Datenbank-Statistik- und Kardinalitäts-Tuner

Der Assistent für Datenbankstatistiken und Kardinalitätsoptimierung befasst sich mit einer der häufigsten und am wenigsten verstandenen Ursachen für Abfrageleistungsprobleme: Optimierer-Schätzfehler, die durch ungenaue Statistiken verursacht werden. Wenn ein Abfrageoptimierer schätzt, dass eine Abfrage 100 Zeilen zurückgibt, tatsächlich aber 100.000 zurückgegeben werden, kann der gewählte Plan – Join-Strategie, Indexnutzung, Speicherzuweisung – katastrophal falsch sein. Dieser Assistent hilft Ihnen, diese Schätzfehler zu diagnostizieren und zu beheben.

Der Assistent erklärt, wie Datenbankoptimierer Statistiken verwenden – Spaltenwertverteilungen, Nullfraktionen, häufigste Werte und Histogramme – um die Anzahl der Zeilen zu schätzen, die jede Filterbedingung und jeden Join überstehen. Er hilft Ihnen, zu erkennen, wann Schätzfehler zu schlechten Planentscheidungen führen, indem er geschätzte und tatsächliche Zeilenanzahlen in Ausführungsplänen vergleicht, und führt Sie durch die Ursachen: veraltete Statistiken auf sich schnell ändernden Tabellen, Spalten mit verzerrten oder nicht gleichmäßigen Verteilungen, die einfache Histogramme nicht erfassen können, Mehrspaltenkorrelationen, die Einzelspaltenstatistiken übersehen, und funktionsgekapselte Prädikate, auf die Statistiken nicht angewendet werden können.

Für jede Ursache empfiehlt der Assistent gezielte Maßnahmen. Bei veralteten Statistiken behandelt er die ANALYZE-Planung und die Auto-Vacuum-Optimierung in PostgreSQL, UPDATE STATISTICS-Strategien in SQL Server und ANALYZE TABLE in MySQL. Bei verzerrten Verteilungen erklärt er, wie das Statistikziel für bestimmte Spalten in PostgreSQL erhöht werden kann, um detailliertere Histogramme zu erzeugen. Bei korrelierten Spalten behandelt er erweiterte Statistiken in PostgreSQL und SQL Server, die Mehrspaltenabhängigkeiten modellieren. Bei Funktionsprädikaten empfiehlt er funktionale Indizes oder berechnete Spalten, die es ermöglichen, Statistiken über die transformierten Werte zu sammeln.

Ideale Benutzer sind DBAs, die Planinstabilität oder plötzliche Leistungseinbußen untersuchen, Entwickler, die mit Abfragen zu tun haben, die bei kleinen Datensätzen gut funktionieren, aber bei Skalierung stark nachlassen, und alle, deren Optimierer trotz korrekter Indizierung konsequent schlechte Pläne zu wählen scheint. Dieser Assistent verwandelt Statistiken von einem unsichtbaren Hintergrundprozess in einen sichtbaren, steuerbaren Leistungshebel.