====== 제 3장 SQL의 실행계획 - 옵티마이져의 최적화 절차 ===== {{:study:oracle:datadb:2week_1:optimizer01.png|}} - 최초에 사용자가 실행한 SQL은 Data Dictionary를 참조하여 Parsing을 수행한다. - Optimizer는 파싱결과를 이용해 논리적으로 적용 가능한 실행계획 형태를 선택하고 \\ 힌트를 감안하여 일차적으로 잠정적인 실행계획들을 생성한다 - Data Dictionary의 통계정보(데이타 분포도,테이블 저장구조, 인덱스 구조, 파티션 행태, 비교연산자 등)을 감안하여 \\ 각 실행계획의 비용을 계산한다. - Optimizer는 비용이 산출된 실행계획들을 비교하여 가장 최소의 비용을 가진 실행계획을 선택한다 ===== 개요 ===== ==== ==== ^ 최적화 절차 ^ 비용 산정기 ^ 실행계획 생성기 ^ | View Merging | 선택도(selectivity) | 적응적 기법 | | 조건절 진입 | 카디널리티(Cardinality) | 경험적 기법 | | 서브쿼리 비내포화 | 비용(Cost) | | M-View의 쿼리 재생성 | | OR 조건의 전개 | | Peeking | ===== 질의 변환기 ===== ==== 정의 ==== * 보다 양호한 실행계획을 얻을 수 있도록 \\ **적절한 형태로 SQL의 모양을 변환하는 것** === 뷰병합(View Merging) === - 뷰 정의 시에 지정한 쿼리(뷰쿼리)를 액세스가 수행되는 쿼리(액세스쿼리)에 병합(Merge) - **수행시킨 쿼리를 기준으로 뷰에 지정한 부분만 보정하므로 뷰로 발생되는 불이익이 크게 감소** - 액세스 쿼리의 조건들이 제 역할을 할 수 있고, 뷰 쿼리의 조건까지 추가 - 몇 가지 제한요소가 있어 이를 준수하지 않으면 뷰병합은 불가능 === 조건절 진입(Predicate Pushing) === - 뷰병합을 할 수 없는 경우를 대상으로 뷰쿼리 내부에 액세스쿼리의 조건절을 진입시키는 질의 변환 - 액세스쿼리를 뷰쿼리로 진입시키는 방법 - 이렇게 가능한 모든 방법을 동원해서 부여 조건을 뷰쿼리 내에 최대한 반영시켜 보다 양호한 실행계획을 유도 === 서브쿼리 비내포화(Subquery Unnesting) === - **서브쿼리를 사용하는 쿼리는 종종 내포관계 해제나 조인형식으로 대체하여 보다 양호한 수행속도를 얻음** - 실제로 대부분의 서브쿼리는 이러한 변환을 거침 - 서브쿼리 비내포화가 불가능하면 서브쿼리를 먼저 수행하거나 나중에 수행하는 실행계획 수립 - 서브쿼리가 수행되는 순서에 따라 수행속도에는 매우 큰 차이가 나타날 수 있음 === Meterialized View(실체뷰)의 쿼리 재생성(Query rewrite) === - **M-View는 테이블과 밀접한 논리적 관계를 가진 물리적 집합이므로 최적의 집합을 처리하도록 쿼리를 재생성** - 일종의 확장된 뷰병합 기능 - 상황에 따라 어떤 물리적 집합을 액세스할 것인지 고민할 필요가 없으므로 매우 유용한 기능 - M-View의 쿼리 재생성(Query Rewrite)은 비용기준에 의해 결정 \\ (테이블 액세스가 적은 비용을 가지면 쿼리 재생성 하지 않음) === OR 조건의 전개(expansion) === - **OR 조건이 처리주관 조건이 되면 여러 개의 단위 쿼리로 분기하고 UNION ALL로 연결하는 질의로 변환** - 단지 체크 조건으로만 사용되는 경우에 이와 같은 전개가 발생하면 오히려 큰 비효율이 발생 - 옵티마이져는 비용기준에 의해 전개여부를 결정 === 사용자 정의바인드 변수 엿보기(Peeking) === - Optimizer는 쿼리 내에 사용자가 조건절에 지정한 바인드 변수가 있을 때 실제로 그 변수에 어떤 값이 들어올지 알 수 없기 