Hysterie um Histogramme

Transkript

1 Hysterie um Histogramme Autoren: Michael Lindermann und Roger Niemeyer, ORDIX AG, Paderborn DOAGNews Q4_2005 Dieses Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere die der Übersetzung, des Nachdrucks, des Vortrags, der Entnahme von Abbildungen und Tabellen, der Funksendung, der Mikroverfilmung oder der Vervielfältigung auf anderen Wegen und der Speicherung in Datenverarbeitungsanlagen, bleiben, bei auch nur auszugsweiser Verwertung, vorbehalten. Eine Vervielfältigung dieses Werkes oder von Teilen dieses Werkes ist auch im Einzelfall nur in den Grenzen der gesetzlichen Bestimmungen des Urheberrechtes der Bundesrepublik Deutschland vom 9. September 1965 in der jeweils geltenden Fassung zulässig. Sie ist grundsätzlich vergütungspflichtig. Zuwiderhandlungen unterliegen den Strafbestimmungen des Urheberrechtsgesetzes.

2 Zur möglichst effizienten Ausführung von SQL-Statements kann bei Oracle der Cost-Based- Optimizer eingesetzt werden. Dieser erstellt den Ausführungsplan anhand statistischer Informationen, die über die Daten vorliegen. Dabei spielt die Güte der Statistik eine große Rolle, aber auch andere Faktoren sind zu berücksichtigen. Dieser Artikel richtet sich an Datenbank-Administratoren, die sich mit dem Thema Statistikerzeugung unter Oracle 9 und 10 beschäftigen. Es werden Details angesprochen, die für den kostenbasierenden Optimizer von Oracle wichtig sind. Durch die Analyse von Tabellen kann man sich Performance-Vorteile verschaffen aber auch zunichte machen. Gegenüber dem regelbasierten Optimizer (RBO), der ein starres Regelwerk bei der Erstellung des Ausführungsplans abarbeitet, fließen bei dem Cost-Based-Optimizer (CBO) auch statistische Daten bei der Entscheidungsfindung ein. Dies ist insbesondere dann von Vorteil, wenn die Daten nicht gleich verteilt sind. Mithilfe von Statistiken kann eine Aussage zur Selektivität der Daten getroffen werden. Damit bietet der CBO ein wichtiges Kriterium für den Ausführungsplan. Auf dieser Grundlage trifft er eine Vorhersage für die günstigste Zugriffsart oder die optimale Join-Order. Als Beispiel betrachten wir eine einfache Tabelle T1 bei der in der Spalte C1 die Werte 1 bis 20 auftreten. Die absolute Häufigkeit der einzelnen Werte ist in Abbildung 1 dargestellt. Der Wert 5 kommt mit deutlichem Abstand am häufigsten vor, die restlichen Zahlen sind in etwa gleich verteilt. Abb. 1: Absolute Häufigkeit der Werte der Beispieltabelle. Wird für T1 eine einfache Statistik erzeugt (ANALYZE TABLE oder dbms_stats.gather_table_stats ohne FOR-Klausel) geht Oracle zunächst von einer Gleichverteilung der Datensätze aus. Das bedeutet, dass bei einem SELECT wie in Abbildung 2 ein Index-Zugriff stattfindet, da vermeintlich 1/20, also 5 Prozent der Gesamtdaten betroffen sind. Das zeigt auch der zugehörige Ausführungsplan in Abbildung 2. Ein Full-Table-Scan (FTS) wäre an dieser Stelle effizienter gewesen (siehe Abbildung 3). Deutlich erkennbar ist die Diskrepanz zwischen geschätzten und realen Kosten.

3 SQL> select * from t1 where c1 = 5; Zeilen ausgewahlt. Ausfuhrungsplan SELECT STATEMENT Optimizer=CHOOSE (Cost=42 Card=942 Bytes=195936) 1 0 TABLE ACCESS (BY INDEX ROWID) OF 'T1' (Cost=42 Card=942 Bytes=195936) 2 1 INDEX (RANGE SCAN) OF 'T1_C1_IDX' (NON-UNIQUE) (Cost=2 Card=942) Statistiken recursive calls 0 db block gets consistent gets 0 physical reads 0 redo size bytes sent via SQL*Net to client bytes received via SQL*Net from client 887 SQL*Net roundtrips to/from client 0 sorts (memory) 0 sorts (disk) rows processed Abb. 2: Ausführungsplan, nach Ermessen des Cost-Based-Optimizers.

