Cơ sở dữ liệu - Chapter 14: Query optimization

Database System Concepts 5th Ed. ©Silberschatz, Korth and Sudarshan See www.db­book.com for conditions on re­use  Chapter 14: Query Optimization ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Chapter 14:  Query Optimization n Introduction  n Transformation of Relational Expressions n Catalog Information for Cost Estimation n Statistical Information for Cost Estimation n Cost­based optimization n Dynamic Programming for Choosing Evaluation Plans n Materialized views  ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Introduction n Alternative ways of evaluating a given query l Equivalent expressions l Different algorithms for each operation ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Introduction (Cont.) n An evaluation plan defines exactly what algorithm is used for each  operation, and how the execution of the operations is coordinated. ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Introduction (Cont.) n Cost difference between evaluation plans for a query can be enormous l E.g. seconds vs. days in some cases n Steps in cost­based query optimization 1. Generate logically equivalent expressions using equivalence rules 2. Annotate resultant expressions to get alternative query plans 3. Choose the cheapest plan based on estimated cost n Estimation of plan cost based on: l Statistical information about relations. Examples:  number of tuples, number of distinct values for an attribute l Statistics estimation for intermediate results  to compute cost of complex expressions l Cost formulae for algorithms, computed using statistics Database System Concepts 5th Ed. ©Silberschatz, Korth and Sudarshan See www.db­book.com for conditions on re­use  Generating Equivalent Expressions ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Transformation of Relational Expressions n Two relational algebra expressions are said to be equivalent if the  two expressions generate the same set of tuples on every legal  database instance l Note: order of tuples is irrelevant n In SQL, inputs and outputs are multisets of tuples l Two expressions in the multiset version of the relational algebra  are said to be equivalent if the two expressions generate the same  multiset of tuples on every legal database instance.  n An equivalence rule says that expressions of two forms are  equivalent l Can replace expression of first form by second, or vice versa ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Equivalence Rules 1. Conjunctive selection operations can be deconstructed into a  sequence of individual selections. 2. Selection operations are commutative. 3. Only the last in a sequence of projection operations is needed, the  others can be omitted. 4. Selections can be combined with Cartesian products and theta joins. α. σθ(E1 X E2) =  E1     θ E2  β. σθ1(E1     θ2 E2) =  E1     θ1∧ θ2 E2  ))(())(( 1221 EE θθθθ σσσσ = ))(()( 2121 EE θθθθ σσσ =∧ )())))(((( 121 EE LLnLL Π=ΠΠΠ  ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Equivalence Rules (Cont.) 5. Theta­join operations (and natural joins) are commutative. E1      θ  E2 = E2     θ  E1 6. (a) Natural join operations are associative:  (E1      E2)    E3 = E1      (E2     E3) (b) Theta joins are associative in the following manner:  (E1       θ1 E2)     θ2∧ θ3 E3 = E1        θ1∧ θ3 (E2     θ2 E3)      where θ2 involves attributes from only E2 and E3. ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Pictorial Depiction of Equivalence Rules ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Equivalence Rules (Cont.) 7. The selection operation distributes over the theta join operation under  the following two conditions: (a)  When all the attributes in θ0  involve only the attributes of one         of the expressions (E1) being joined.                 σθ0(E1     θ E2) = (σθ0(E1))    θ E2  (b) When θ 1 involves only the attributes of E1 and θ2  involves         only the attributes of E2.                   σθ1∧θ2 (E1    θ E2) =  (σθ1(E1))    θ (σθ2 (E2)) ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Equivalence Rules (Cont.) 8. The projection operation distributes over the theta join operation as  follows: (a) if θ involves only attributes from L1 ∪ L2: (b) Consider a join E1      θ E2.  l  Let L1 and L2 be sets of attributes from E1 and E2, respectively.   l Let L3 be attributes of E1 that are involved in join condition θ, but are  not in L1 ∪ L2, and l  let L4 be attributes of E2 that are involved in join condition θ, but are  not in L1 ∪ L2. ))(())(()( 2121 2121 EEEE LLLL ∏∏=∏ ∪ θθ )))(())((()( 2121 42312121 EEEE LLLLLLLL ∪∪∪∪ ∏∏∏=∏ θθ ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Equivalence Rules (Cont.) 1. The set operations union and intersection are commutative  E1 ∪ E2  = E2 ∪ E1  E1 ∩ E2  = E2 ∩ E1  n (set difference is not commutative). 