Fehlerbehebung und Optimieren der Datenbankleistung

and d2.perkey = f.perkey
and d1.item_desc = ’golf club’
and d2.month = ’JUL’
group by d2.year
Ein Abfrageausführungsplan mit Sternjoin kann eine gute Wahl für diese Abfrage
sein, sofern das Optimierungsprogramm feststellen kann, ob die einfache Gleichheitsverknüpfung
(Semi-Join) von PRODUCT und DAILY_SALES oder die einfache
Gleichheitsverknüpfung von PERIOD und DAILY_SALES die höhere Selektivität
erzielt. Um einen effizienten Sternjoinplan generieren zu können, muss das Optimierungsprogramm
in der Lage sein, die selektivste Semi-Join-Verknüpfung für
den äußeren Part der logischen Indexverknüpfungsoperation über AND auszuwählen.
Data-Warehouses enthalten häufig Datensätze für Produkte, die nicht länger in den
Geschäftsregalen verfügbar sind. Dies kann dazu führen, dass die Verteilung von
PRODUCT-Spalten nach dem Join völlig anders aussieht als ihre Verteilung vor
dem Join. Da das Optimierungsprogramm mangels besserer Informationen die Selektivität
lokaler Vergleichselemente allein auf der Grundlage von Statistiken zu
den Basistabellen bestimmt, schätzt es die Selektivität des Vergleichselements
item_desc = ’golf club’ möglicherweise viel zu hoch ein.
Wenn Golfschläger historisch betrachtet zum Beispiel 1 % der hergestellten Produkte
darstellen, jedoch jetzt 20 % der Umsätze ausmachen, würde das Optimierungsprogramm
mit hoher Wahrscheinlichkeit die Selektivität des Vergleichselements
item_desc = ’golf club’ überschätzen, da keine Statistikdaten vorhanden
sind, die die Verteilung von item_desc nach dem Join beschreiben. Und wenn außerdem
die Umsätze in allen zwölf Monaten gleichermaßen wahrscheinlich sind, läge
die Selektivität des Vergleichselements month = ’JUL’ bei ca. 8 %. Daher würde
der Schätzfehler für die Selektivität des Vergleichselements item_desc = ’golf
club’ das Optimierungsprogramm fälschlicherweise dazu veranlassen, die scheinbar
selektivere Semi-Join-Operation zwischen PRODUCT und DAILY_SALES als
äußeren Part der logischen AND-Verknüpfung der Indizes des Sternjoinplans auszuführen.
Im folgenden Beispiel wird die Bereitstellung von Statistiksichten zur Lösung dieses
Typs von Problem schrittweise veranschaulicht.
Betrachten Sie eine Datenbank aus einem typischen Data-Warehouse, in dem
STORE, CUSTOMER, PRODUCT, PROMOTION und PERIOD die Dimensionstabellen
sind und DAILY_SALES die Fakttabelle ist. In den folgenden Tabellen sind
die Definitionen für diese Tabellen aufgeführt.
Tabelle 62. STORE (63 Zeilen)
Spalte storekey store_number city state district ...
Attribut integer
not null
char(2) char(20) char(5) char(14) ...
Primärschlüssel
Tabelle 63. CUSTOMER (1.000.000 Zeilen)
Spalte custkey name address age gender ...
Attribut integer
not null
char(30) char(40) smallint char(1) ...
Primärschlüssel
Kapitel 3. Faktoren mit Auswirkung auf die Leistung 465