Green Query Optimization using Query Clustering

1. Green Query Optimization using Query Clustering Seminar zu Datenbanksystemen Universität Hannover Sommersemester 2005 Elena Hensinger ehensinger@htp-tel.de 05.07.2005 Elena Hensinger

2. Inhaltsverzeichnis • Einleitung • Idee des Plan Recycling • Darstellung von Anfragen • Vergleich von Anfragen • Gruppierung • Plandiagramm • PLASTIC • Leistungsfähigkeit und Einschränkungen • Veränderungen und Ausblick Elena Hensinger

3. Ausführungspläne • 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 Plan mit minimalen Kosten für Anfrage Q Anfrage Q Optimierer DB-Kataloge Kostenmodell Elena Hensinger

4. Plan Recycling ? • 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 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 Elena Hensinger

6. Grundsätzlicher Ablauf • 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 Elena Hensinger

7. A B :1 :2 A :1 B :2 Ausführungsplanvorlage • 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 Elena Hensinger

8. Merkmalsvektor • 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 Elena Hensinger

9. Merkmalsvektor • 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 Elena Hensinger

10. Merkmalsvektor • 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 Elena Hensinger

11. Strukturelle Eigenschaften (1) • 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 Elena Hensinger

12. Strukturelle Eigenschaften (2) • 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 Elena Hensinger

13. Strukturelle Eigenschaften (3) • 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 Elena Hensinger

14. Statistische Eigenschaften • 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 Elena Hensinger

15. 1. Beispiel Globale Eigenschaften • Select A.a1, B.b1 from A, B where A.a1 = B.b1 and B.b2 < 50; • Indexe über A.a1, B.b2 • 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 Elena Hensinger

16. 1. Beispiel (2) Tabelleneigenschaften • 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 • DT = Anzahl Joins für Tabelle • TS = Größe der Tabelle • ETS = Effektive Größe der Tabelle • IF = Index Flag; ist Zugriff nur über einen Index möglich? Elena Hensinger

17. SIMCHECK-Algorithmus • 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 Elena Hensinger

18. Pseudocode SIMCHECK-Algorithmus Elena Hensinger

19. SIMCHECK-Algorithmus • 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 Elena Hensinger

20. 2. Beispiel • 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 Tabelleneigenschaften  Globale Eigenschaften Elena Hensinger

21. 2. Beispiel • 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} Elena Hensinger

22. 2. Beispiel 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 Elena Hensinger

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

24. Clustering • 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 Elena Hensinger

25. Leader-Algorithmus • 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 Elena Hensinger

26. Eigenschaften des Leader-Algorithmus • 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, dajeder Leader u.U. Hunderte von Anfragen vertreten kann • Der Leader eines Clusters ist dessen Repräsentant Elena Hensinger

27. TPC-H benchmark • “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 Elena Hensinger

28. Beispielanfrage • 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 (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 Elena Hensinger

29. Plandiagramm • Veränderung der Selektivitäten der Tabellen PART und PARTSUPP durch Bindervariablen :1, :2 und :4  Übersicht über die Ausführungspläne = Plandiagramm • Achsen repräsentieren die Selektivitäten • 12 verschiedene Pläne • Plan 1 und 2 decken den meisten Raum ab Elena Hensinger

30. Regionen • High-volatility-Regionen: sich oft verändernde Ausfüh-rungspläne • Typischerweise in stark selektiven Bereichen • Low-volatility-Regionen: wenig Veränderung der Pläne 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 Elena Hensinger

32. Variable Clustergrößen • Viele kleinere Cluster in Regionen mit sich oft verändernden Plänen • Wenige große Cluster in Regionen mit wenig Änderung • Fehlerreduzierung um ca. 50 Prozent Elena Hensinger

33. Klassifizierung zu Clustern • 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 Elena Hensinger

34. Anfrage Merkmalsvektor passend PLASTIC • (PLAn Selection Through Incremental Clustering) • Tool zur Erweiterung von Optimierern Nicht passend Optimierer Planvorlagen- Generator System- kataloge Datenbank der Anfragecluster Datenbank der Planvorlagen Merkmalsvektor Klassifizierung Extrahierung des Merkmalsvektors Plangenerator Vergleich Plan Elena Hensinger

35. Ablauf • 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 Elena Hensinger

36. Tests • 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 Elena Hensinger

37. Testresultate • 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 Elena Hensinger

38. Testresultate • 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 Elena Hensinger

39. Cluster Wann Fehlentscheidungen? • Wenn ein Cluster im Merkmalsraum mehr als einen Plan im Planraum abdeckt • 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 Elena Hensinger

40. Weiterentwicklung seit 2002 • 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 Elena Hensinger

41. Screenshots (1) Elena Hensinger

42. Screenshots (2) Elena Hensinger

43. Vielen Dank für die Aufmerksamkeit! Fragen? Elena Hensinger