Cơ sở dữ liệu - Chapter 13: Query processing

Database System Concepts, 5th Ed. ©Silberschatz, Korth and Sudarshan See www.db­book.com for conditions on re­use  Chapter 13: Query Processing Aug 10, 2006 ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Chapter 13:  Query Processing n Overview  n Measures of Query Cost n Selection Operation   n Sorting  n Join Operation  n Other Operations n Evaluation of Expressions ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Basic Steps in Query Processing 1. Parsing and translation 2. Optimization 3. Evaluation ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Basic Steps in Query Processing  (Cont.) n Parsing and translation l translate the query into its internal form.  This is then translated into  relational algebra. l Parser checks syntax, verifies relations n Evaluation l The query­execution engine takes a query­evaluation plan, executes  that plan, and returns the answers to the query. ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Basic Steps in Query Processing :  Optimization n A relational algebra expression may have many equivalent expressions l E.g., σbalance<2500(∏balance(account)) is equivalent to           ∏balance(σbalance<2500(account)) n Each relational algebra operation can be evaluated using one of several  different algorithms l Correspondingly, a relational­algebra expression can be evaluated in  many ways.  n Annotated expression specifying detailed evaluation strategy is called an  evaluation­plan. l E.g., can use an index on balance to find accounts with balance < 2500, l or can perform complete relation scan and discard accounts with  balance ≥ 2500 ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Basic Steps: Optimization (Cont.) n Query Optimization: Amongst all equivalent evaluation plans choose  the one with lowest cost.  l  Cost is estimated using statistical information from the  database catalog  e.g. number of tuples in each relation, size of tuples, etc. n In this chapter we study l How to measure query costs l Algorithms for evaluating relational algebra operations l How to combine algorithms for individual operations in order to  evaluate a complete expression n In Chapter 14 l We study how to optimize queries, that is, how to find an  evaluation plan with lowest estimated cost ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Measures of Query Cost n Cost is generally measured as total elapsed time for answering  query l Many factors contribute to time cost  disk accesses, CPU, or even network communication n Typically disk access is the predominant cost, and is also relatively  easy to estimate.   Measured by taking into account l       Number of seeks   * average­seek­cost         + Number of blocks read   * average­block­read­cost         + Number of blocks written * average­block­write­cost  Cost to write a block is greater than cost to read a block  – data is read back after being written to ensure that the  write was successful l Assumption: single disk    Can modify formulae for multiple disks/RAID arrays  Or just use single­disk formulae, but interpret them as   measuring resource consumption instead of time ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Measures of Query Cost (Cont.) n For simplicity we just use the number of block transfers from disk and the  number of seeks as the cost measures l tT – time to transfer one block l tS – time for one seek l Cost for b block transfers plus S seeks         b * tT + S * tS  n We ignore CPU costs for simplicity l Real systems do take CPU cost into account n We do not include cost to writing output to disk in our cost formulae n Several algorithms can reduce disk IO by using extra buffer space  l Amount of real memory available to buffer depends on other concurrent  queries and OS processes, known only during execution  We often use worst case estimates, assuming only the minimum  amount of memory needed for the operation is available n Required data may be buffer resident already, avoiding disk I/O l But hard to take into account for cost estimation ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Selection Operation n File scan – search algorithms that locate and retrieve records that  fulfill a selection condition. n Algorithm A1 (linear search).  Scan each file block and test all records  to see whether they satisfy the selection condition. l Cost estimate = br block transfers + 1 seek  br  denotes number of blocks containing records from relation r l If selection is on a key attribute, can stop on finding record  cost = (br /2) block transfers + 1 seek l Linear search can be applied regardless of   selection condition or  ordering of records in the file, or   availability of indices ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Selection Operation (Cont.) n A2 (binary search).  Applicable if selection is an equality  comparison on the attribute on which file is ordered.  l Assume that the blocks of a relation are stored contiguously  l Cost estimate (number of disk blocks to be scanned):  cost of locating the first tuple by a binary search on the  blocks  log2(br) * (tT + tS)  If there are multiple records satisfying selection – Add transfer cost  of the number of blocks containing  records that satisfy selection condition  – Will see how to estimate this cost in Chapter 14 ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Selections Using Indices n Index scan – search algorithms that use an index l selection condition must be on search­key of index. n A3 (primary index on candidate key, equality).  