4 SQL> select /*+ full(t1) erzwinge FTS */ * from t1 where c1 = Zeilen ausgewahlt. Ausfuhrungsplan SELECT STATEMENT Optimizer=CHOOSE (Cost=106 Card=942 Bytes=195936) 1 0 TABLE ACCESS (FULL) OF 'T1' (Cost=106 Card=942 Bytes=195936) Statistiken recursive calls 0 db block gets 1546 consistent gets 41 physical reads 0 redo size bytes sent via SQL*Net to client bytes received via SQL*Net from client 887 SQL*Net roundtrips to/from client 0 sorts (memory) 0 sorts (disk) rows processed Abb. 3: Ausführungsplan mit Hinweis auf den Full-Table-Scan. Histogramme zur Darstellung von Schieflagen Um dem CBO Informationen über die Verteilung der Daten zur Verfügung zu stellen, müssen erweiterte Statistiken generiert werden. Dies geschieht in Form von Histogrammen, die von ANALYZE TABLE oder dbms_stats.gather_table_stats mit FOR-Klausel erzeugt

5 werden. Dabei kann die Granularität über die Anzahl der zu erzeugenden Intervalle als size- Parameter übergeben werden. Bei (großen) Tabellen mit vielen unterschiedlichen Werten wird ein so genanntes Height-Based-Histogramm erzeugt. Die Bezeichnung kommt daher, weil die Unterteilung der Daten so erfolgt, dass in jedem Intervall etwa gleich viele Daten liegen. Betrachten wir dazu wieder unser Beispiel von oben. Zur Abschätzung der Zahlenverteilung sollen zehn Intervalle benutzt werden: ((Beginn Programmcode)) SQL> exec dbms_stats.gather_table_stats('rn', 'T1', method_opt => 'for columns c1 size 10'); ((Ende Programmcode)) Um die Intervalle alle auf eine Höhe zu bringen, muss eine Ungleichverteilung vorausgesetzt die Intervallbreite variabel sein. Dabei kann es vorkommen, dass sich ein einzelner Wert über mehrere Intervalle erstreckt. Anders ausgedrückt, haben dann mehrere Intervalle denselben Endpunkt. In der View USER_TAB_HISTOGRAMS kann man sich das Histogramm ansehen: Die Spalte ENDPOINT_NUMBER gibt die Intervallnummer an und ENDPOINT_VALUE den Wert an der Intervallgrenze. ((Beginn Programmcode)) SQL> select * from user_tab_histograms where table_name = 'T1' order by column_name, endpoint_value TABLE_NAME COLUMN_NAME ENDPOINT_NUMBER ENDPOINT_VALUE ENDPOINT_ACTUAL_VALUE T1 C1 0 1 T1 C1 1 5 T1 C1 2 5 T1 C1 3 5 T1 C1 4 5 T1 C1 5 5 T1 C1 6 5 T1 C1 7 5 T1 C1 8 8 T1 C T1 C ((Ende Programmcode)) Abb. 4: Darstellung des Histogramms in USER_TAB_HISTOGRAMS. Die farblich markierten Zeilen 2 7 werden in der View nicht dargestellt und sind hier nur zum besseren Verständnis eingefügt. Kommen Intervallgrenzen mehrfach vor, wird nur die mit der höchsten Intervallnummer ausgegeben. Bei zehn Intervallen repräsentiert dann jedes einzelne ein zehnprozentiges Vorkommen der Werte im Intervall.

6 In unserem Beispiel ist der Wert 5 Endpunkt von sieben Intervallen, woraus auf ein Vorkommen von etwa 70 Prozent geschlossen werden kann. Den restlichen Zahlen bleibt demnach insgesamt nur eine Häufigkeit von 30 Prozent. Dies spiegelt die tatsächlichen Verhältnisse sehr gut wieder. Mit Hilfe dieses Histogramms entscheidet sich der CBO nun auch ohne Hint für einen Full-Table-Scan wenn nach der Zahl 5 selektiert wird. In allen anderen Fällen wird weiterhin über den Index gegangen. Ein nicht ganz so präzises, aber in unserem Beispiel völlig ausreichendes Ergebnis hätte man auch mit der Intervallzahl 3 erzielen können: Die 5 ist Endpunkt zweier Intervalle und hat damit eine geschätzte Häufigkeit von 2/3. Hier lohnt sich ein Full-Table-Scan! Value Based Height Based Ein Sonderfall tritt auf, wenn die Intervallanzahl größer oder gleich der Anzahl der unterschiedlichen Werte der betreffenden Spalte ist (siehe Spalte NUM_DISTINCT in USER_TAB_COLUMNS). Abb. 5: Value Based-Histogramm der Tabelle T1. Dann kann jeder Wert in ein eigenes Intervall fallen und es wird ein Histogramm im klassischen Sinne erzeugt. Im Gegensatz zum zuvor beschriebenen wird es auch als Value Based bezeichnet. In diesem Fall muss die Spalte ENDPOINT_NUMBER anders interpretiert werden, nämlich als

