OceanBase v4.2 给大家带来优化器动态采样功能，该功能在SQL运行时收集需要的统计信息，帮助优化器生成更好的执行计划，优化查询性能。
是什么在影响查询性能？为什么你的优化器不优？
在执行 SQL 查询时，OceanBase 优化器需要收集表和索引的统计信息，以便选择最佳的执行计划。如果统计信息不准确或者不完整，使用的执行计划就可能不是最优的，导致查询性能下降。基础的统计信息通常是通过自动收集或者手动收集等方式获取。但是，如果数据分布发生变化、没有收集统计信息或者遇到一些复杂的SQL 查询，统计信息就可能不再准确。例如，这里有 1000 行数据的两张表 t1、t2，假如两个表都没有收集统计信息。
create table t1(c1 int, c2 int, c3 int);
create table t2(c1 int, c2 int, c3 int);
create index idx_c1 on t2(c1);
insert into t1 select level,level,level from dual connect by level<=1000;
insert into t2 select level,level,level from dual connect by level<=1000;我们看看查询 “select * from t1, t2 where t1.c1 = t2.c1 and t1.c2 = 1000” 的计划情况：
| =========================================== |
| |ID|OPERATOR |NAME|EST.ROWS|EST.TIME(us)| |
| ------------------------------------------- |
| |0 |HASH JOIN | |98 |199 | |
| |1 | TABLE SCAN|T1 |10 |44 | |
| |2 | TABLE SCAN|T2 |1000 |61 | |
| =========================================== |可以看到上述两表JOIN的方式选择的是 HASH JOIN。但是真实情况是，满足 t1.c2 = 1000 的数据只有一行，此时，我们可以选择走 NESTED-LOOP JOIN，将连接条件 t1.c1 = t2.c1 下压到基表 t2 上，从而 t2 表也可以选择索引 idx_c1，整个计划执行性能也会更快。形如下面的查询计划，这个计划的执行性能会更好:
============================================================= |
| |ID|OPERATOR |NAME |EST.ROWS|EST.TIME(us)| |
| ------------------------------------------------------------- |
| |0 |NESTED-LOOP JOIN | |1 |21 | |
| |1 | TABLE SCAN |T1 |1 |2 | |
| |2 | DISTRIBUTED TABLE SCAN|T2(IDX_C1)|1 |18 | |
| =============================================================综上，我们需要一种技术手段来辅助获取更准确的统计信息，帮助优化器选择更好的执行计划。在业界当中，提出了一种动态采样的优化技术手段，为了使优化器得到足够多的统计信息，动态采样会在计划生成阶段针对数据库对象进行提前采样，通过采样的方式进行行数估计，从而用于代价模型中，生成更好的执行计划。
OceanBase 4.2 提供了全新的动态采样功能，帮助解决上述痛点。它有着如下的优点：
- 可以在缺乏统计信息的情况下获得更准确的统计信息；
- 可以在包含复杂谓词、关联谓词等查询中提供更加准确的统计信息;
- 可以减少统计数据收集的时间和成本，比如针对大宽表，常规的统计信息收集可能会非常耗时和资源；
- 可以提高查询的时效性，因为动态采样可以在查询时动态调整执行计划，以适应数据的变化。
如何最大化利用动态采样？如何将动态采样用到极致？
你只要升级到 OceanBase v4.2，无需任何额外操作，就会自动拥有全新的动态采样功能。升级之后，优化器会根据 SQL 查询语句决定是否开启动态采样功能，以使得生成的计划更加精准，执行更加高效。
应用动态采样的三个场景
目前动态采样功能默认生效于用户SQL，当前只支持基表的动态采样。在没有关闭动态采样功能时，以下场景会尝试在计划生成阶段使用动态采样：
- 没有任何统计信息可用。
- 查询条件中存在复杂谓词，比如 "c1 like '%test%' "，无法用选择率计算公式进行行数估计。
- 用户指定使用动态采样。
动态采样的三种控制手段
OceanBase v4.2 提供了系统变量、查询 HINT及系统配置项三种方式进行动态采样功能的控制，同时动态采样的采样集大小受限于并行度的控制。
方式一：系统变量控制。
optimizer_dynamic_sampling 系统变量当前实现仅仅做如下划分：
- 0：==> 关闭动态采样功能；
- 1：==> 开启动态采样功能；
"optimizer_dynamic_sampling": {
"name": "optimizer_dynamic_sampling",
"value": "1",
"data_type": "int",
"info": "control dynamic sample level",
"flags": "GLOBAL | SESSION | NEED_SERIALIZE",
"min_val": "0",
"max_val": "1",
}方式二：查询 HINT 控制。
动态采样支持指定 HINT 来控制查询是否使用动态采样，具体的用法如下：
DYNAMIC_SAMPLING '(' dynamic_sampling_hint ')'
dynamic_sampling_hint:
INTNUM1