Retrieve a single record  that satisfies the corresponding equality condition   l Cost = (hi + 1) * (tT + tS) n A4 (primary index on nonkey, equality) Retrieve multiple records.  l Records will be on consecutive blocks  Let b = number of blocks containing matching records l Cost = hi * (tT + tS) + tS + tT * b n A5 (equality on search­key of secondary index). l Retrieve a single record if the search­key is a candidate key  Cost = (hi + 1) * (tT + tS) l Retrieve multiple records if search­key is not a candidate key  each of n matching records may be on a different block    Cost =  (hi + n) * (tT + tS)  – Can be very expensive! ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Selections Involving Comparisons n Can implement selections of the form σA≤V (r) or σA ≥ V(r) by using l  a linear file scan or binary search, l  or by using indices in the following ways: n A6 (primary index, comparison). (Relation is sorted on A)  For σA ≥ V(r)  use index to find first tuple ≥ v  and scan relation  sequentially  from there  For σA≤V (r) just scan relation sequentially till first tuple > v; do not use  index n A7 (secondary index, comparison).   For σA ≥ V(r)  use index to find first index entry ≥ v and scan index  sequentially  from there, to find pointers to records.  For σA≤V (r) just scan leaf pages of index finding pointers to records,  till first entry > v  In either case, retrieve records that are pointed to – requires an I/O for each record –  Linear file scan may be cheaper ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Implementation of Complex Selections n Conjunction:  σθ1∧ θ2∧. . . θn(r)   n A8 (conjunctive selection using one index).   l Select a combination of θi and algorithms A1 through A7 that  results in the least cost for σθi (r). l  Test other conditions on tuple after fetching it into memory buffer. n A9 (conjunctive selection using multiple­key index).   l Use appropriate composite (multiple­key) index if available. n A10 (conjunctive selection by intersection of identifiers).  l Requires indices with record pointers.  l Use corresponding index for each condition, and take intersection  of all the obtained sets of record pointers.  l Then fetch records from file l If some conditions do not have appropriate indices, apply test in  memory. ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Algorithms for Complex Selections n Disjunction:σθ1∨ θ2 ∨. . . θn (r).  n A11 (disjunctive selection by union of identifiers).  l Applicable if all  conditions have available indices.    Otherwise use linear scan. l Use corresponding index for each condition, and take union of all the  obtained sets of record pointers.  l Then fetch records from file n Negation:  σ ¬θ(r) l Use linear scan on file l If very few records satisfy ¬θ, and an index is applicable to θ   Find satisfying records using index and fetch from file ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Sorting n We may build an index on the relation, and then use the index to read  the relation in sorted order.  May lead to one disk block access for  each tuple. n For relations that fit in memory, techniques like quicksort can be used.   For relations that don’t fit in memory, external  sort­merge is a good choice.  ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. External Sort­Merge 1. Create sorted runs.  Let i be 0 initially.   Repeatedly do the following till the end of the relation:      (a)  Read M blocks of relation into memory      (b)  Sort the in­memory blocks      (c)  Write sorted data to run Ri; increment i. Let the final value of i be N 2. Merge the runs (next slide).. Let M denote memory size (in pages).  ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. External Sort­Merge (Cont.) 1. Merge the runs (N­way merge). We assume (for now) that N <  M.  1. Use N blocks of memory to buffer input runs, and 1 block  to buffer output. Read the first block of each run into its  buffer page 2. repeat 1. Select the first record (in sort order) among all buffer  pages 2. Write the record to the output buffer.  If the output  buffer is full write it to disk. 3. Delete the record from its input buffer page. If the buffer page becomes empty then    read the next block (if any) of the run into the buffer.  3. until all input buffer pages are empty: ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. External Sort­Merge (Cont.) n If N ≥ M, several merge passes are required. l In each pass, contiguous groups of M ­ 1 runs are merged.  l A pass reduces the number of runs by a factor of M ­1, and  creates runs longer by the same factor.   E.g.  If M=11, and there are 90 runs, one pass reduces  the number of runs to 9, each 10 times the size of the  initial runs l Repeated passes are performed till all runs have been  merged into one. ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Example: External Sorting Using Sort­Merge ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. External Merge Sort (Cont.) n Cost analysis: l Total number of merge passes required: logM–1(br/M). l Block transfers for initial run creation as well as in each  pass is 2br  for final pass, we don’t count write cost  – we ignore final write cost for all operations since the  output of an operation may be sent to the parent  operation without being written to disk  Thus total number of block transfers for external sorting: br ( 2 logM–1(br / M) + 1) l Seeks: next slide ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. External Merge Sort (Cont.) n Cost of seeks l During run generation: one seek to read each run and one seek to  write each run   2 br / M l During the merge phase  Buffer size: bb (read/write bb blocks at a time)  Need 2 br / bb seeks for each merge pass  – except the final one which does not require a write  Total number of seeks:     2 br / M + br / bb (2 logM–1(br / M) ­1) ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Join Operation n Several different algorithms to implement joins l Nested­loop join l Block nested­loop join l Indexed nested­loop join l Merge­join l Hash­join n Choice based on cost estimate n Examples use the following information l Number of records of customer:  10,000     depositor: 5000 l Number of blocks of   customer:       400     depositor:   100 ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Nested­Loop Join n To compute the theta join         r     θ s for each tuple tr in r do begin for each tuple ts  in s do begin test pair (tr,ts) to see if they satisfy the join condition θ  if they do, add tr • ts to the result. end end n r  is called the outer relation and s the inner relation of the join. n Requires no indices and can be used with any kind of join condition. n Expensive since it examines every pair of tuples in the two relations.  ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Nested­Loop Join (Cont.) n In the worst case, if there is enough memory only to hold one block of each  relation, the estimated cost is                  nr ∗ bs + br  block transfers, plus                 nr + br  seeks n If the smaller relation fits entirely in memory, use that as the inner relation. l  Reduces cost to br  + bs block transfers and 2 seeks n Assuming worst case memory availability cost estimate is l with depositor as outer relation:  5000 ∗ 400 + 100 = 2,000,100 block transfers,  5000 + 100 = 5100 seeks  l with customer  as the outer relation   10000 ∗ 100 + 400 = 1,000,400 block transfers and 10,400 seeks n If smaller relation (depositor) fits entirely in memory, the cost estimate will be 500  block transfers. n Block nested­loops algorithm (next slide) is preferable. ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Block Nested­Loop Join n Variant of nested­loop join in which every block of inner relation is  paired with every block of outer relation. for each block Br of r do begin for each block Bs of s do begin for each tuple tr in Br  do begin for each tuple ts in Bs do begin Check if (tr,ts) satisfy the join condition  if they do, add tr • ts to the result. end end end end ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Block Nested­Loop Join (Cont.) n Worst case estimate:  br ∗ bs + br  block transfers + 2 * br  seeks l Each block in the inner relation s is read once for each block in the  outer relation (instead of once for each tuple in the outer relation n Best case: br + bs block transfers + 2 seeks. n Improvements to nested loop and block nested loop algorithms: l In block nested­loop, use M — 2 disk blocks as blocking unit for  outer relations, where M = memory size in blocks; use remaining  two blocks to buffer inner relation and output    Cost =   br  / (M­2) ∗ bs + br block transfers +                2 br  / (M­2) seeks l If equi­join attribute forms a key on inner relation, stop inner loop  on first match l Scan inner loop forward and backward alternately, to make use of  the blocks remaining in buffer (with LRU replacement) l Use index on inner relation if available (next slide) ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Indexed Nested­Loop Join n Index lookups can replace file scans if l join is an equi­join or natural join and l an index is available on the inner relation’s join attribute  Can construct an index just to compute a join. n For each tuple tr in the outer relation r, use the index to look up tuples in s  that satisfy the join condition with tuple tr. n Worst case:  buffer has space for only one page of r, and, for each tuple  in r, we perform an index lookup on s. n Cost of the join:  br (tT + tS) + nr ∗ c l Where c is the cost of traversing index and fetching all matching s  tuples for one tuple or r l c can be estimated as cost of a single selection on s using the join  condition. n If indices are available on join attributes of both r and s, use the relation with fewer tuples as the outer relation. ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Example of Nested­Loop Join Costs n Compute depositor     customer, with depositor as the outer relation. n Let customer have a primary B+­tree index on the join attribute  customer­name, which contains 20 entries in each index node. n Since customer has 10,000 tuples, the height of the tree is 4, and one  more access is needed to find the actual data n depositor has 5000 tuples n Cost of block nested loops join l 400*100 + 100 =  40,100 block transfers + 2 * 100 = 200 seeks   assuming worst case memory   may be significantly less with more memory n  Cost of indexed nested loops join l 100 + 5000 * 5 = 25,100  block transfers and seeks. l CPU cost likely to be less than that for block nested loops join  ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Merge­Join 1. Sort both relations on their join attribute (if not already sorted on the join  attributes). 