2. Set union and intersection are associative.                  (E1 ∪ E2) ∪ E3 = E1 ∪ (E2 ∪ E3)               (E1 ∩ E2) ∩ E3 = E1 ∩ (E2 ∩ E3) 4. The selection operation distributes over ∪, ∩ and –.                    σθ (E1  –  E2) = σθ (E1) –  σθ(E2)                      and similarly for ∪ and ∩ in place of  – Also:           σθ (E1  –  E2) = σθ(E1) –  E2                           and similarly for ∩ in place of  –, but not for ∪ 12. The projection operation distributes over union                        ΠL(E1 ∪ E2) = (ΠL(E1)) ∪ (ΠL(E2))  ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Transformation Example: Pushing Selections n Query:  Find the names of all customers who have an account at  some branch located in Brooklyn. Πcustomer_name(σbranch_city = “Brooklyn” (branch     (account      depositor))) n Transformation using rule 7a.  Πcustomer_name                   ((σbranch_city =“Brooklyn” (branch))    (account      depositor)) n Performing the selection as early as possible reduces the size of the  relation to be joined.  ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Example with Multiple Transformations n Query:  Find the names of all customers with an account at a  Brooklyn branch whose account balance is over $1000. Πcustomer_name((σbranch_city = “Brooklyn” ∧  balance > 1000                       (branch     (account      depositor))) n Transformation using join associatively (Rule 6a): Πcustomer_name((σbranch_city = “Brooklyn” ∧  balance > 1000                       (branch     account))      depositor)  n Second form provides an opportunity to apply the “perform  selections early” rule, resulting in the subexpression            σbranch_city = “Brooklyn” (branch)     σ balance > 1000 (account) n Thus a sequence of transformations can be useful ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Multiple Transformations (Cont.) ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Transformation Example: Pushing Projections n When we compute (σbranch_city = “Brooklyn” (branch)    account ) we obtain a relation whose schema is: (branch_name, branch_city, assets, account_number, balance) n Push projections using equivalence rules 8a and 8b; eliminate unneeded  attributes from intermediate results to get:  Πcustomer_name ((     Πaccount_number ( (σbranch_city = “Brooklyn” (branch)     account ))                                                  depositor ) n Performing the projection as early as possible reduces the size of the  relation to be joined.  Πcustomer_name((σbranch_city = “Brooklyn”  (branch)     account)     depositor)  ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Join Ordering Example n For all relations r1, r2, and r3, (r1    r2)    r3  = r1    (r2    r3 ) (Join Associativity) n If r2    r3  is quite large and r1    r2 is small, we choose  (r1    r2)    r3  so that we compute and store a smaller temporary relation. ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Join Ordering Example (Cont.) n Consider the expression Πcustomer_name  ((σbranch_city = “Brooklyn” (branch))                                         (account     depositor)) n Could compute   account     depositor   first, and join result with   σbranch_city = “Brooklyn” (branch) but   account     depositor   is likely to be a large relation. n Only a small fraction of the bank’s customers are likely to have  accounts in branches located in Brooklyn l  it is better to compute  σbranch_city = “Brooklyn” (branch)    account        first.  ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Enumeration of Equivalent Expressions n Query optimizers use equivalence rules to systematically generate  expressions equivalent to the given expression n Can generate all equivalent expressions as follows:  l  Repeat  apply all applicable equivalence  rules on every equivalent  expression found so far  add newly generated expressions to the set of equivalent  expressions  Until no new equivalent expressions are generated above n The above approach is very expensive in space and time l Two approaches  Optimized plan generation based on transformation rules  Special case approach for queries with only selections, projections  and joins ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Implementing Transformation Based  Optimization n Space requirements reduced by sharing common sub­expressions: l when E1 is generated from E2 by an equivalence rule, usually only the top  level of the two are different, subtrees below are the same and can be  shared using pointers  E.g. when applying