​​​​​​​​​​​​​​​​​​​​​​​​​​​​​【摘要】本文簡單介紹一下什麼是統計資訊、統計資訊記錄了什麼、為什麼要收集統計資訊、怎麼收集統計資訊以及什麼時候收集統計資訊。

1、WHY：為什麼需要統計資訊

1.1 query執行流程

下圖描述了GaussDB的SQL引擎從接收客戶端SQL語句到執行SQL語句需要經歷的關鍵步驟，以及各個流程中可能對執行產生影響的因素

1) 詞法&語法解析

按照約定的SQL語句規則，把輸入的SQL語句從字串轉化為格式化結構(Stmt)，如果SQL語句存在語法錯誤，都會在這個環節報錯。

2) 語義解析

語義解析類似一個翻譯器，把外部輸入的視覺化的物件翻譯為資料庫內部可識別的物件（比如把Stmt中以字串記錄的表名稱轉化為資料庫內部可識別的oid），如果語句存在語義錯誤(比如查詢的表物件不存在)，資料庫會在這個環節報錯。

3) 查詢重寫

根據規則將“語義解析”的輸出等價轉化為執行上更為最佳化的結構，比如把查詢語句中的檢視逐層展開至最低層的表查詢。

4) 查詢最佳化

資料庫確認SQL執行方式、生成執行計劃的過程。

5) 查詢執行

根據執行計劃執行SQL並輸出結果的過程。

整個執行流程中，最佳化器決定了查詢語句的具體執行方式，對SQL語句的效能起著關鍵性的作用。資料庫查詢最佳化器分為兩類：基於規則的最佳化器(Rule-BasedOptimizer，RBO) 和基於代價的最佳化器(Cost-BasedOptimizer，CBO)。RBO是一種基於規則的最佳化，對於指定的場景採用指定的執行方式，這種最佳化模型對資料不敏感；SQL的寫法往往會影響執行計劃，不瞭解RBO的細則的人員開發的SQL效能不可控，因此RBO逐漸被拋棄，目前GaussDB等資料庫廠商的最佳化器都是CBO模型。CBO模型是根據SQL語句生成一組可能被使用的執行計劃，並估算出每種執行計劃的代價，最終選擇選擇一個代價最小的執行方式。

1.2 CBO模型

資料庫執行SQL語句的時候，會把執行拆分為若干步驟，如下SQL

select *

from t1 join t2 ont1.a=t2.b

where t1.b = 2 andt2.a = 3;

在具體執行的時候會拆分為表掃描和表關聯兩個主要查詢動作。這兩個查詢動作都存在多種執行方式，比如表掃描均存在SeqScan、IndexScan、IndexOnlyScan、BitmapScan等多種執行方式、表關聯存在NestLoop、HashJoin、MergeJoin三種執行方式，那麼在具體的業務場景下什麼樣的查詢動作才是代價最小的執行方式，這就是最佳化器的核心工作。

CBO主要工作原理是透過代價模型(CostModel)和統計資訊估算每種執行方式的代價，然後選擇一種執行代價最優的執行方式。這裡面代價模型是核心演算法邏輯，統計資訊是cost計算的資料來源，二者配合完成cost計算；如果統計資訊缺失，計算時代價模型會使用預設值來計算cost，當然這時cost會跟真實值存在較大偏差，大機率會出現選擇非最優執行計劃的情況，因此統計資訊是CBO模型中 cost計算的資料輸入，是CBO最核心的科技之一。

2、WHAT：都有哪些統計資訊

統計資訊是指資料庫描述表或者索引資料特徵的資訊，常見的有表記錄條數、頁面數等描述表規模的資訊，以及描述資料分佈特徵的MCV(高頻非NULL值)、HISTOGRAM（直方圖）、CORRELATION等資訊。

本文中透過如下用例來展示統計資訊是如何表現表的資料特徵的

DROP TABLEpublic.test;

CREATE TABLEpublic.test(a int, b int, c int[]);

INSERT INTOpublic.test VALUES (generate_series(1, 20), generate_series(1, 1200));

INSERT INTOpublic.test VALUES (generate_series(1, 1200), generate_series(1, 1200));

UPDATE public.test SETc = ('{' || a || ','|| a || '}')::int[] WHERE b <= 1000;

UPDATE public.test SETc = ('{' || a || ','|| b || '}')::int[] WHERE b > 1000;

ANALYZE public.test;

3、WHERE：統計資訊在哪裡

3.1 表規模資訊

系統表pg_class中的reltuples和relpages兩個欄位能夠反映表規模資訊資訊，其中relpages記錄了表資料儲存到幾個page頁裡面，主要用於表從儲存介面掃描資料的代價計算；reltuples記錄了表記錄條數，主要用於掃描結果集行數估算。

查詢pg_class中的表規模估算資訊，顯示錶為2400行

單表全量資料查詢，透過explain查看錶規模估算，顯示錶掃描輸出行數估算為2400。

3.2 單列統計資訊

單列統計資訊是指表的單列的資料特徵資訊，儲存在系統表pg_statistic中。因為pg_statistic會儲存一些關鍵取樣值來描述資料特徵，因此pg_statistic資料是敏感的，只有超級使用者才可以訪問pg_statistic。通常我們推薦使用者使用查詢系統檢視pg_stats來查詢當前使用者有查詢許可權的表的統計資訊，同時pg_stats資訊的可讀性更強，pg_stats欄位資訊如下

