 并行查詢下較優(yōu)執(zhí)行計劃的選擇

2.1 QIs度量標(biāo)準(zhǔn)

Zhang 等［15］提出的QueryRating 的表達(dá)式如式（1），它直接計算響應(yīng)時間的比值，建模復(fù)雜度低且準(zhǔn)確率高。

QueryRating 可以度量兩兩查詢并行時由于查詢交互某一查詢受到另一查詢影響程度的大小。那么，如果多查詢并行(MPL ＞2)時，由于查詢交互，某一查詢會受到其余任何一個查詢的影響，如何度量多查詢并行時特定查詢所受查詢交互影響程度的大小是為該查詢選擇當(dāng)前查詢組合下較優(yōu)執(zhí)行計劃的基礎(chǔ)。受Duggan 等［14］提出的B2L&BAL 模型預(yù)測查詢性能的啟發(fā)，本文通過考慮其他剩余每個查詢對要研究查詢的查詢交互大小，提出了一種度量多查詢并行時查詢所受查詢交互影響程度大小的標(biāo)準(zhǔn)QIs，表達(dá)式如下：

其中：

式（2）中：QIsqi表示多查詢并行時，查詢qi受其他剩余查詢查詢交互影響的大??；tqi表示查詢qi單獨(dú)運(yùn)行時的響應(yīng)時間；Durqi（Duration）可以看作查詢qi所受其他查詢查詢交互影響的持續(xù)時長。

本文對式（2）、（3）作如下解釋：多查詢并行時，由于查詢交互，對于某個查詢，其余查詢都會阻礙或促進(jìn)該查詢的執(zhí)行。在考慮該查詢受查詢交互影響大小時，要分別考慮其余每個查詢對該查詢的影響即，因此，本文將不同的進(jìn)行求和表示其余查詢對該查詢的影響大小。特別地，本文認(rèn)為，該查詢單獨(dú)運(yùn)行時間的長短會影響其受查詢交互影響程度的持續(xù)時長，該查詢單獨(dú)運(yùn)行時響應(yīng)時間越長，則當(dāng)其加入查詢組合后，它受查詢交互影響的持續(xù)時長也越長。因此，本文通過Durqi表示查詢qi所受其他查詢查詢交互影響的持續(xù)時長。Durqi越大，表示其響應(yīng)時間所占比例越大，則當(dāng)該查詢加入查詢組合時，它所受其他查詢查詢交互影響的持續(xù)時長也越大。

由式（2）、（3）可以看出，QIsqi值越大，表示多查詢并行時，由于查詢交互，查詢qi受其他查詢的影響程度越大。

2.2 TRating方法的具體實(shí)現(xiàn)

在實(shí)際的數(shù)據(jù)庫系統(tǒng)運(yùn)行中，對于用戶提交的查詢，依據(jù)先到先服務(wù)原則，按照用戶提交查詢的先后順序執(zhí)行查詢。那么，當(dāng)某個查詢到來時，為查詢選擇當(dāng)前查詢組合下較優(yōu)的執(zhí)行計劃對提高查詢效率十分必要。當(dāng)按照特定執(zhí)行計劃執(zhí)行的某查詢在加入查詢組合時，相比其他執(zhí)行計劃，按特定執(zhí)行計劃執(zhí)行的某查詢單獨(dú)運(yùn)行時的響應(yīng)時間較短，且它所受查詢交互影響程度越小，則其在查詢組合中的響應(yīng)時間越短。也就是說，按特定執(zhí)行計劃執(zhí)行的某查詢單獨(dú)運(yùn)行時的響應(yīng)時間的長短和該查詢所受查詢交互影響程度的大小均會影響該查詢在查詢組合中最終的響應(yīng)時間。響應(yīng)時間越短的查詢對應(yīng)的執(zhí)行計劃即為該查詢在當(dāng)前查詢組合中較優(yōu)的執(zhí)行計劃。

為能準(zhǔn)確地描述該方法，本文定義該方法中用到的符號見表1。

表1 相關(guān)符號定義Tab.1 Definition of related symbols

相比其他執(zhí)行計劃，如果按特定執(zhí)行計劃執(zhí)行的某查詢單獨(dú)運(yùn)行時的響應(yīng)時間較長，即使該查詢在查詢組合中受其余查詢的查詢交互影響較小，它最終的響應(yīng)時間也可能較長；同樣地，如果按另一執(zhí)行計劃執(zhí)行的該查詢單獨(dú)運(yùn)行時的響應(yīng)時間較短，即使該查詢在查詢組合中受其余查詢的查詢交互影響較大，它最終的響應(yīng)時間也可能較短?？紤]到這種現(xiàn)象的存在，將Facqw_k值作為每個查詢計劃的基準(zhǔn)值。建立的表達(dá)式如下：