join commutativity l Same sub­expression may get generated multiple times  Detect duplicate sub­expressions and share one copy n Time requirements are reduced by not generating all expressions l Dynamic programming  We will study only the special case of dynamic programming for join  order optimization E1 E2 ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Cost Estimation n Cost of each operator computer as described in Chapter 13 l Need statistics of input relations  E.g. number of tuples, sizes of tuples n Inputs can be results of sub­expressions l Need to estimate statistics of expression results l To do so, we require additional statistics  E.g. number of distinct values for an attribute n More on cost estimation later ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Choice of Evaluation Plans n Must consider the interaction of evaluation techniques when choosing  evaluation plans l choosing the cheapest algorithm for each operation independently  may not yield best overall algorithm.  E.g.  merge­join may be costlier than hash­join, but may provide a  sorted output which reduces the cost for an outer level  aggregation.  nested­loop join may provide opportunity for pipelining n Practical query optimizers incorporate elements of the following two  broad approaches: 1. Search all the plans and choose the best plan in a  cost­based fashion. 2. Uses heuristics to choose a plan. ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Cost­Based Optimization n Consider finding the best join­order for r1    r2      . . . rn. n There are (2(n – 1))!/(n – 1)! different join orders for above expression.   With n = 7, the number is 665280, with n = 10, the number is greater  than 176 billion! n No need to generate all the join orders.  Using dynamic programming,  the least­cost join order for any subset of  {r1, r2, . . . rn} is computed only once and stored for future use.  ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Dynamic Programming in Optimization n To find best join tree for a set of n relations: l To find best plan for a set S of n relations, consider all possible  plans of the form:  S1     (S – S1) where S1 is any non­empty subset  of S. l Recursively compute costs for joining subsets of S to find the cost  of each plan.  Choose the cheapest of the 2n – 1 alternatives. l Base case for recursion:  single relation access plan  Apply all selections on Ri using best choice of indices on Ri l When plan for any subset is computed, store it and reuse it when it  is required again, instead of recomputing it  Dynamic programming ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Join Order Optimization Algorithm procedure findbestplan(S) if (bestplan[S].cost ≠ ∞) return bestplan[S] // else bestplan[S] has not been computed earlier, compute it now if (S contains only 1 relation)          set bestplan[S].plan and bestplan[S].cost based on the best way           of accessing S  /* Using selections on S and indices on S */      else for each non­empty subset S1 of S such that S1 ≠ S P1= findbestplan(S1) P2= findbestplan(S ­ S1) A = best algorithm for joining results of P1 and P2 cost = P1.cost + P2.cost + cost of A if cost < bestplan[S].cost    bestplan[S].cost = cost bestplan[S].plan = “execute P1.plan; execute P2.plan;      join results of P1 and P2 using A” return bestplan[S] ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Left Deep Join Trees n In left­deep join trees, the right­hand­side input for each join is  a relation, not the result of an intermediate join. ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Cost of Optimization n With dynamic programming time complexity of optimization with bushy  trees is O(3n).   l With n = 10, this number is 59000 instead of 176 billion! n Space complexity is O(2n)  n To find best left­deep join tree for a set of n relations: l Consider n alternatives with one relation as right­hand side input and  the other relations as left­hand side input. l Modify optimization algorithm:  Replace “for each non­empty subset S1 of S such that S1 ≠ S”  By:   for each relation r in S                let S1 = S – r . n If only left­deep trees are considered, time complexity of finding best join  order is O(n 2n) l Space complexity remains at O(2n)  n Cost­based optimization is expensive, but worthwhile for queries on  large datasets (typical queries have small n, generally < 10) ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Interesting Sort Orders n Consider the expression (r1     r2)     r3     (with A as common attribute) n An interesting sort order  is a particular sort order of tuples that could  be useful for a later operation l Using merge­join to compute r1     r2   