摘要:现在商用优化器大多都是基于统计信息进行查询代价评估,因此统计信息是否实时且准确对查询影响很大,特别是分布式数据库场景。本文详细介绍GaussDB(DWS)如何实现了一种轻量、实时、准确的统计信息自动收集方案。
本文分享自华为云社区《【最佳实践】GaussDB(DWS) 统计信息自动收集方案》,作者: leapdb。
一、统计信息收集痛点
- 何时做analyze,多做空耗系统资源,少做统计信息不及时。
- 多个数据源并发加工一张表,手动analyze不能并发。
- 数据修改后立即查询,统计信息实时性要求高。
- 需要关心每张表的数据变化和治理,消耗大量人力。
二、基本功能介绍
![](http://dev-img.mos.moduyun.com/20240807/d42397c2-f6b3-4631-b89e-8e068dbffd59.webp)
三、自动收集方案
GaussDB(DWS) 支持统计信息自动收集功能,主要解决统计信息收集不及时和不准确的问题。
手动采样:用户在作业中,手动发起的显示analyze。
轮询采样:autovacuum后台线程,轮询发起的analyze。
动态采样:查询时,优化器触发的runtime analyze。
![](http://dev-img.mos.moduyun.com/20240807/b449b605-4325-4607-946b-abcdb9c839c8.webp)
前台动态采样:负责统计信息实时准确,信息放内存(有淘汰机制),一级锁(像查询一样轻量)。
autoanalyze=on; autoanalyze_mode='light';
后台轮询采样:负责统计信息的持久化,写系统表(四级锁),不要求特别及时。
autovacuum_mode=mix或analyze; --- 以前只有“后台轮询采样”,都由后台autovacuum线程控制做vacuum或analyze。 --- 后来开发“前台动态采样”,叫autoanalyze。 --- 请注意二者的区别。
二者都需要开启。
替代场景
统计信息基于收集时表数据生成,数据变化较多后可能失效。自动触发也是基于阈值(50+表大小*10%)。
![](http://dev-img.mos.moduyun.com/20240807/ca80c7b1-6323-45f3-843c-d2ba35a75cf7.webp)
总结:
- 小表变化<10%且数据特征变化明显,需要“调低阈值自动收集”。
- 调整过采样大小且实时性要求高的场景,需要“主动收集统计信息”。
- 外表和冷热表因访问性能问题,不支持自动,需要“主动收集统计信息”。
四、如何保证及时触发
【触发条件】“无统计信息” or “表的修改量超过一定阈值(默认“50 + 表大小 * 10%”)”
【触发场景】含stream计划的SQL都可触发动态采样,包括select和带条件的delete, update。
【修改计数】
1. 哪些修改行为会被记录?
DML: Insert, Update, Delete, Copy, Merge,会累加修改计数。
DDL: truncate table,truncate/exchange/drop partition, alter column type, alter distribute,由于CN无法获取DN修改计数,所以直接记录一个超大修改计数。
2. 跨CN查询场景,如何确保修改计数全局一致?