2. Merge the sorted relations to join them 1. Join step is similar to the merge stage of the sort­merge algorithm.   2. Main difference is handling of duplicate values in join attribute — every  pair with same value on join attribute must be matched 3. Detailed algorithm in book ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Merge­Join (Cont.) n Can be used only for equi­joins and natural joins n Each block needs to be read only once (assuming all tuples for any given  value of the join attributes fit in memory n Thus the cost of merge join is:           br + bs  block transfers  + br / bb + bs / bb  seeks l + the cost of sorting if relations are unsorted. n hybrid merge­join: If one relation is sorted, and the other has a  secondary B+­tree index on the join attribute l Merge the sorted relation with the leaf entries of the B+­tree .  l Sort the result on the addresses of the unsorted relation’s tuples l Scan the unsorted relation in physical address order and merge with  previous result, to replace addresses by the actual tuples  Sequential scan more efficient than random lookup ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Hash­Join n Applicable for equi­joins and natural joins. n A hash function h is used to partition tuples of both relations l Intuition: partitions fit in memory n h maps JoinAttrs values to {0, 1, ..., n}, where JoinAttrs denotes the  common attributes of r and s used in the natural join.  l r0, r1, . . ., rn denote partitions of r tuples  Each tuple tr ∈ r is put in partition ri where i = h(tr [JoinAttrs]). l r0,, r1. . ., rn denotes partitions of s tuples  Each tuple ts ∈s is put in partition si, where i = h(ts [JoinAttrs]). n Note: In book,  ri   is denoted as Hri, si is denoted as Hsi  and  n is denoted as nh.  ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Hash­Join (Cont.) ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Hash­Join (Cont.) n r  tuples in ri need only to be compared with s tuples in si Need  not be compared with s tuples in any other partition, since: l an r tuple and an s tuple that satisfy the join condition will  have the same value for the join attributes. l If that value is hashed to some value i, the r tuple has to be in  ri and the s tuple in si. ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Hash­Join Algorithm 1. Partition the relation s using hashing function h.   1. When partitioning a relation, one block of memory is reserved as the  output buffer for each partition, and one block for input 2. If extra memory is available, allocate bb blocks as buffer for input and  each output 2. Partition r similarly. 3.   next slide .. The hash­join of r and s is computed as follows. ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Hash Join (Cont.) 1. For each partition i: (a) Load si into memory and build an in­memory hash index on it  using the join attribute.   l This hash index uses a different hash function than the earlier  one h. (b) Read the tuples in ri from the disk one by one.   l For each tuple tr probe the in­memory hash index to find all  matching tuples ts in si  l For each matching tuple ts in si  l output the concatenation of the attributes of  tr  and  ts Relation s is called the build input and           r  is called the probe input. Hash Join Algorithm (cont) ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Hash­Join algorithm (Cont.) n The value n and the hash function h is chosen such that each si  should fit in memory. l Typically n is chosen as bs/M * f  where f is a “fudge factor”,  typically around 1.2 l The probe relation partitions si need not fit in memory n Recursive partitioning required if number of partitions n is greater  than number of pages M of memory. l instead of partitioning n ways, use  M – 1 partitions for s l Further partition the M – 1 partitions using a different hash  function l Use same partitioning method on r l Rarely required:  e.g., recursive partitioning not needed for  relations of 1GB or less with memory size of 2MB, with block size  of 4KB. ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Handling of Overflows n Partitioning is said to be skewed if some partitions have significantly  more tuples than some others n Hash­table overflow occurs in partition si if si does not fit in memory.   Reasons could be l Many tuples in s with same value for join attributes l Bad hash function n Overflow resolution can be done in build phase l Partition si is further partitioned using different hash function.  l Partition ri must be similarly partitioned. n Overflow avoidance performs partitioning carefully to avoid overflows  during build phase l E.g. partition build relation into many partitions, then combine them n Both approaches fail with large numbers of duplicates l Fallback option: use block nested loops join on overflowed  partitions ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Cost of Hash­Join n If recursive partitioning is not required: cost of hash join is           3(br + bs) +4 ∗ nh  block transfers +          2( br / bb + bs / bb)  seeks n If recursive partitioning required: l number of passes required for partitioning build relation       s is logM–1(bs) – 1 l best to choose the smaller relation as the build relation. l Total cost estimate is:        2(br + bs logM–1(bs) – 1 + br + bs  block transfers +        2(br / bb + bs / bb) logM–1(bs) – 1  seeks n If the entire build input can be kept in main memory no partitioning is  required l Cost estimate goes down to br + bs. ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Example of Cost of Hash­Join n Assume that memory size is 20 blocks n bdepositor= 100 and bcustomer = 400. n depositor is to be used as build input.  Partition it into five partitions, each  of size 20 blocks.  This partitioning can be done in one pass. n Similarly, partition customer into five partitions,each of size 80.  This is also  done in one pass. n Therefore total cost, ignoring cost of writing partially filled blocks: l 3(100 + 400) = 1500 block transfers  + 2( 100/3 + 400/3) = 336 seeks customer     depositor ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Hybrid Hash–Join n Useful when memory sized are relatively large, and the build input is bigger  than memory. n Main feature of hybrid hash join:       Keep the first partition of the build relation in memory.  n E.g. With memory size of 25 blocks, depositor can be partitioned into five  partitions, each of size 20 blocks. l  Division of memory:  The first partition occupies 20 blocks of memory  1 block is used for input, and 1 block each for buffering the other 4  partitions. n customer is similarly partitioned into five partitions each of size 80 l the first is used right away for probing, instead of being written out n Cost of 3(80 + 320) + 20 +80 = 1300 block transfers for  hybrid hash join, instead of 1500 with plain hash­join. n Hybrid hash­join most useful if M >>  sb ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Complex Joins n Join with a conjunctive condition: r     θ1∧ θ 2∧... ∧ θ n s l Either use nested loops/block nested loops, or l Compute the result of one of the simpler joins r     θi s  final result comprises those tuples in the intermediate result  that satisfy the remaining conditions  θ1 ∧ . . . ∧ θi –1 ∧ θi +1 ∧ . . . ∧ θn n Join with a disjunctive condition   r      θ1 ∨ θ2 ∨... ∨ θn s  l Either use nested loops/block nested loops, or l Compute as the union of the records in individual joins r      θ i s: (r      θ1 s) ∪ (r     θ2  s) ∪ . . . ∪ (r     θn  s)     (applies only to the set version of union!) ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Other Operations n Duplicate elimination can be implemented via hashing or sorting. l On sorting duplicates will come adjacent to each other, and all but  one set of duplicates can be deleted.   l Optimization: duplicates can be deleted during run generation as well  as at intermediate merge steps in external sort­merge. l Hashing is similar – duplicates will come into the same bucket. n Projection: l perform projection on each tuple  l followed by duplicate elimination.  ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Other Operations : Aggregation n Aggregation can be implemented in a manner similar to duplicate  elimination. l Sorting or hashing can be used to bring tuples in the same group  together, and then the aggregate functions can be applied on each  group.  l Optimization: combine tuples in the same group during run  generation and intermediate merges, by computing partial  aggregate values  For count, min, max, sum: keep aggregate values on tuples  found so far in the group.   – When combining partial aggregate for count, add up the  aggregates  For avg, keep sum and count, and divide sum by count at the  end ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Other Operations : Set Operations n Set operations (∪, ∩ and ):  can either use variant of merge­join after  sorting, or variant of hash­join. n E.g., Set operations using hashing: 1. Partition both relations using the same hash function 2. Process each partition i as follows.   1. Using a different hashing function, build an in­memory hash index  on ri. 2. Process si as follows l r ∪ s:   1. Add tuples in si to the hash index if they are not already in it.   2. At end of si add the tuples in the hash index to the result. l r ∩ s:  1. output tuples in si to the result if they are already there in the  hash index l  r – s:  1. for each tuple in si, if it is there in the hash index, delete it  from the index.  2.  At end of si add remaining tuples in the hash index to the  result.  ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Other Operations : Outer Join n Outer join can be computed either as  l A join followed by addition of null­padded non­participating tuples. l by modifying the join algorithms. n Modifying merge join to compute r         s l In r         s, non participating tuples are those in r – ΠR(r     s) l Modify merge­join to compute r         s:  During merging, for every  tuple tr from r that do not match any tuple in s, output tr padded with  nulls. l Right outer­join and full outer­join can be computed similarly. n Modifying hash join to compute r         s l If  r is probe relation, output non­matching r tuples padded with nulls l If r is build relation, when probing keep track of which  r  tuples matched s tuples.    At end of si  output non­matched r tuples padded with nulls  ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Evaluation of Expressions n So far: we have seen algorithms for individual operations n Alternatives for evaluating an entire expression tree l Materialization:  generate results of an expression whose inputs  are relations or are already computed, materialize (store) it on  disk.  