7 kumulierte Histogrammhöhe. Das heißt, in diesem Fall kann man die tatsächliche Häufigkeit eines Wertes berechnen, indem man von seiner ENDPOINT_NUMBER die des Vorgängers abzieht. Ab Oracle 10g ist die Art des Histogramms in der View USER_TAB_COLUMNS in der Spalte HISTOGRAM hinterlegt. Mögliche Werte sind none, frequency (value based) und height balances (height based). Leider ist diese Spalte in Oracle 9i noch nicht verfügbar. Trotzdem ist eine Unterscheidung möglich. Generell kann nur bei einem Height-Based-Histogramm in der Spalte ENDPOINT_NUMBER eine 0 auftauchen. Bei einem Value-Based-Histogramm macht nämlich der Wert 0 keinen Sinn, da hier die ENDPOINT_NUMBER, wie oben beschrieben, für die Anzahl der Häufigkeit eines Wertes steht. In jedem Intervall liegt aber genau ein Wert und damit muss die Häufigkeit mindestens eins sein. dbms_stats und ANALYZE arbeiten bezüglich des SIZE-Parameters unterschiedlich. Wird das ANALYZE-Kommando mit einem SIZE-Wert aufgerufen, der gleich der Anzahl unterschiedlicher Werte der entsprechenden Spalte ist, dann wird erwartungsgemäß ein Value-Based-Histogramm erzeugt. Dbmbs_stats mit dem gleichen SIZE-Wert erzeugt weiterhin ein Histogramm vom Typ Height-Based. Erst wenn eine gewisse Schwelle, die deutlich über NUM_DISTINCT liegen kann, überschritten wird, werden auch hier Value-Based-Histogramme erzeugt. In unserem Beispiel (NUM_DISTINCT=20) ist der Grenzwert 27! Problemfall Bind-Variablen Wird per SQL-Statements auf Tabellen zugegriffen, für die Histogramm-Statistiken vorhanden sind, und die Bind-Variablen enthalten, müssen auch diese beim ersten Ausführen geparst werden. Um den Ausführungsplan zu erzeugen, wird die Bind-Variable dabei einmalig durch ihren aktuellen Wert ersetzt.der Ausführungsplan ist damit zukünftig für dieses Statement festgelegt. Das Histogramm wird später nicht mehr berücksichtigt. Diese Strategie wird als "Bind Peaking" bezeichnet. Erwischt man nun zufällig einen Wert, der einen Full-Table-Scan nach sich zieht, werden alle folgenden Statements ebenso per Full-Table-Scan abgearbeitet, selbst wenn aufgrund der Statistik ein Index-Range-Scan vorteilhafter wäre. Der Ausführungsplan ändert sich erst dann wieder, wenn die entsprechenden Informationen aus dem Shared-Pool verdrängt werden. Das kann durch die Neuerzeugung von Statistiken, ein Leeren des Shared-Pools oder einen Neustart der Instanz geschehen. Der Widerspruch besteht also darin, dass bei stark ungleich verteilten Daten eine Histogramm- Statistik sinnvoll ist, diese aber durch die Verwendung von Bind-Variablen zunichte gemacht wird. Es gibt mehrere Möglichkeiten diesen Widerspruch aufzulösen: Über den bool'schen Parameter _optim_peek_user_binds kann man das Verhalten von Oracle beeinflussen. Ändert man den Wert von true (standard) auf false, wird kein Bind- Peeking durchgeführt und der Optimizer verhält sich regelbasiert (RBO). In unserem Beispiel bedeutet das, dass immer über den Index gegangen wird.

8 Man verzichtet auf Bind-Variablen im Code, der auf solche Tabellen zugreift. Dann ist aber auch mit einem erhöhten Parsing-Aufwand zu rechnen. Dies ist aber dann gut vertretbar, wenn der Anteil des Parsens im Vergleich zur Laufzeit des Kommandos gering ist. Man verzichtet auf die Statistiken was bei mehr oder weniger gleich verteilten Daten sowieso zu empfehlen ist. Fazit Histogramme sollten mit Bedacht eingesetzt werden. Man muss sich gut überlegen, ob sich der Einsatz wirklich lohnt und im ersten Schritt zunächst mit einfachen Statistiken arbeiten. Außerdem kostet die Erstellung und Pflege der Statistiken natürlich auch Zeit und Ressourcen. Histogramme bringen einen Performance-Gewinn, wenn die Daten asymmetrisch verteilt sind. Der Einsatz von Bind-Variablen an dieser Stelle kann den gewonnenen Vorteil allerdings wieder zunichte machen. Kontakt: Roger Niemeyer und Michael Lindermann Begriffserklärungen Bind-Variable Bind-Peaking Häufig vorkommende Statements müssen jedes Mal geparst werden, auch wenn sie sich nur durch Parameterwerte unterscheiden. Bei Verwendung von Bind-Variablen muss nur einmal geparst werden. Beim ersten Parsen werden Bind-Variablen durch ihren tatsächlichen Wert ersetzt, falls Histogramme zur Verfügung stehen. Cost-Based-Optimizer (CBO) Rule-Based-Optimizer (RBO) Full-Table-Scan (FTS) High-Water-Mark (HWM) Histogramm Der kostenbasierte Optimizer erstellt Ausführungspläne aufgrund statistischer Überlegungen. Ausführungspläne werden nach einem starren Regelwerk erstellt. Zugriffsart auf Tabellen, bei der bis zur High-Water-Mark gelesen wird. Die High-Water-Mark ist der höchste Füllgrad eines Segmentes, der dort bisher erreicht wurde. Grafische Darstellung der Häufigkeitsverteilung von (Mess- )Werten.