may be costlier than hash join  but generates result sorted on A l Which in turn may make merge­join with r3 cheaper, which may  reduce cost of join with r3 and minimizing overall cost  l Sort order may also be useful for order by and for grouping n Not sufficient to find the best join order for each subset of the set of n  given relations l must find the best join order for each subset, for each interesting sort  order l Simple extension of earlier dynamic programming algorithms l Usually, number of interesting orders is quite small and doesn’t affect  time/space complexity significantly ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Heuristic Optimization n Cost­based optimization is expensive, even with dynamic programming. n Systems may use heuristics to reduce the number of choices that must  be made in a cost­based fashion. n Heuristic optimization transforms the query­tree by using a set of rules  that typically (but not in all cases) improve execution performance: l Perform selection early (reduces the number of tuples) l Perform projection early (reduces the number of attributes) l Perform most restrictive selection and join operations (i.e. with  smallest result size) before other similar operations. l Some systems use only heuristics, others combine heuristics with  partial cost­based optimization. ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Structure of Query Optimizers n Many optimizers considers only left­deep join orders. l Plus heuristics to push selections and projections down the query  tree l Reduces optimization complexity and generates plans amenable to  pipelined evaluation. n Heuristic optimization used in some versions of Oracle: l Repeatedly pick “best” relation to join next   Starting from each of n starting points.  Pick best among these n Intricacies of SQL complicate query optimization l E.g. nested subqueries ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Structure of Query Optimizers (Cont.) n Some query optimizers integrate heuristic selection and the  generation of alternative access plans. l Frequently used approach  heuristic rewriting of nested block structure and aggregation  followed by cost­based join­order optimization for each block l Some optimizers (e.g. SQL Server) apply transformations to  entire query and do not depend on block structure n Even with the use of heuristics, cost­based query optimization  imposes a substantial overhead. l But is worth it for expensive queries l Optimizers often use simple heuristics for very cheap queries,  and perform exhaustive enumeration for more expensive queries  Database System Concepts 5th Ed. ©Silberschatz, Korth and Sudarshan See www.db­book.com for conditions on re­use  Statistics for Cost Estimation ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Statistical Information for Cost Estimation n nr:  number of tuples in a relation r. n br: number of blocks containing tuples of r. n lr: size of a tuple of r. n fr: blocking factor of r — i.e., the number of tuples of r that fit into one block. n V(A, r): number of distinct values that appear in r for attribute A; same as  the size of ∏A(r). n If tuples of r are stored together physically in a file, then:          = rf rnrb ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Histograms n Histogram on attribute age of relation person n Equi­width histograms n Equi­depth histograms ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Selection Size Estimation n σA=v(r)  nr / V(A,r) : number of records that will satisfy the selection  Equality condition on a key attribute: size estimate = 1 n σA≤V(r) (case of σA ≥ V(r) is symmetric) l Let c denote  the estimated number of tuples satisfying the condition.  l If min(A,r) and max(A,r) are available in catalog  c = 0 if v < min(A,r)  c = l  If histograms available, can refine above estimate l In absence of statistical information c is assumed to be nr / 2. ),min(),max( ),min(. rArA rAvnr − − ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Size Estimation of Complex Selections n The selectivity of a condition θi is the probability that a tuple in the  relation r satisfies θi .  l  If si  is the number of satisfying tuples in r, the selectivity of  θi is  given by si /nr. n Conjunction:  σθ1∧ θ2∧. . . ∧ θn (r).  Assuming indepdence, estimate of  tuples in the result is: n Disjunction:σθ1∨ θ2 ∨. . . ∨ θn (r).   Estimated number of tuples: n Negation:  σ ¬θ(r).  Estimated number of tuples: nr – size(σθ(r)) n r n r n sssn ∗∗∗∗  . . .    