其中，F(xiàn)acqw_k表示按qw_k執(zhí)行計劃執(zhí)行的查詢單獨(dú)運(yùn)行時的響應(yīng)時間所占該查詢所有執(zhí)行計劃單獨(dú)運(yùn)行時響應(yīng)時間之和的比值，以此作為每個查詢執(zhí)行計劃的基準(zhǔn)值。

該方法具體流程如下：

1）構(gòu)建兩張索引表IT1、IT2和兩張數(shù)據(jù)表T1、T2，并將索引表IT1和數(shù)據(jù)表T1關(guān)聯(lián)，索引表IT2和數(shù)據(jù)表T2關(guān)聯(lián)。

索引表IT1存儲A 中查詢的查詢編號i、每個查詢對應(yīng)的所有執(zhí)行計劃編號j，并將其分別設(shè)置為一級索引和二級索引。表結(jié)構(gòu)見表2。

表2 索引表IT1Tab.2 Index table IT1

索引表IT2存儲C 中查詢組合編號f、每個查詢組合中查詢qi和查詢qn所對應(yīng)的QueryRating 值和的編號和，并將查詢組合編號設(shè)置為一級索引。表結(jié)構(gòu)見表3。

表3 索引表IT2Tab.3 Index table IT2

數(shù)據(jù)表T1、T2分別對應(yīng)索引表IT1、IT2中數(shù)據(jù)實(shí)際值，另數(shù)據(jù)表T1需要存儲每個qi_j單獨(dú)運(yùn)行時的響應(yīng)時間。

由索引表IT1、數(shù)據(jù)表T1獲取按特定執(zhí)行計劃執(zhí)行的查詢單獨(dú)運(yùn)行時的響應(yīng)時間，由索引表IT2、數(shù)據(jù)表T2獲取該查詢所受其他查詢的QueryRating。

2）給定MPL=w，當(dāng)某查詢qw到達(dá)數(shù)據(jù)庫時，該查詢與目前正在執(zhí)行的(w-1)個查詢構(gòu)成一個查詢組合。

由索引IT1表、數(shù)據(jù)表T1得到該查詢的所有執(zhí)行計劃qw_k及其對應(yīng)單獨(dú)運(yùn)行時的響應(yīng)時間tqw_j，計算出Facqw_k值。

3）比較所有執(zhí)行計劃對應(yīng)的TRatingqw_k，較小的TRatingqw_k值所對應(yīng)的執(zhí)行計劃即為該查詢在當(dāng)前查詢組合下較優(yōu)的查詢執(zhí)行計劃。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境與設(shè)計

本實(shí)驗(yàn)選用的測試基準(zhǔn)為TPC-H［17］，查詢模板為2，3，4，8，10，12，14，22。這些模板涵蓋了分組、排序、聚集、連接、子查詢等多表查詢操作，其默認(rèn)執(zhí)行計劃包含了各種基本表的掃描方式、表間連接方式及連接順序。本實(shí)驗(yàn)分別給每個查詢指定三個不同的執(zhí)行計劃，把按不同執(zhí)行計劃執(zhí)行的同一查詢看作不同查詢。實(shí)驗(yàn)環(huán)境配置如表4。

表4 實(shí)驗(yàn)環(huán)境配置Tab.4 Experimental environment configuration

為查詢選擇當(dāng)前查詢組合下較優(yōu)的執(zhí)行計劃，必須首先獲取查詢的多個執(zhí)行計劃。本文首先獲取查詢的多個執(zhí)行計劃，緊接著通過實(shí)驗(yàn)驗(yàn)證同一查詢在不同查詢組合下所選擇的較優(yōu)執(zhí)行計劃不同這一現(xiàn)象的大量存在。最后，給定MPL，依據(jù)先到先服務(wù)原則，根據(jù)實(shí)際用戶提交查詢的先后，對比當(dāng)前查詢優(yōu)化器，通過實(shí)驗(yàn)驗(yàn)證本文所提出的為查詢選擇當(dāng)前查詢組合下較優(yōu)執(zhí)行計劃方法的準(zhǔn)確性。

3.2 執(zhí)行計劃生成及其響應(yīng)時間

由于執(zhí)行計劃的生成會綜合考慮基本表的訪問順序、表間的連接方式和連接順序，因此本文在生成查詢執(zhí)行計劃時，對于單表查詢著重考慮基本表的訪問順序，對于多表查詢，著重考慮表間連接方式和連接順序，以此生成代表性執(zhí)行計劃。