查詢表public.test的a列的資料特徵資訊如下

透過統計新可以看出public.test的a列的NULL值比例為0，存在120個distinct值， 1~20是MCV值，每個出現的機率是0.0254167；21~1200出現在在直方圖統計資訊中；

以查詢語句“SELECT count(1) FROM public.test WHERE a< 44;”為例說明統計資訊在最佳化過程中行數估算場景下的作用

a) 所有MCV值均滿足a < 44，所有MCV值的比例為0.0254167 *20 = 0.5083340

b) 44為直方圖中第三個邊界，直方圖中滿足a < 44的值的比例為(1-0.5083340)/100 *(3-1)=.0098333200

那麼表中滿足a<56的tuples的個數為1243.6015680 ≈1244，透過explain列印執行計劃如下

3.3 擴充套件統計資訊

擴充套件統計資訊儲存在系統表pg_statistic_ext裡面，當前只支援多列統計資訊這一種擴充套件統計資訊型別。pg_statistic_ext會儲存一些關鍵取樣值來描述資料特徵，因此pg_statistic_ext資料是敏感的，只有超級使用者才可以訪問pg_statistic_ext，通常我們推薦使用者使用查詢系統檢視pg_ext_stats來查詢當前使用者有查詢許可權的擴充套件統計資訊。

表的多個列有相關性且查詢中有同時基於這些列的過濾條件、關聯條件或者分組操作的時候，可嘗試收集多列統計資訊。擴充套件統計資訊需要手動進行收集(具體收集方法，下個小節會介紹)，如下為test表(a,b)兩列的統計資訊

4、HOW：如何生成統計資訊

4.1 顯式收集統計資訊

4.1.1 單列統計資訊

透過如下命令收集單列統計資訊：

{ ANALYZE | ANALYSE }[ VERBOSE ] [ table_name [ ( column_name [, ...] ) ] ];

如語法描述，我們支援對指定列做統計資訊，但是實際上我們很難統計實際業務SQL中到底使用了當前哪些表的列進行了代價估算，因此建議通常情況下對全表收集統計資訊。

4.1.2 擴充套件統計資訊

透過如下命令收集多列統計資訊：

{ANALYZE | ANALYSE} [VERBOSE ] table_name (( column_1_name, column_2_name [, ...] ));

需要注意的是，當前只支援在百分比取樣模式下生成擴充套件統計資訊，因此在收集擴充套件統計資訊之前請確保GUC引數default_statistics_target為負數

4.2 提升統計資訊質量

analyze是按照隨機取樣演算法從表上取樣，根據樣本計算表資料特徵。取樣數可以透過配置引數default_statistics_target進行控制，default_statistics_target取值範圍為-100~10000，預設值為100。

1）當default_statistics_target> 0時；取樣的樣本數為300*default_statistics_target，default_statistics_target取值越大，取樣的樣本也越大，樣本佔用的記憶體空間也越大，統計資訊計算耗時也越長

2）當default_statistics_target< 0時，取樣的樣本數為 (default_statistics_target)/100*表的總行數，default_statistics_target取值越小，取樣的樣本也越大。但是default_statistics_target< 0時會把取樣資料下盤，不存在樣本佔用的記憶體空間的問題，但是因為樣本過大，計算耗時長的問題同樣存在

default_statistics_target< 0時，實際取樣數是(default_statistics_target)/100*表的總行，所以我們又稱之為百分比取樣。

4.3 自動收集統計資訊

當配置引數autoanalyze開啟時，查詢語句走到最佳化器發現表不存在統計資訊，會自動觸發統計資訊收集，以滿足最佳化器的需求。以文件的case為列

注：只有對統計資訊敏感的複雜查詢動作(多表關聯等操作)的SQL語句執行時才會觸發自動收集統計資訊；簡單查詢(比如單點，單表聚合等) 不會觸發自動收集統計資訊

5、WHEN：什麼時候收集統計資訊

5.1 大規模資料變化

大規模資料匯入/UPDATE/DELETE等操作，會導致表資料行數變化，新增的大量資料也會導致資料特徵發生大的變化，此時需要對錶重新收集統計資訊

5.2 查詢新增資料

常見於業務表新增資料查詢場景，這個也是收集業務中最常見、最隱蔽的統計資訊沒有及時更新的問題，這種場景最主要的特徵如下

1) 存在一個按照時間增長的業務表

2) 業務表每天入庫新一天的資料

3) 資料入庫之後查詢新增資料進行資料加工分析

在最後步驟的資料加工分析時，最長的方法就是使用Filter條件從分割槽表中篩選資料，如passtime> ‘2020-01-19 00:00:00’ AND pastime < ‘2020-01-20 00:00:00’，假如新增資料入庫之後沒有做analyze，最佳化器發現Filter條件中的passtime取值範圍超過了統計資訊中記錄的passtime值的上邊界，會把估算滿足passtime> ‘2020-01-19 00:00:00’ AND pastime < ‘2020-01-20 00:00:00’的tuple個數為1條，導致估算行數驗證失真

6、WHO：誰來收集統計資訊

AP場景下業務表資料量一般都很大，單次匯入的資料量也比較大，而且經常是資料匯入即用，因此建議在業務開發過程中，根據資料變化量和查詢特徵在需要的地方主動對相關表做analyze。