때문에 통계정보를 제대로 참조할 수 없음 - 이런 문제를 보안하기 위해서 **최초에 수행될 때 적용되었던 값을 이용해 실행계획을 수립하고, 다음 수행부터는 공유하는 방법**을 이용한다. - 마치 커닝과 유사한 개념 - 그냥 변수인 채로 실행계획을 수립하는 것보다는 유리할 수 있는 판단에서 나온 궁여지책 - 실제 적용상의 입장에서 보면 상당히 중요한 의미를 가짐 ===== 비용 산정기 ===== - 옵티마이져의 비용산정은 크게 선택도(selectivity), 카디널러티(Cardinality),비용(Cost) 3가지로 측정한다. ==== 선택도(Selectivity) ==== - **처리할 대상 집합에서 해당 조건을 만족하는 로우가 차지하는 비율** - 선택도는 **0.0 ~ 1.0** 값을 갖도록 생성된다. - 0.0 : 대상 집합에서 전혀 존재하는 않음 - 1.0 : 모든 대상 집합이 모두 해당 - 컬럼에 있는 값의 종류가 10가지라면 선택도는 0.1(=1/10) 이다. === === **선택도의 값이 낮게 측정되었다** -> 전체적으로 차지하는 비율이 낮다 -> **변별력이 좋다** -> **좋은 선택도를 가진 것을 처리주관으로 결정하면 보다 적은 처리범위를 액세스 할 수 있다** ==== 카디널러티(Cardinality) ==== - 실행계획에서 **Card**로 표시된 부분 - 판정 대상이 가진 결과 건수 혹은 다음 단계로 들어가는 중간결과건수 의미 - **선택도(Selectivity)** X **전체 로우수(Num_rows)** - 선택도가 있음에도 불구하고 카디널러티가 필요한 이유는 **선택도는 단지 비율에 지나지 않기 때문이다** - 선택도는 단지 비율일 뿐임. 백만 건의 1%와 백 건의 1%는 비율은 같지만 절대량은 같지 않다. ==== 비용(Cost) ==== - 실행계획에서 **Cost**로 표시된 부분 - 실행계획 상의 각 연산들을 수행할 때 소요되는 시간비용을 상대적으로 계산한 예측치 - 통계정보에 CPU와 메모리 상황, 디스크 I/O비용도 고려하여 계산 === 동일한 평가결과에서 우선순위 결정 === ^ 규칙기준 | 로우 캐시(Row Cache)에 나타나는 순서대로 선택 | ^ 비용기준 | 인덱스명의 ASCII 값에 근거해서 결정 | === 신뢰성의 한계 === - 비용산정 과정에서 수많은 가정들을 세우고 다양한 계산식을 적용 \\ 그러나 가정들이 완벽할 수 없는 불완전한 가정이므로 때로는 잘못된 비용을 산정하게 되는 한계가 발생 - 이런 문제의 보완을 위해서 다양한 힌트들과 다양한 초기화 파라메터들이 계속 추가 ===== 실행계획 생성기 ===== - 주어진 쿼리를 처리할 수 있는 적용 가능한 실행계획을 선별하고 비교검토를 거쳐 **가장 최소의 비용을 가진 것을 선택** - 실행계획에 따른 처리되는 결과는 같다. - 다양한 액세스 경로들의 조합 - 여러 유형의 조인 형태 - 조인 순서 - **그러나 실행계획에 따라 처리의 효율성은 엄청날 수 있다** ==== 최적경로 탐색 기법 ==== ^ 적응적 탐색 \\ Adaptive search | * 쿼리수행의 총 예상수행시간에 대해 최적화를 하는 시간이 일정비율을 넘지 않도록 하는 탐색 전략 | ^ 경험적 기법 \\ Heuristic | * 탐색도중이더라도 최적이라고 판단되는 실행계획을 발견하면 더 이상 진행하지 않고 멈추는 것 \\ * 최적이거나 최소한 아주 좋은 실행계획일 것이라고 판단되는 실행계획들의 일정량을 선별하고 정렬한 후에 \\ 그 중에서 가장 양호한 것을 선택 | ^ 힌트 \\ Hint | * 훨씬 기력이 높은 고수가 옆에서 훈수를 해주는 것과 같이 보다 쉽게 최적을 찾을 수 있다 \\ ** * 훈수는 결정적인 순간에만 하듯이 힌트는 특별한 경우에만 사용하는 것이 바람직함** |