【索引扫描算子优化】
对索引扫描算子进行了一定程度的重构与优化，以提升算子性能。优化主要包括以下几个方面：
1. 识别到程序中存在影响性能的噪点，对其进行屏蔽；
2. 在现有执行流程下，为多数场景下的高频操作建立fast-path，以提高执行效率；
3. 对一些数据结构与算法的实现进行了优化重构，以提升性能。最终经过测试，IndexScan算子性能提升10%，IndexOnlyScan算子性能提升30%。
【函数依赖】
函数依赖，是多列统计信息的一种，可以描述属性之间的关联关系，其主要用途是提高选择率估算的准确性。在引用函数依赖特性之前，数据库会使用条件独立假设的方法来估算选择率。举一个生活中的例子，在一个班级中，男女生的比例是1：1，喜欢瑜伽的人数占比为20%，身高175cm以下的人数占比为50%。我们可以说喜欢瑜伽且身高在175cm以下的女生的占比为50% * 20% * 50% = 5%吗？显然这个计算结果会比实际结果略低，因为这几个属性之间有关联关系，喜欢瑜伽的人中女生占多数，女生的身高较男生普遍偏低。函数依赖特性就是用于解决此类问题，在典型场景下对于高频数据的查询，选择率提升20%；对于中频数据的查询，选择率提升10倍；对于典型场景，选择率提升70倍。
【AGG函数共享转移状态】
AGG函数的执行分为3个阶段：初始化转移状态、执行transition函数、执行final函数。AGG函数共享转移状态特性目的在于调整转移状态和transition函数，实现资源共享。例如执行"SELECT avg(a), sum(a) FROM t;"，此时的转移状态初始化后为两个参数(total, count)，然后遍历表的所有元组，total执行累加操作，count执行自增操作，最后把total/count和total分别作为avg函数和sum函数的返回结果。经验证，SQL语句"SELECT avg(a), sum(a) FROM t;"的总耗时缩短48%左右。对其他可以共享转移状态的AGG函数，也可以实现不同程度的性能提升。
【Parser优化】
优化Parser阶段中关键字检查模块，将关键字查找算法由原来的二分查找算法优化为哈希查找算法，同时优化关键字内存数据结构，cache访问更友好，优化后Parser阶段的性能提升10%。
【新型选择率模型】
新型选择率模型充分利用基于直方图的统计信息，平衡计算量与准确性，充分考虑数据分布情况，通过轻量的计算，提高对低频值的估算准确率，能够使得优化器生成更优的执行计划，进而提高查询效率。
【通信优化】
提升通信整体性能，调整通信逻辑，默认使用非阻塞通信方式，当需要阻塞通信语义时，利用latch轻量锁机制，降低通信阶段耗时。轻量通信方式的开启与否通过POSTMASTER级别的GUC参数light_comm控制，当light_comm的值为ON / TRUE时，将开启轻量通信。
【表达式展平化】
基于非递归、操作码方式实现数据库中表达式计算，致力于通过展平化表达式信息减少计算过程中堆栈使用、函数调用等开销，提升语句的执行性能。
后续，openGauss还会持续对基础算子进行优化，不断完善openGauss社区竞争力。