21     −∗∗−∗−−∗ )1(...)1()1(1 21 r n rr r n s n s n sn ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Join Operation:  Running Example Running example:  depositor     customer Catalog information for join examples: n ncustomer = 10,000. n fcustomer  = 25, which implies that  bcustomer =10000/25 = 400. n ndepositor = 5000. n fdepositor   = 50, which implies that  bdepositor = 5000/50 = 100. n V(customer_name, depositor) = 2500, which implies that , on  average, each customer has two accounts. l Also assume that customer_name in depositor is a foreign key  on customer. l V(customer_name, customer) = 10000 (primary key!) ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Estimation of the Size of Joins n The Cartesian product r  x s contains nr .ns tuples; each tuple occupies  sr + ss bytes. n If R ∩ S = ∅, then r     s is the same as r  x s.  n If R ∩ S is a key for R, then a tuple of s will join with at most one tuple  from r l therefore, the number of tuples in r     s is no greater than the  number of tuples in s. n If R ∩ S in S is a foreign key in S referencing R, then the number of  tuples in r     s is exactly the same as the number of tuples in s.  The case for R ∩ S being a foreign key referencing S is  symmetric. n In the example query depositor     customer, customer_name in   depositor is a foreign key of customer l  hence, the result has exactly ndepositor tuples, which is 5000 ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Estimation of the Size of Joins (Cont.) n If R ∩ S = {A} is not a key for R or S. If we assume that every tuple t in R produces tuples in R    S, the  number of tuples in R     S is estimated to be: If the reverse is true, the estimate obtained will be: The lower of these two estimates is probably the more accurate one. n Can improve on above if histograms are available l Use formula similar to above, for each cell of histograms on the  two relations  ),( sAV nn sr ∗ ),( rAV nn sr ∗ ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Estimation of the Size of Joins (Cont.) n Compute the size estimates for depositor    customer without using  information about foreign keys: l V(customer_name, depositor) = 2500, and V(customer_name, customer) = 10000 l The two estimates are 5000 * 10000/2500 ­ 20,000 and 5000 *  10000/10000 = 5000 l We choose the lower estimate, which in this case, is the same as  our earlier computation using foreign keys. ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Size Estimation for Other Operations n Projection:  estimated size of ∏A(r)   =   V(A,r) n Aggregation : estimated size of AgF(r)   = V(A,r) n Set operations l  For unions/intersections of selections on the same relation:  rewrite and use size estimate for selections  E.g. σθ1 (r) ∪ σθ2 (r)  can be rewritten as σθ1 σθ2 (r) l For operations on different relations:  estimated size of r ∪ s  = size of r + size of s.     estimated size of r ∩ s  = minimum size of r and size of s.  estimated size of r – s   = r.  All the three estimates may be quite inaccurate, but provide  upper bounds on the sizes. ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Size Estimation (Cont.) n Outer join:   l Estimated size of r        s  = size of  r      s  + size of r  Case of right outer join is symmetric l Estimated size of r          s  = size of r      s + size of r + size of s ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Estimation of Number of Distinct Values Selections: σθ (r)  n If θ forces A to take a specified value: V(A,σθ (r)) = 1.  e.g., A = 3 n If θ forces A to take on one of a specified set of values:          V(A,σθ (r)) = number of specified values.  (e.g., (A = 1 V A = 3 V A = 4 )),  n If the selection condition θ is of the form A op r estimated V(A,σθ (r)) = V(A.r) * s  where s is the selectivity of the selection. n In all the other cases: use approximate estimate of  min(V(A,r), nσθ (r) ) l More accurate estimate can be got using probability theory, but  this one works fine generally ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Estimation of Distinct Values (Cont.) Joins: r      s n If all attributes in A are from r      estimated  V(A, r     s) = min (V(A,r), n r    s) n If A contains attributes A1 from r and A2 from s, then estimated  V(A,r     s) =  min(V(A1,r)*V(A2 – A1,s), V(A1 – A2,r)*V(A2,s), nr     s) l  More accurate estimate can be got using probability theory, but  this one works fine generally ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Estimation of Distinct Values (Cont.) n Estimation of distinct values are straightforward for projections. l They are the same in ∏A (r) as in r.  n The same holds for grouping attributes of aggregation. n For aggregated values  l For min(A) and max(A), the number of distinct values can be  estimated as min(V(A,r), V(G,r))  where G denotes grouping attributes l For other aggregates, assume all