华为云GaussDB(for openGauss)专场直播第5期：SQL优化解读

1.前言

在关系型数据库中，优化器是数据库的核心组件之一，由于一些列因素都会影响语句的执行，优化器综合权衡各个因素，在众多的执行计划中选择认为是最佳的执行计划。随着大数据时代的到来，像电商、游戏、电信等行业都大规模的应用，单一数据库节点是难以应对数据规模的不断增长并确保性能的需要，业务面临“存不下、算得慢、算不准”的问题。而GaussDB(for openGauss)采用了可横向扩展的分布式架构，可以很好满足大规模海量数据的存储和计算的需求，其通过目标SQL执行计划的CBO成本，从目标SQL的诸多执行计划中选取成本值最小的执行路径为其执行计划，各执行路径的成本值是根据目标SQL中涉及到的表、索引、列等相关对象的统计信息计算出来的，实际反应执行目标SQL所要消耗的I/O、CPU和网络资源的一个估计值。

I/O资源：把表的数据从磁盘读入内存时所需代价

CPU资源：处理内存中表的数据所需的代价

网络资源：需要DN间数据交互的分布式SQL，在实际执行时所需要的数据并不在本地DN中（需要从其他DN中取数据），便会将网络资源消耗折算成对等的I/O资源消耗再进行估算。

本文结合第5场直播内容从分布式并行执行框架、分布式执行计划等方面进行介绍。

2.分布式并行执行框架

2.1  执行器：PIPELINE模型

GaussDB(for openGauss)的执行器特点是：按照查询计划树从底往上执行，基于火山模型执行，即每个节点执行返回一行记录给父节点。

火山模型的最大优点就是可以按需请求，每次只取出一条元组，在处理本条元组后，系统将会取出下一条满足条件的元组，直到取出所有满足条件的元组为止。从这种方式的运行机制可以看出，其每次执行时对于系统资源的需求都非常小。

2.2  高性能分布式查询引擎

GaussDB(for openGauss)充分利用当前多核特点，通过多线程并发执行，提高系统吞吐量。众所周知，在传统的分布式 MPP 数据库中，因数据的重分布，也就是数据shuffle的代价非常昂贵，从而限制了用户使用场景范围。

GaussDB(for openGauss)能充分利用当前多核特点，采用并行执行机制，在SQL执行优化方面有多年的沉淀，并提供了三种stream流（广播流、聚合流和重分布流）来降低数据在DN节点间的流动，突破了传统分布式 MPP 数据库因为数据shuffle代价高昂带来的用户使用场景限制，即使是复杂的SQL、事务分析混合（HTAP）场景也能得到最佳执行。

GaussDB(for openGauss)的大致执行过程：

业务应用下发SQL给Coordinator ，SQL可以包含对数据的CRUD操作；

Coordinator利用数据库的优化器生成执行计划，每个DN会按照执行计划的要求去处理数据；

数据基于一致性Hash算法分布在每个DN，因此DN在处理数据的过程中，可能需要从其他DN获取数据，GaussDB提供三种stream流（广播流、聚合流和重分布流）实现数据在DN间的流动，使得join无需抽取到CN执行；

DN将结果集返回给Coordinate进行汇总；

Coordinator将汇总后的结果返回给业务应用。

3.分布式执行计划

CN根据表的分布列信息和关联列信息进行判定，SQL语句是否可以直接在各个DN上执行而且不需要数据交流，如果是，CN采用LIGHT_QUERY或FQS_QUERY流程，保持了事不关己的态度，你发给我什么我就下发什么，直接将整个query命令下发给DN执行，执行完成后直接输出；如果需要在各个DN之间进行数据交互，则会选择使用stream算子；如果发现无法使用stream算子时，就回到了原始的PGXC流程。

3.1  LIGHT_QUERY

- 场景：语句可以直接在一个DN执行（单shard语句，点查场景）。

- 原理：CN直接下发语句QPBE报文到对应DN，这样的做的好处是，执行效率高，线性扩展比好。

create table t1 ( col1 int, col2 varchar ) distribute by hash(col1); create table t2 ( col1 int, col2 varchar ) distribute by hash(col1);

3.2  FQS_QUERY

- 场景：当语句可以完全下推到多个DN上执行，且DN之间不需要数据交互时。

- 原理：CN不通过优化器，直接生成RemoteQuery计划，走执行器逻辑下发到DN，各DN根据下推语句生成执行计划并进行执行，执行结果在CN上进行汇总。

create table t1 ( col1 int, col2 varchar ) distribute by hash(col1); create table t2 ( col1 int, col2 varchar ) distribute by hash(col1);

LIGHT_QUERY和FQS_QUERY的最大异同点在于，虽然CN都是经过判定后直接把收到的query下发给DN进行处理，但是LIGHT_QUERY只涉及到单DN进行操作，而FQS_QUERY涉及到多个DN分别进行操作，它们都不会涉及到DN间的数据交互。

3.3  STREAM GATHER

- 场景：需要各DN之间进行数据交互。

- 原理：CN根据原语句通过优化器生成带stream算子的执行计划，下发给DN进行执行，DN执行过程中存在数据交互（stream节点），stream算子在DN之间建立连接进行数据交互，CN汇总执行结果并承担大部分计算。

create table t1 ( col1 int, col2 varchar ) distribute by hash(col1); create table t2 ( col1 int, col2 varchar ) distribute by hash(col2);

3.4  STREAM REDISTRIBUTE

- 场景：需要各DN之间进行数据交互。

- 原理：CN根据原语句通过优化器生成带stream算子的执行计划，下发给DN进行执行，各DN执行过程中存在数据交互（stream节点），stream算子在DN之间建立连接进行数据交互，CN汇总执行结果并承担大部分计算。

create table t1 ( col1 int, col2 varchar ) distribute by hash(col1); create table t2 ( col1 int, col2 varchar ) distribute by hash(col2);

3.5  STREAM BROADCAST

- 场景：需要各DN之间进行数据交互。

- 原理：CN根据原语句通过优化器生成带stream算子的执行计划，下发给DN进行执行，各DN执行过程中存在数据交互（stream节点），stream算子在DN之间建立连接进行数据交互，CN汇总执行结果并承担大部分计算。

create table t1 ( col1 int, col2 varchar ) distribute by hash(col1); create table t2 ( col1 int, col2 varchar ) distribute by hash(col2);

使用REDISTRIBUTE算子时，数据进行重分布可以充分利用多个节点的算力，而BROADCAST算子主要用于stream的子计划产生的数据量较少的情况，此时BROADCAST的代价较少。

3.6 PGXC

- 场景：不能满足前面处理方式的极端场景，性能非常差。

- 原理：CN通过优化器把原语句中的部分语句生成RemoteQuery计划，把每个RemoteQuery下发到DN，DN执行后把中间结果数据发送给CN，CN收集后进行剩余执行计划的执行计算，CN承担了大部分计算。

总结

综上所述，GaussDB(for openGauss)作为自主研发的新一代金融级分布式关系型数据库，采用可横向扩展的分布式架构，通过SQL优化器生成分布式算子以及分布式执行计划，提供了三种stream流（广播流、聚合流和重分布流）来降低数据在DN节点间的流动；执行引擎是一个分布式并行执行框架，支持节点间并行和节点内并行能力，充分利用当前多核特点，通过并发执行，提高系统吞吐量，具备大数据下高性能查询能力。

Ps：更多精彩内容，请点击回播链接进行观看：https://bbs.huaweicloud.com/live/cloud_live/202107061900.html

SQL 云数据库 GaussDB(for openGauss) 视频直播

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。