| qb_name_option relation_factor_in_hint opt_comma INTNUM为了便于大家理解，对上述命令中的专有名词作简要介绍。
- qb_name_option：Query Block的名字（可选）。
- relation_factor_in_hint：控制动态采样的表名（可选，为空表示整个查询使用动态采样）。
- INTNUM：指定采样的LEVEL（目前只支持0或者1，参考系统变量定义）。
方式三：系统配置项控制。
动态采样的最大可用查询时间默认是当前查询时间的1/10，比如一个查询的超时时间是10s，那么动态采样的最大时间是1s，同时为了防止动态采样的时间过大，增加了一个默认配置项（_optimizer_ads_time_limit）来控制动态采样的一个时间上限，默认时间上限是10秒，如果配置为0，即关闭动态采样功能。
DEF_INT(_optimizer_ads_time_limit, OB_TENANT_PARAMETER, "10", "[0, 300]",
"the maximum optimizer dynamic sampling time limit. Range: [0, 300]",
ObParameterAttr(Section::TENANT, Source::DEFAULT, EditLevel::DYNAMIC_EFFECTIVE));动态采样原理介绍
为了方便大家更容易理解动态采样的原理，列举如下例子说明。
create table t1(c1 int, c2 int, c3 int, c4 int);
create index idx_c1 on t1(c1);
Q1: select c4 from t1 where c1 > 1 and c2 > 1 and c3 > 1 group by c4;首先基表路径会生成3条路径：
- 主表路径；
- 索引表路径 idx_c1；
然后动态采样基于上述3条路径构建采样SQL：
- 基表的行数估计：count(*)；
- c4 列的基础统计信息：approx_count_distinct(c4)、sum(case when c4 is null then 1 else 0 end);
- 满足所有谓词的行数估计：sum(case when c1 > 1 and c2 > 1 and c3 > 1 then 1 else 0 end)；
- 满足索引表路径 idx_c1 的query range行数估计：sum(case when c1 > 1 then 1 else 0 end)；
同时基于微块个数（默认采样微块个数：32）计算其采样率，假设Q1的采样率为 ratio；构建如下采样的SQL：
DYNAMIC SAMPLING Q1:
SELECT
/*+ NO_REWRITE
NO_PARALLEL
DYNAMIC_SAMPLING(0)
QUERY_TIMEOUT(1000000)
*/
count(*),
approx_count_distinct("C4"),
Sum(CASE WHEN "C4" IS NULL THEN 1 ELSE 0 END),
Sum(CASE WHEN ( "C1" > 1 ) AND ( "C2" > 1 ) AND ( "C3" > 1 ) THEN 1 ELSE 0 END),
Sum(CASE WHEN ( "C1" > 1 ) THEN 1 ELSE 0 END)
FROM "TEST"."T1" SAMPLE BLOCK(ratio) SEED(seed);为了便于大家理解，对上述命令中的专有名词作简要介绍。
- NO_REWRITE：不需要走改写路径，基表扫描，没有必要。
- NO_PARALLEL：不开启并行，由于原始SQL未显示指定，默认不走并行采样。
- DYNAMIC_SAMPLING(0)：动态采样SQL不能走动态采样。
- QUERY_TIMEOUT：采样时间SQL的查询时间上限。
从以上的例子中可以看到，动态采样会结合当前 SQL 查询的具体情况采样该 SQL计划生产必要的统计信息；比如，采样满足索引路径的行数用于计划路径的选择，同时采样了 c4 列的 NDV（不同值个数）用于准确的 group by 分组数估计等。
动态采样典型示例
以 100G TPCH 的 Q9 查询为例：
SELECT /*TPC-H Q9*/ nation,
o_year,
SUM(amount) AS SUM_PROFIT
FROM (SELECT n_name
AS
NATION,
Date_format(o_orderdate, '%Y')
AS
O_YEAR,
l_extendedprice * ( 1 - l_discount ) - ps_supplycost * l_quantity
AS
AMOUNT
FROM part,
supplier,
lineitem,
partsupp,
orders,
nation
WHERE s_suppkey = l_suppkey
AND ps_suppkey = l_suppkey
AND ps_partkey = l_partkey
AND p_partkey = l_partkey
AND o_orderkey = l_orderkey
AND s_nationkey = n_nationkey
AND p_name LIKE '%%green%%') AS PROFIT
GROUP BY nation,
o_year
ORDER BY nation,
o_year DESC; Q9 查询中 part 表有一个 like 条件: p_name LIKE '%%green%%'；由于是前缀为 '%' 的 like 条件，即使在有统计信息直方图存在的情况下也无法使用直方图估计出准确的行数，如下是有统计信息，未使用动态采样的一个计划：
+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
| Query Plan |
+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