values are distinct, and use V(G,r) Database System Concepts 5th Ed. ©Silberschatz, Korth and Sudarshan See www.db­book.com for conditions on re­use  Additional Optimization Techniques n Nested Subqueries n Materialized Views ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Optimizing Nested Subqueries** n Nested query example: select customer_name from borrower where exists (select *                 from depositor                 where depositor.customer_name =                                                                                       borrower.customer_name) n  SQL conceptually treats nested subqueries in the where clause as  functions that take parameters and return a single value or set of values l Parameters are variables from outer level query that are used in the  nested subquery; such variables are called correlation variables n   Conceptually, nested subquery is executed once for each tuple in the  cross­product generated by the outer level from clause l Such evaluation is called correlated evaluation  l Note: other conditions in where clause may be used to compute a join  (instead of a cross­product) before executing the nested subquery ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Optimizing Nested Subqueries (Cont.) n Correlated evaluation may be quite inefficient since  l a large number of calls may be made to the nested query  l there may be unnecessary random I/O as a result n SQL optimizers attempt to transform nested subqueries to joins where  possible, enabling use of efficient join techniques n E.g.: earlier nested query can be rewritten as  select customer_name from   borrower, depositor where depositor.customer_name = borrower.customer_name l Note: the two queries generate different numbers of duplicates (why?)  Borrower can have duplicate customer­names  Can be modified to handle duplicates correctly as we will see n In general, it is not possible/straightforward to move the entire nested  subquery from clause into the outer level query from clause l A temporary relation is created instead, and used in body of outer  level query ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Optimizing Nested Subqueries (Cont.) In general, SQL queries of the form below can be rewritten as shown n Rewrite:  select                  from L1                          where P1 and exists (select *                  from L2       where P2) n To:           create table t1 as                 select distinct V                 from L2                 where P21             select                   from L1, t1                   where P1 and P22 l P21 contains predicates in P2 that do not involve any correlation  variables l P22  reintroduces predicates involving correlation variables, with  relations renamed appropriately l V contains all attributes used in predicates with correlation  variables ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Optimizing Nested Subqueries (Cont.) n In our example, the original nested query would be transformed to     create table t1 as           select distinct customer_name          from depositor     select customer_name     from borrower, t1      where t1.customer_name = borrower.customer_name n The process of replacing a nested query by a query with a join (possibly  with a temporary relation) is called decorrelation. n   Decorrelation is more complicated when l  the nested subquery uses aggregation, or l  when the result of the nested subquery is used to test for equality, or  l when the condition linking the nested subquery to the other  query is not exists,  l and so on. ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Materialized Views** n A materialized view is a view whose contents are computed and  stored. n Consider the view create view branch_total_loan(branch_name, total_loan) as select branch_name, sum(amount) from loan group by branch_name n Materializing the above view would be very useful if the total loan  amount is required frequently l Saves the effort of finding multiple tuples and adding up their  amounts ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Materialized View Maintenance n The task of keeping a materialized view up­to­date with the underlying  data is known as materialized view maintenance n Materialized views can be maintained by recomputation on every  update n A better option is to use incremental view maintenance l Changes to database relations are used to compute changes  to the materialized view, which is then updated n View maintenance can be done by l Manually defining triggers on insert, delete, and update of each  relation in the view definition l Manually written code to update the view whenever database  relations