摘要：SQL中的坏味道，你知道吗？
SQL语言是关系型数据库（RDB）的标准语言，其作用是将使用者的意图翻译成数据库能够理解的语言来执行。人类之间进行交流时，同样的意思用不同的措辞会产生不同的效果。
类似地，人类与数据库交流信息时，同样的操作用不同的SQL语句来表达，也会导致不同的效率。而有时同样的SQL语句，数据库采用不同的方式来执行，效率也会不同。那些会导致执行效率低下的SQL语句及其执行方式，我们称之为SQL中的“坏味道”。
下面这个简单的例子，可以说明什么是SQL中的坏味道。
图1-a 用union合并集合
在上面的查询语句中，由于使用了union来合并两个结果集，在合并后需要排序和去重，增加了开销。实际上符合dept_id = 1和dept_id > 2的结果间不会有重叠，所以完全可以用union all来合并，如下图所示。
图1-b 用union all合并集合
而更高效的做法是用or条件，在扫描的时候直接过滤出所需的结果，不但节省了运算，也节省了保存中间结果所需的内存开销，如下图所示。
图1-c 用or条件来过滤结果
可见完成同样的操作，用不同的SQL语句，效率却大相径庭。前两条SQL语句都不同程度地存在着“坏味道”。
对于这种简单的例子，用户可以很容易发现问题并选出最佳方案。但对于一些复杂的SQL语句，其性能缺陷可能很隐蔽，需要深入分析才有可能挖掘出来。这对数据库的使用者提出了很高的要求。即便是资深的数据库专家，有时也很难找出性能劣化的原因。
GaussDB在执行SQL语句时，会对其性能表现进行分析和记录，通过视图和函数等手段呈现给用户。本文将简要介绍如何利用GaussDB提供的这些“第一手”数据，分析和定位SQL语句中存在的性能问题，识别和消除SQL中的“坏味道”。
◆ 识别SQL坏味道之自诊断视图
GaussDB在执行SQL时，会对执行计划以及执行过程中的资源消耗进行记录和分析，如果发现异常情况还会记录告警信息，用于对原因进行“自诊断”。用户可以通过下面的视图查询这些信息：
• gs_wlm_session_info
• pgxc_wlm_session_info
• gs_wlm_session_history
• pgxc_wlm_session_history
其中gs_wlm_session_info是基本表，其余3个都是视图。gs_开头的用于查看当前CN节点上收集的信息，pgxc_开头的则包含集群中所有CN收集的信息。各表格和视图的定义基本相同，如下表所示。
| 名称 | 类型 | 描述 |
| datid | oid | 连接后端的数据库OID。 |
| dbname | text | 连接后端的数据库名称。 |
| schemaname | text | 模式的名字。 |
| nodename | text | 语句执行的CN名称。 |
| username | text | 连接到后端的用户名。 |
| application_name | text | 连接到后端的应用名。 |
| client_addr | inet | 连接到后端的客户端的IP地址。 如果此字段是null，它表明通过服务器机器上UNIX套接字连接客户端或者这是内部进程，如autovacuum。 |
| client_hostname | text | 客户端的主机名，这个字段是通过client_addr的反向DNS查找得到。这个字段只有在启动log_hostname且使用IP连接时才非空。 |
| client_port | integer | 客户端用于与后端通讯的TCP端口号，如果使用Unix套接字，则为-1。 |
| query_band | text | 用于标示作业类型，可通过GUC参数query_band进行设置，默认为空字符串。 |
| block_time | bigint | 语句执行前的阻塞时间，包含语句解析和优化时间，单位ms。 |
| start_time | timestamp with time zone | 语句执行的开始时间。 |
| finish_time | timestamp with time zone | 语句执行的结束时间。 |
| duration | bigint | 语句实际执行的时间，单位ms。 |
| estimate_total_time | bigint | 语句预估执行时间，单位ms。 |
| status | text | 语句执行结束状态：正常为finished，异常为aborted。 |