异步广播:autovacuum后台线程轮询检查时,向所有CN广播全局修改计数。修改计数达2/3时广播一次,此后每增10%再广播一次。
实时广播:单SQL修改超过tuple_change_sync_threshold(默认1W)条时,直接实时广播修改计数到其它CN。
总结:“修改计数记录”和“修改计数广播”,覆盖都比较全面,能够保证查询及时触发动态采样。
五、最佳实践
GaussDB(DWS) analyze使用指南8.1.3及以下版本
GaussDB(DWS) analyze使用指南8.2.0及以上版本
1.事务块中手动analyze堵塞其它业务
【业务场景】
![](http://dev-img.mos.moduyun.com/20240807/64b1fd56-cc2d-4817-96d7-81c997a9cf1c.webp)
BEGIN; ANALYZE t_ucuser; INSERT INTO t_user_name(project_id, account_id, name_id, uid, etl_time) with t1 AS ( select project_id, account_id, name_id from t_user_name WHERE uid is null or uid = '' ) select a.project_id,a.account_id,a.name_id, b.user_name AS uid, CURRENT_TIMESTAMP AS etl_time from t1 a join t_ucuser b ON a.project_id = b.project_id AND a.account_id = b.account_id ON CONFLICT(project_id,account_id,name_id) DO UPDATE SET project_id=excluded.project_id, account_id=excluded.account_id, name_id=excluded.name_id, uid=excluded.uid, etl_time=excluded.etl_time; END;
【问题根因】
a. 某数据湖用户,多个数据源按照不同的分区进行数据导入加工。
b. 事务块中有手动analyze,且事务块中后面的查询长时间执行不完。
c. 因analyze对表加四级锁长时间不能释放,导致其它相关表上的业务等锁超时报错。
【解决方案】开启light动态采样,去掉事务块中的手动analyze。
2. 多数据源并发加工同一张表的不同分区
【业务场景】
为了保证用户查询表总有数据,需要把加工过程放到一个事务里面。堵塞其它人的动态采样。
begin; alter table tab_partition truncate partition P2023_03; insert into tab_partition select * from t1; end;
【问题根因】alter table truncate parition对分区加8级锁,事务过程中长时间持锁。
【解决方案】使用exchange partition
CREATE TABLE IF NOT EXISTS tab_tmp1(like tab_partition INCLUDING DROPCOLUMNS INCLUDING DISTRIBUTION INCLUDING STORAGE INCLUDING RELOPTIONS); INSERT INTO tab_tmp1 SELECT * FROM t1; ALTER TABLE tab_partition exchange partition (P2023_03) WITH TABLE tab_tmp1;
3.多表并发反序analyze导致统计信息收集失败
【业务场景】
a. 某银行客户,多个表进行批处理数据加工,开启了normal类型动态采样。
b. 查询A先对t1表触发动态采样,再对t2表触发动态采样。
c. 查询B先对t2表触发动态采样,再对t1表触发动态采样。
d. 触发动态采样的顺序不一致,互相申请四级锁导致申锁超时,统计信息未收集。
【问题根因】多人同时按不同顺序analyze多表导致死锁。
【解决方案】开启light动态采样,仅加一级锁不再有四级锁冲突。
4.刚导入的数据不在统计信息中导致查询计划差
【业务场景】
a. 某财经用户,按照月度视为会计期,月初时导入少量数据,然后马上查询。
b. 触发了动态采样,但采集不到最新会计期的少量数据。
【问题根因】新插入数据占比小,及时触发了动态采样但采集不到,导致估算偏差大。
【解决方案】
a. 开启统计信息推算enable_extrapolation_stats功能,根据上一个会计期的统计信息推算当前会计期数据特征。
b. 不提高采样大小,利用历史信息增强统计信息准确性。
5.随机函数质量差导致数据特征统计不准
【业务场景】
a. 某银行客户,按月度条件进行关联查询
b. 多次analyze,最多数据月份在MCV中占比从13%~30%大幅波动
c. 详细输出样本点位置和采样随机数发现,随机数(小数点后6位)生成重复度高导致采样扎堆儿严重。
【问题根因】采样随机数不够随机,样本采集不均匀导致MCV数据特征统计偏差。
【解决方案】
a. 每次传入随机种子再生成随机数,提高随机性和并发能力。控制参数random_function_version。
b. 不提高采样大小,提升随机数质量增强统计信息准确性。
6.样本分布不均匀导致数据特征统计不准
【业务场景】
a. tpc-h的lineitem表l_orderkey列,数据每4~8条批量重复。即同一个订单购买多个商品。
b. 传统采样算法由于采样不均匀,采集到的重复数据稍多,导致采集的distinct值偏低。
【问题根因】数据特征分布不均匀,采样无法抓准数据特征,distinct值高的场景统计出的distinct值偏低。
【解决方案】
a. 使用自研的优化蓄水池采样算法,控制参数analyze_sample_mode=2,让采样更加均匀,以提升统计信息准确性。
b. 如果上述方法没有达到预期效果,可以手动修改distinct值。
select APPROX_COUNT_DISTINCT(l_orderkey) from lineitem; --近似计算distinct值 alter table lineitem alter l_orderkey set (n_distinct=10000); --手动设置distinct值,然后再analyze即可。