Repeat. l Pipelining:  pass on tuples to parent operations even as an  operation is being executed n We study above alternatives in more detail ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Materialization n Materialized evaluation:  evaluate one operation at a time,  starting at the lowest­level.  Use intermediate results  materialized into temporary relations to evaluate next­level  operations. n E.g., in figure below, compute and store then compute the store its join with customer, and finally  compute the projections on customer­name.  )(2500 accountbalance<σ ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Materialization (Cont.) n Materialized evaluation is always applicable n Cost of writing results to disk and reading them back can be quite high l Our cost formulas for operations ignore cost of writing results to  disk, so  Overall cost  =  Sum of costs of individual operations +                           cost of writing intermediate results to disk n Double buffering: use two output buffers for each operation, when one  is full write it to disk while the other is getting filled l Allows overlap of disk writes with computation and reduces  execution time ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Pipelining n Pipelined evaluation :  evaluate several operations simultaneously,  passing the results of one operation on to the next. n E.g., in previous expression tree, don’t store result of l instead, pass tuples directly to the join..  Similarly, don’t store result of  join, pass tuples directly to projection.  n Much cheaper than materialization: no need to store a temporary relation  to disk. n Pipelining may not always be possible – e.g., sort, hash­join.  n For pipelining to be effective, use evaluation algorithms that generate  output tuples even as tuples are received for inputs to the operation.  n Pipelines can be executed in two ways:  demand driven and producer  driven  )(2500 accountbalance<σ ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Pipelining (Cont.) n In demand driven  or lazy evaluation l system repeatedly requests next tuple  from top level operation l Each operation requests  next tuple from children operations as  required, in order to output its next tuple l In between calls, operation has to maintain “state” so it knows what  to return next n In producer­driven or eager pipelining l Operators produce tuples eagerly and pass them up to their parents  Buffer maintained between operators, child puts tuples in buffer,  parent removes tuples from buffer  if buffer is full, child waits till there is space in the buffer, and then  generates more tuples l System schedules operations that have space in output buffer and  can process more input tuples n Alternative name: pull and push models of pipelining ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Pipelining (Cont.) n Implementation of demand­driven pipelining l Each operation is implemented as an iterator implementing the  following operations  open() – E.g. file scan: initialize file scan »  state: pointer to beginning of file – E.g.merge join: sort relations; »  state: pointers to beginning of sorted relations   next() – E.g. for file scan: Output next tuple, and advance and store  file pointer – E.g. for merge join:  continue with merge from earlier state  till  next output tuple is found.  Save pointers as iterator state.  close() ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Evaluation Algorithms for Pipelining n Some algorithms are not able to output results even as they get input  tuples l E.g. merge join, or hash join l intermediate results written to disk and then read back n Algorithm variants to generate (at least some) results on the fly, as input  tuples are read in l E.g. hybrid hash join generates output tuples even as probe relation  tuples in the in­memory partition (partition 0) are read in l Pipelined join technique: Hybrid hash join, modified to buffer  partition 0 tuples of both relations in­memory, reading them as they  become available, and output results of any matches between  partition 0 tuples  When a new r0 tuple is found, match it with existing s0 tuples,  output matches, and save it in r0  Symmetrically for s0 tuples Database System Concepts, 5th Ed. ©Silberschatz, Korth and Sudarshan See www.db­book.com for conditions on re­use  End of Chapter ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Figure 13.2 ©Silberschatz, Korth and Sudarshan13.Database System Concepts ­ 5th Edition. Complex Joins n Join involving three relations:  loan    depositor     customer n Strategy 1.  Compute depositor    customer; use result to compute  loan    (depositor    customer) n Strategy 2.  Computer loan    depositor first, and then join the result  with customer. n Strategy 3.  Perform the pair of joins at once.  Build and index on  loan for loan­number, and on customer for customer­name. l For each tuple t in depositor, look up the corresponding tuples  in customer and the corresponding tuples in loan. l Each tuple of deposit is examined exactly once. n Strategy 3 combines two operations into one special­purpose  operation that is more efficient than implementing two joins of two  relations.