使用explain 命令，PostgreSQL 查詢優(yōu)化器直接生成查詢默認(rèn)的執(zhí)行計劃。依據(jù)上述原則，通過關(guān)閉或打開執(zhí)行計劃開關(guān)，使得優(yōu)化器允許或禁止使用一些掃描或連接方法，進(jìn)而生成一定數(shù)量的執(zhí)行計劃，且其執(zhí)行的查詢響應(yīng)時間少于或多于默認(rèn)執(zhí)行計劃響應(yīng)時間，且相差不宜過大。最后通過pg_hint_plan 插件綁定查詢計劃，使查詢按指定的執(zhí)行計劃去執(zhí)行。下面通過圖1、圖2說明。

圖1 默認(rèn)執(zhí)行計劃Fig.1 Default execution plan

圖2 關(guān)閉MergeJoin后的執(zhí)行計劃Fig.2 Excution plan after closing MergeJoin

實(shí)驗(yàn)中，服務(wù)器只開啟PostgreSQL 數(shù)據(jù)庫進(jìn)程，分別單獨(dú)運(yùn)行每個查詢、并行執(zhí)行每兩個查詢組成的查詢組合，利用PostgreSQL 的pg_stat_statement 模塊獲取查詢的響應(yīng)時間，通過多次運(yùn)行求平均值的方法減少其他因素干擾，準(zhǔn)確獲取響應(yīng)時間，從而求得響應(yīng)時間的比值。

3.3 查詢組合不同時的較優(yōu)執(zhí)行計劃驗(yàn)證

本文分別對并行度MPL=2，4，6，8 時的同一查詢加入不同查詢組合所選擇的較優(yōu)執(zhí)行計劃進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，同一查詢在不同查詢組合下所選擇的較優(yōu)查詢計劃不同，而且這種現(xiàn)象普遍存在，平均約占71%。由于篇幅受限，圖3僅對部分樣例實(shí)驗(yàn)結(jié)果進(jìn)行展示，并加以說明。

圖3 關(guān)閉nestloop后MPL=4時，同一查詢加入不同的查詢組合時的較優(yōu)執(zhí)行計劃抽樣Fig.3 Sampling of better execution plan of one query adding to different query combinations with nestloop closed and MPL=4

圖3 中：每組由兩個柱狀圖構(gòu)成，它們分別表示同一查詢加入不同的查詢組合中構(gòu)成新的查詢組合，每個柱狀圖分成三段，每一段表示按不同的執(zhí)行計劃執(zhí)行的此查詢加入查詢組合，自底向上分別表示執(zhí)行計劃1、2、3，執(zhí)行計劃1 為PostgreSQL 查詢優(yōu)化器給出的執(zhí)行計劃，每段長度分別對應(yīng)按特定執(zhí)行計劃執(zhí)行的此查詢加入查詢組合后的響應(yīng)時間的長短。

由圖3 可知，多數(shù)情況下，每組的兩個柱狀圖的三段長度均不相同，這說明當(dāng)同一查詢加入不同的查詢組合時，所選擇的較優(yōu)執(zhí)行計劃并不相同。比如，當(dāng)查詢加入a1、a2 查詢組合時，對應(yīng)與a1 構(gòu)成新的查詢組合，該查詢的較優(yōu)執(zhí)行計劃為PostgreSQL 查詢優(yōu)化器給出的執(zhí)行計劃即執(zhí)行計劃1；但對應(yīng)與a2 構(gòu)成的新的查詢組合，該查詢的較優(yōu)執(zhí)行計劃為執(zhí)行計劃2，不同于執(zhí)行計劃1。

本文對此種現(xiàn)象作如下解釋：對于單一運(yùn)行的查詢，由于查詢優(yōu)化器搜索算法的限制，目前其僅能做到避免選擇最差執(zhí)行計劃，當(dāng)查詢比較復(fù)雜時，為查詢選擇較優(yōu)執(zhí)行計劃會存在較大偏差；對于并行運(yùn)行的查詢，優(yōu)化器并沒有特別地考慮查詢交互這一主要因素，因?yàn)椴樵冊诓煌樵兘M合下選擇較優(yōu)執(zhí)行計劃的偏差更大，因此，此種現(xiàn)象的大量存在十分正常。

3.4 TRating和查詢優(yōu)化器對比

模擬用戶提交查詢的實(shí)際場景，依據(jù)先到先服務(wù)原則，分別在MPL=2，4，6，8 時計算TRating 方法和查詢優(yōu)化器為查詢選擇較優(yōu)執(zhí)行計劃的準(zhǔn)確率，結(jié)果如表5所示。