are updated l Periodic recomputation (e.g. nightly) l Above methods are directly supported by many database systems  Avoids manual effort/correctness issues ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Incremental View Maintenance n The changes (inserts and deletes) to a relation or expressions are  referred to as its differential l Set of tuples inserted to and deleted from r are denoted ir and dr n To simplify our description, we only consider inserts and deletes l We replace updates to a tuple by deletion of the tuple followed by  insertion of the update tuple  n We describe how to compute the change to the result of each  relational operation, given changes to its inputs n We then outline how to handle relational algebra expressions  ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Join Operation n Consider the materialized view v = r     s  and an update to r n Let rold and rnew denote the old and new states of relation r n Consider the case of an insert to r:   l We can write rnew         s as (rold ∪ ir)     s l And rewrite the above to  (rold       s) ∪ (ir       s) l But (rold       s) is simply the old value of the materialized view, so the  incremental change to the view is just      ir       s n Thus, for inserts     vnew = vold ∪(ir       s)  n Similarly for deletes    vnew = vold – (dr        s) A, 1 B, 2 1, p 2, r 2, s A, 1, p B, 2, r B, 2, s C,2 C, 2, r C, 2, s ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Selection and Projection Operations n Selection: Consider a view v = σθ(r). l vnew = vold ∪σθ(ir) l vnew = vold ­ σθ(dr) n Projection is a more difficult operation  l R = (A,B), and r(R) = { (a,2), (a,3)} l  ∏A(r) has a single tuple (a).  l If we delete the tuple (a,2) from r, we should not delete the tuple (a)  from ∏A(r), but if we then delete (a,3) as well, we should delete the  tuple n For each tuple in a projection ∏A(r) , we will keep a count of how many  times it was derived l On insert of a tuple to r, if the resultant tuple is already in ∏A(r) we  increment its count, else we add a new tuple with count = 1 l On delete of a tuple from r, we decrement the count of the  corresponding tuple in ∏A(r)   if the count becomes 0, we delete the tuple from ∏A(r) ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Aggregation Operations n count : v = Agcount(B)(r).  l When a set of tuples ir is inserted   For each tuple r in ir, if the corresponding group is already present in v,  we increment its count, else we add a new tuple with count = 1 l When a set of tuples dr is deleted  for each tuple t in ir.we look for the group t.A in v, and subtract 1 from  the count for the group.  – If the count becomes 0, we delete from v the tuple for the group t.A n sum: v = Agsum (B)(r)  l We maintain the sum in a manner similar to count, except we add/subtract  the B value instead of adding/subtracting 1 for the count l Additionally we maintain the count in order to detect groups with no tuples.   Such groups are deleted from v  Cannot simply test for sum = 0 (why?) n To handle the case of avg, we maintain the sum and count  aggregate values separately, and divide at the end ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Aggregate Operations (Cont.) n min, max: v = Agmin (B) (r).   l Handling insertions on r is straightforward. l Maintaining the aggregate values min and max on deletions may  be more expensive.  We have to look at the other tuples of r that  are in the same group to find the new minimum ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Other Operations n Set intersection: v = r ∩ s l  when a tuple is inserted in r we check if it is present in s, and if so  we add it to v.  l If the tuple is deleted from r, we delete it from the intersection if it  is present.  l Updates to s are symmetric l The other set operations, union and set difference are handled in a  similar fashion. n Outer joins are handled in much the same way as joins but with some  extra work  l we leave details to you. ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Handling Expressions n To handle an entire expression, we derive expressions for computing  the incremental change to the result of each sub­expressions, starting  from the smallest sub­expressions. n E.g. consider  E1      E2 where each of E1 and E2 may be a complex  expression l Suppose the set of tuples to be inserted into E1 is given by D1   Computed earlier, since smaller sub­expressions are handled  first l Then  the set of tuples to be inserted into E1      E2 is given by  D1       E2  This is just the usual way of maintaining joins ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Query Optimization and Materialized Views n Rewriting queries to use materialized views: l A materialized view v = r       s is available  l A user submits a query    r      s     t l We can rewrite the query as v      t   Whether to do so depends on cost estimates for the two alternative n Replacing a use of a materialized view by the view definition: l A materialized view v = r       s is available, but without any index on it l User submits a query σA=10(v).  