| abort_info | text | 语句执行结束状态为aborted时显示异常信息。 |
| resource_pool | text | 用户使用的资源池。 |
| control_group | text | 语句所使用的Cgroup。 |
| min_peak_memory | integer | 语句在所有DN上的最小内存峰值，单位MB。 |
| max_peak_memory | integer | 语句在所有DN上的最大内存峰值，单位MB。 |
| average_peak_memory | integer | 语句执行过程中的内存使用平均值，单位MB。 |
| memory_skew_percent | integer | 语句各DN间的内存使用倾斜率。 |
| spill_info | text | 语句在所有DN上的下盘信息： None：所有DN均未下盘。 All: 所有DN均下盘。 [a:b]: 数量为b个DN中有a个DN下盘。 |
| min_spill_size | integer | 若发生下盘，所有DN上下盘的最小数据量，单位MB，默认为0。 |
| max_spill_size | integer | 若发生下盘，所有DN上下盘的最大数据量，单位MB，默认为0。 |
| average_spill_size | integer | 若发生下盘，所有DN上下盘的平均数据量，单位MB，默认为0。 |
| spill_skew_percent | integer | 若发生下盘，DN间下盘倾斜率。 |
| min_dn_time | bigint | 语句在所有DN上的最小执行时间，单位ms。 |
| max_dn_time | bigint | 语句在所有DN上的最大执行时间，单位ms。 |
| average_dn_time | bigint | 语句在所有DN上的平均执行时间，单位ms。 |
| dntime_skew_percent | integer | 语句在各DN间的执行时间倾斜率。 |
| min_cpu_time | bigint | 语句在所有DN上的最小CPU时间，单位ms。 |
| max_cpu_time | bigint | 语句在所有DN上的最大CPU时间，单位ms。 |
| total_cpu_time | bigint | 语句在所有DN上的CPU总时间，单位ms。 |
| cpu_skew_percent | integer | 语句在DN间的CPU时间倾斜率。 |
| min_peak_iops | integer | 语句在所有DN上的每秒最小IO峰值（列存单位是次/s，行存单位是万次/s）。 |
| max_peak_iops | integer | 语句在所有DN上的每秒最大IO峰值（列存单位是次/s，行存单位是万次/s）。 |
| average_peak_iops | integer | 语句在所有DN上的每秒平均IO峰值（列存单位是次/s，行存单位是万次/s）。 |
| iops_skew_percent | integer | 语句在DN间的IO倾斜率。 |
| warning | text | 显示告警信息。 |
| queryid | bigint | 语句执行使用的内部query id。 |
| query | text | 执行的语句。 |
| query_plan | text | 语句的执行计划。 |
| node_group | text | 语句所属用户对应的逻辑集群。 |
表1-自诊断表格&函数字段定义
其中的query字段就是执行的SQL语句。通过分析每个query对应的各字段，例如执行时间，内存，IO，下盘量和倾斜率等等，可以发现疑似有问题的SQL语句，然后结合query_plan（执行计划）字段，进一步地加以分析。特别地，对于一些在执行过程中发现的异常情况，warning字段还会以human-readable的形式给出告警信息。目前能够提供的自诊断信息如下：
◇多列/单列统计信息未收集
优化器依赖于表的统计信息来生成合理的执行计划。如果没有及时对表中各列收集统计信息，可能会影响优化器的判断，从而生成较差的执行计划。如果生成计划时发现某个表的单列或多列统计信息未收集，warning字段会给出如下告警信息：
Statistic Not Collect:
schemaname.tablename(column name list)此外，如果表格的统计信息已收集过（执行过analyze），但是距离上次analyze时间较远，表格内容发生了很大变化，可能使优化器依赖的统计信息不准，无法生成最优的查询计划。针对这种情况，可以用pg_total_autovac_tuples系统函数查询表格中自从上次分析以来发生变化的元组的数量。如果数量较大，最好执行一下analyze以使优化器获得最新的统计信息。
◇SQL未下推
执行计划中的算子，如果能下推到DN节点执行，则只能在CN上执行。因为CN的数量远小于DN，大量操作堆积在CN上执行，会影响整体性能。如果遇到不能下推的函数或语法，warning字段会给出如下告警信息：
SQL is not plan-shipping, reason : %s◇Hash连接大表做内表
如果发现在进行Hash连接时使用了大表作为内表，会给出如下告警信息：
PlanNode[%d] Large Table is INNER in HashJoin \"%s\"目前“大表”的标准是平均每个DN上的行数大于100，000，并且内表行数是外表行数的10倍以上。
◇大表等值连接使用NestLoop
如果发现对大表做等值连接时使用了NestLoop方式，会给出如下告警信息：
PlanNode[%d] Large Table with Equal-Condition use Nestloop\"%s\"目前大表等值连接的判断标准是内表和外表中行数最大者大于DN的数量乘以100，000。
◇数据倾斜
数据在DN之间分布不均匀，可导致数据较多的节点成为性能瓶颈。如果发现数据倾斜严重，会给出如下告警信息：
PlanNode[%d] DataSkew:\"%s\", min_dn_tuples:%.0f, max_dn_tuples:%.0f目前数据倾斜的判断标准是DN中行数最多者是最少者的10倍以上，且最多者大于100,000。
◇代价估算不准确
GaussDB在执行SQL语句过程中会统计实际付出的代价，并与之前估计的代价比较。如果优化器对代价的估算与实际的偏差很大，则很可能生成一个非最优化的计划。如果发现代价估计不准确，会给出如下告警信息：
"PlanNode[%d] Inaccurate Estimation-Rows: \"%s\" A-Rows:%.0f, E-Rows:%.0f目前的代价由计划节点返回行数来衡量，如果平均每个DN上实际/估计返回行数大于100,000，并且二者相差10倍以上，则认定为代价估算不准。
◇Broadcast量过大
Broadcast主要适合小表。对于大表来说，通常采用Hash+重分布（Redistribute）的方式效率更高。如果发现计划中有大表被广播的环节，会给出如下告警信息：
PlanNode[%d] Large Table in Broadcast \"%s\"目前对大表广播的认定标准为平均广播到每个DN上的数据行数大于100,000。
◇索引设置不合理
如果对索引的使用不合理，比如应该采用索引扫描的地方却采用了顺序扫描，或者应该采用顺序扫描的地方却采用了索引扫描，可能会导致性能低下。
索引扫描的价值在于减少数据读取量，因此认为索引扫描过滤掉的行数越多越好。如果采用索引扫描，但输出行数/扫描总行数>1/1000，并且输出行数>10000（对于行存表）或>100（对于列存表），则会给出如下告警信息：
PlanNode[%d] Indexscan is not properly used:\"%s\", output:%.0f, filtered:%.0f, rate:%.5f顺序扫描适用于过滤的行数占总行数比例不大的情形。如果采用顺序扫描，但输出行数/扫描总行数<=1/1000，并且输出行数<=10000（对于行存表）或<=100（对于列存表），则会给出如下告警信息：
PlanNode[%d] Indexscan is ought to be used:\"%s\", output:%.0f, filtered:%.0f, rate:%.5f◇下盘量过大或过早下盘
SQL语句执行过程中，因为内存不足等原因，可能需要将中间结果的全部或一部分转储的磁盘上。下盘可能导致性能低下，应该尽量避免。如果监测到下盘量过大或过早下盘等情况，会给出如下告警信息：
• Spill file size large than 256MB
• Broadcast size large than 100MB
• Early spill
• Spill times is greater than 3
• Spill on memory adaptive
• Hash table conflict