由表5 可知，在不同并行度下，與目前查詢優(yōu)化器相比，本文所提方法選擇較優(yōu)執(zhí)行計劃準(zhǔn)確率平均提高了25 個百分點(diǎn)。本文方法之所以準(zhǔn)確率提高，是因?yàn)樗跒椴樵冞x擇當(dāng)前查詢組合下的較優(yōu)執(zhí)行計劃時，特別地考慮了多查詢并行時查詢交互這一關(guān)鍵因素，并合理地度量了特定查詢在查詢組合中所受的查詢交互影響的大小。盡管這樣，隨著并行度的增加、查詢間交互的復(fù)雜化，預(yù)測準(zhǔn)確率會稍有下降，屬正?，F(xiàn)象。

表5 TRating和查詢優(yōu)化器準(zhǔn)確率對比Tab.5 Accuracy comparison between TRating and query optimizer

更可觀的是，當(dāng)前查詢優(yōu)化器是基于成本估算為查詢選擇較優(yōu)執(zhí)行計劃，它需要計算每個執(zhí)行計劃所涉及各種操作的成本，計算量大。相對于查詢優(yōu)化器，本文TRating 方法在為查詢選擇較優(yōu)執(zhí)行計劃時，由于模型選擇的合理性，所涉及的計算量較小。因此，實(shí)驗(yàn)發(fā)現(xiàn)，在相同的計算環(huán)境下，本文方法TRating耗時遠(yuǎn)小于當(dāng)前查詢優(yōu)化器。除此之外，不難發(fā)現(xiàn)，在不同MPL 值下，通過本文方法TRating 選擇較優(yōu)執(zhí)行計劃的準(zhǔn)確率均高于當(dāng)前查詢優(yōu)化器，這是因?yàn)楸疚姆椒ㄌ貏e地考慮了并行查詢下查詢交互這一關(guān)鍵因素。因此，隨著MPL 即查詢并行數(shù)的增加和查詢交互的復(fù)雜化，雖然本文方法TRating準(zhǔn)確率會有所下降，但仍優(yōu)于當(dāng)前查詢優(yōu)化器。

實(shí)驗(yàn)發(fā)現(xiàn)，在少數(shù)情況下，當(dāng)本文方法不能為查詢選擇較優(yōu)執(zhí)行計劃時，其所選擇執(zhí)行計劃仍然為次優(yōu)執(zhí)行計劃（即除去較優(yōu)執(zhí)行計劃，使查詢響應(yīng)時間較少的執(zhí)行計劃），同樣避免了最壞執(zhí)行計劃，也具有相當(dāng)?shù)膶?shí)際意義。表6 是MPL=2，4，6，8 時，本文TRating 方法為查詢選擇次優(yōu)執(zhí)行計劃的準(zhǔn)確率。由表6 可知，在不同并行度下，本文TRating 方法為查詢選擇次優(yōu)執(zhí)行計劃（包括較優(yōu)執(zhí)行計劃）平均預(yù)測準(zhǔn)確率高達(dá)69%，由此可知本文所提方法具有相當(dāng)高的可靠性。

表6 TRating選擇次優(yōu)執(zhí)行計劃準(zhǔn)確率Tab.6 TRating accuracy for suboptimal execution plan selection

4 結(jié)語

查詢是數(shù)據(jù)庫的主要負(fù)載，查詢效率直接決定數(shù)據(jù)庫系統(tǒng)的性能。多查詢并行時，由于現(xiàn)有查詢優(yōu)化器只能依據(jù)參數(shù)配置靜態(tài)地為查詢選擇一個不壞的執(zhí)行計劃，并沒有特別地考慮查詢交互這一關(guān)鍵因素，導(dǎo)致其在為查詢選擇當(dāng)前查詢組合下的較優(yōu)執(zhí)行計劃時存在較大偏差。基于此，本文合理地度量了特定查詢在多查詢并行時受查詢交互影響程度的大小，在此基礎(chǔ)上，創(chuàng)新性地提出了動態(tài)地為查詢選擇當(dāng)前查詢組合下較優(yōu)執(zhí)行計劃的方法TRating，并通過實(shí)驗(yàn)驗(yàn)證了其合理性。當(dāng)用戶提交的查詢到達(dá)時，依據(jù)先到先服務(wù)原則，為先到查詢選擇當(dāng)前查詢組合下的較優(yōu)執(zhí)行計劃提供了依據(jù)，具有一定的實(shí)際意義。隨著查詢并行度的增加、查詢交互的復(fù)雜化，如何更準(zhǔn)確地建立方法，或通過訓(xùn)練深度學(xué)習(xí)模型，保持其預(yù)測準(zhǔn)確率不變是后續(xù)研究的重點(diǎn)。