| ============================================================================================== |
| |ID|OPERATOR |NAME |EST.ROWS |EST.TIME(us)| |
| ---------------------------------------------------------------------------------------------- |
| |0 |PX COORDINATOR MERGE SORT | |40535 |3585766951 | |
| |1 |└─EXCHANGE OUT DISTR |:EX10005|40535 |3585737336 | |
| |2 | └─SORT | |40535 |3585670790 | |
| |3 | └─HASH GROUP BY | |40535 |3585651224 | |
| |4 | └─EXCHANGE IN DISTR | |40535 |3585635622 | |
| |5 | └─EXCHANGE OUT DISTR (HASH) |:EX10004|40535 |3585606007 | |
| |6 | └─HASH GROUP BY | |40535 |3585539461 | |
| |7 | └─HASH JOIN | |191316128|3565126187 | |
| |8 | ├─PX PARTITION ITERATOR | |150000000|7498533 | |
| |9 | │ └─TABLE FULL SCAN |ORDERS |150000000|7498533 | |
| |10| └─EXCHANGE IN DISTR | |191316128|3499839258 | |
| |11| └─EXCHANGE OUT DISTR (PKEY) |:EX10003|191316128|3237072719 | |
| |12| └─HASH JOIN | |191316128|2646062477 | |
| |13| ├─HASH JOIN | |25507206 |183664333 | |
| |14| │ ├─TABLE FULL SCAN |NATION |25 |5 | |
| |15| │ └─EXCHANGE IN DISTR | |25507206 |180401231 | |
| |16| │ └─EXCHANGE OUT DISTR |:EX10001|25507206 |150431919 | |
| |17| │ └─HASH JOIN | |25507206 |83037644 | |
| |18| │ ├─PX PARTITION ITERATOR | |1000000 |58063 | |
| |19| │ │ └─TABLE FULL SCAN |SUPPLIER|1000000 |58063 | |
| |20| │ └─EXCHANGE IN DISTR | |26792540 |79377144 | |
| |21| │ └─EXCHANGE OUT DISTR (PKEY)|:EX10000|26792540 |58029448 | |
| |22| │ └─PX PARTITION ITERATOR | |26792540 |10051824 | |
| |23| │ └─MERGE JOIN | |26792540 |10051824 | |
| |24| │ ├─TABLE FULL SCAN |PART |6666667 |1536384 | |
| |25| │ └─TABLE FULL SCAN |PARTSUPP|80000000 |6419953 | |
| |26| └─EXCHANGE IN DISTR | |600037902|2380208653 | |
| |27| └─EXCHANGE OUT DISTR |:EX10002|600037902|1675203055 | |
| |28| └─PX PARTITION ITERATOR | |600037902|89803225 | |
| |29| └─TABLE FULL SCAN |LINEITEM|600037902|89803225 | |
| ============================================================================================== 计划中的 No.24 TABLE FULL SCAN 算子即是当前利用统计信息估算的一个 part 满足条件 sp_name LIKE '%%green%%'的行数，估计结果是 6666667；继续看看满足条件的真实行数：
obclient> select count(*) from part;
+----------+
| COUNT(*) |
+----------+
| 20000000 |
+----------+
1 row in set (0.08 sec)
obclient> select count(*) from part where p_name LIKE '%%green%%';
+----------+
| COUNT(*) |
+----------+
| 1087982 |
+----------+
1 row in set (1.92 sec)可以看见，上述通过统计信息估算的行数和真实的值是偏差很大的，主要原因是由于前缀为 '%' 的 like 条件不能直接利用直方图估计行数，只能使用默认的一个 like 条件选择率来进行估算，导致出现了如此大的偏差。
接下来看看开启动态采样之后的计划：
+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
| Query Plan |
+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