下盘可能是因为缓冲区设置得过小，也可能是因为表的连接顺序或连接方式不合理等原因，要结合具体的SQL进行分析。可以通过改写SQL语句，或者HINT指定连接方式等手段来解决。
使用自诊断视图功能，需要将以下变量设成合适的值：
▲ use_workload_manager（设成on，默认为on）
▲ enable_resource_check（设成on，默认为on）
▲ resource_track_level（如果设成query，则收集query级别的信息，如果设成operator，则收集所有信息，如果设成none，则以用户默认的log级别为准）
▲ resource_track_cost（设成合适的正整数。为了不影响性能，只有执行代价大于resource_track_cost语句才会被收集。该值越大，收集的语句越少，对性能影响越小；反之越小，收集的语句越多，对性能的影响越大。）
执行完一条代价大于resource_track_cost后，诊断信息会存放在内存hash表中，可通过pgxc_wlm_session_history或gs_wlm_session_history视图查看。
视图中记录的有效期是3分钟，过期的记录会被系统清理。如果设置enable_resource_record=on，视图中的记录每隔3分钟会被转储到gs_wlm_session_info表中，因此3分钟之前的历史记录可以通过gs_wlm_session_info表或pgxc_wlm_session_info视图查看。
◆ 发现正在运行的SQL的坏味道
上一节提到的自诊断视图可以显示已完成SQL的信息。如果要查看正在运行的SQL的情况，可以使用下面的视图：
• gs_wlm_session_statistics
• pgxc_wlm_session_statistics
类似地，gs_开头的用于查看当前CN节点上收集的信息，pgxc_开头的则包含集群中所有CN收集的信息。两个视图的定义与上一节的自诊断视图基本相同，使用方法也基本一致。通过观察其中的字段，可以发现正在运行的SQL中存在的性能问题。
例如，通过“select queryid, duration from gs_wlm_session_statistics order by duration desc limit 10;”可以查询当前运行的SQL中，已经执行时间最长的10个SQL。如果时间过长，可能有必要分析一下原因。
图2-a 通过gs_wlm_session_statistics视图发现可能hang住SQL
查到queryid后，可以通过query_plan字段查看该SQL的执行计划，分析其中可能存在的性能瓶颈和异常点。
图2-b 通过gs_wlm_session_statistics视图查看当前SQL的执行计划
再下一步，可以结合等待视图等其他手段定位性能劣化的原因。
图2-c 通过gs_wlm_session_statistics视图结合等待视图定位性能问题
另外，活动视图pg_stat_activity也能提供一些当前执行SQL的信息。
◆ Top SQL——利用统计信息发现SQL坏味道
除了针对逐条SQL进行分析，还可以利用统计信息发现SQL中的坏味道。另一篇文章“Unique SQL特性原理与应用”中提到的Unique SQL特性，能够针对执行计划相同的一类SQL进行了性能统计。与自诊断视图不同的是，如果同一个SQL被多次执行，或者多个SQL语句的结构相同，只有条件中的常量值不同。这些SQL在Unique SQL视图中会合并为一条记录。因此使用Unique SQL视图能更容易看出那些类型的SQL语句存在性能问题。
利用这一特性，可以找出某一指标或者某一资源占用量最高/最差的那些SQL类型。这样的SQL被称为“Top SQL”。例如，查找占用CPU时间最长的SQL语句，可以用如下SQL：
select unique_sql_id,query,cpu_time from pgxc_instr_unique_sql order by cpu_time desc limit 10。Unique SQL的使用方式详见https://bbs.huaweicloud.com/blogs/197299。
◆ 结论
发现SQL中的坏味道是性能调优的前提。GaussDB对数据库的运行状况进行了SQL级别的监控和记录。这些打点记录的数据可以帮助用户发现可能存在的异常情况，“嗅”出潜在的坏味道。从这些数据和提示信息出发，结合其他视图和工具，可以定位出坏味道的来源，进而有针对性地进行优化。
点击关注，第一时间了解华为云新鲜技术~