| ============================================================================================== |
| |ID|OPERATOR |NAME |EST.ROWS |EST.TIME(us)| |
| ---------------------------------------------------------------------------------------------- |
| |0 |PX COORDINATOR MERGE SORT | |40535 |2690273793 | |
| |1 |└─EXCHANGE OUT DISTR |:EX10005|40535 |2690244178 | |
| |2 | └─SORT | |40535 |2690177632 | |
| |3 | └─HASH GROUP BY | |40535 |2690158066 | |
| |4 | └─EXCHANGE IN DISTR | |40535 |2690142464 | |
| |5 | └─EXCHANGE OUT DISTR (HASH) |:EX10004|40535 |2690112849 | |
| |6 | └─HASH GROUP BY | |40535 |2690046303 | |
| |7 | └─HASH JOIN | |35817406 |2686210979 | |
| |8 | ├─EXCHANGE IN DISTR | |35817406 |2648259525 | |
| |9 | │ └─EXCHANGE OUT DISTR (PKEY) |:EX10003|35817406 |2599065472 | |
| |10| │ └─HASH JOIN | |35817406 |2488419004 | |
| |11| │ ├─HASH JOIN | |4775353 |41041962 | |
| |12| │ │ ├─TABLE FULL SCAN |NATION |25 |5 | |
| |13| │ │ └─EXCHANGE IN DISTR | |4775353 |40431048 | |
| |14| │ │ └─EXCHANGE OUT DISTR |:EX10001|4775353 |34820319 | |
| |15| │ │ └─HASH JOIN | |4775353 |22203044 | |
| |16| │ │ ├─PX PARTITION ITERATOR | |1000000 |58063 | |
| |17| │ │ │ └─TABLE FULL SCAN |SUPPLIER|1000000 |58063 | |
| |18| │ │ └─EXCHANGE IN DISTR | |5015988 |21290037 | |
| |19| │ │ └─EXCHANGE OUT DISTR (PKEY)|:EX10000|5015988 |17293410 | |
| |20| │ │ └─PX PARTITION ITERATOR | |5015988 |8311240 | |
| |21| │ │ └─MERGE JOIN | |5015988 |8311240 | |
| |22| │ │ ├─TABLE FULL SCAN |PART |1248106 |1326869 | |
| |23| │ │ └─TABLE FULL SCAN |PARTSUPP|80000000 |6419953 | |
| |24| │ └─EXCHANGE IN DISTR | |600037902|2380208653 | |
| |25| │ └─EXCHANGE OUT DISTR |:EX10002|600037902|1675203055 | |
| |26| │ └─PX PARTITION ITERATOR | |600037902|89803225 | |
| |27| │ └─TABLE FULL SCAN |LINEITEM|600037902|89803225 | |
| |28| └─PX PARTITION ITERATOR | |150000000|7498533 | |
| |29| └─TABLE FULL SCAN |ORDERS |150000000|7498533 | |
| ============================================================================================== 可以看到利用动态采样估算出来的 No.22 TABLE FULL SCAN算子的行数为：1248106，和真实的行数是接近的，是会优于使用统计信息去估算行数的。
动态采样会影响硬解析时间吗？
由于动态采样需要在计划生成的时候进行数据采样、统计信息收集，这势必会增大SQL的硬解析时间。通过内部测试来看，使用动态采样的额外解析时间在毫秒级别。为了减少采样的次数，避免频繁采样，也引入了动态采样的 cache 机制。针对每次采样的结果会缓存下来，优先利用缓存的采样结果，避免无效的采样，增大 SQL 硬解析的时间。同时，针对缓存的结果会结合每个表的增删改情况，弃用已经失效的采样结果，保证采样的准确性。因此整体来看动态采样对于硬解析的额外开销还是相对可控的。
总结
动态采样为了使优化器得到足够多的统计信息，会在计划生成阶段提前对数据库对象进行采样，通过采样的方式进行行数估计，从而用于代价模型中，生成更好的计划。动态采样丰富了优化器获取统计信息的手段，在统计信息不可用或者无法提供准确的行数估计时，提供一种更好的解决方案。但是在使用动态采样功能的时候，需要注意以下几点：
- 由于动态采样默认使用的是块采样，因此建议导入数据之后做相应的转储合并变更，以获得更好的采样效果。
- 动态采样难免带来部分硬解析的时间额外开销，部分 TP 场景的业务如果无法忍受，可以选择关闭该功能。
- 动态采样仅作为统计信息收集的一种补充手段，业务场景不要完全依赖于该功能，基础的统计信息收集还是需要做的。