l Suppose also that s has an index on the common attribute B, and r has  an index on attribute A.  l The best plan for this query may be to replace v by r      s, which can  lead to the query plan σA=10(r)      s n Query optimizer should be extended to consider all above  alternatives and  choose the best overall plan   ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Materialized View Selection n Materialized view selection: “What is the best set of views to  materialize?”.  n Index selection:  “what is  the best set of indices to create” l closely related, to materialized view selection  but simpler n Materialized view selection and index selection based on typical  system workload (queries and updates) l Typical goal: minimize time to execute workload , subject to  constraints on space and time taken for some critical  queries/updates l One of the steps in database tuning   more on tuning in later chapters n Commercial database systems provide tools (called “tuning assistants”  or “wizards”) to help the database administrator choose what indices  and materialized views to create  Database System Concepts 5th Ed. ©Silberschatz, Korth and Sudarshan See www.db­book.com for conditions on re­use  Extra Slides: Additional Optimization Techniques (see bibliographic notes) ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Top­K Queries n Top­K queries     select *  from r, s where r.B = s.B order by r.A ascending limit 10 l Alternative 1: Indexed nested loops join with r as outer l Alternative 2: estimate highest r.A value in result and add selection  (and r.A <= H) to where clause    If < 10 results, retry with larger H ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Optimization of Updates n Halloween problem     update R set A = 5 * A  where A > 10 l If index on A is used to find tuples satisfying A > 10, and tuples  updated immediately, same tuple may be found (and updated)  multiple times l Solution 1: Always defer updates  collect the updates (old and new values of tuples) and update  relation and indices in second pass  Drawback: extra overhead even if e.g. update is only on R.B,  not on attributes in selection condition l Solution 2: Defer only if required  Perform immediate update if update does not affect attributes  in where clause, and deferred updates otherwise. ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Parametric Query Optimization n Example  select *  from r natural join s where r.a < $1 l value of parameter $1 not known at compile time  known only at run time l different plans may be optimal for different values of $1 n Solution 1: optimize at run time, each time query is submitted   can be expensive  n Solution 2: Parametric Query Optimization: l optimizer generates a set of plans, optimal for different values of $1  Set of optimal plans usually small for 1 to 3 parameters  Key issue: how to do find set of optimal plans efficiently l best one from this set is chosen at run time when $1 is known n Solution 3: Query Plan Caching l If optimizer decides that same plan is likely to be optimal for all parameter  values, it caches plan and reuses it, else reoptimize each time l Implemented in many database systems ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Join Minimization n Join minimization     select r.A, r.B  from r, s where r.B = s.B n Check if join with s is redundant, drop it  l E.g. join condition is on foreign key from r to s, no selection on s l Other sufficient conditions possible select r.A, s1.B  from r, s as s1, s as s2    where r.B=s1.B and r.B = s2.B and s1.A < 20 and s2.A < 10  join with s2 is redundant and can be dropped (along with  selection on s2) l Lots of research in this area since 70s/80s! ©Silberschatz, Korth and Sudarshan14.Database System Concepts ­ 5th Edition, Sep 1,  2006. Multiquery Optimization n Example Q1: select * from (r natural join t) natural join s Q2: select * from (r natural join u) natural join s l Both queries share common subexpression (r natural join s) l May be useful to compute (r natural join s) once and use it in both queries  But this may be more expensive in some situations – e.g. (r natural join s) may be expensive, plans as shown in queries  may be cheaper n Multiquery optimization: find best overall plan for a set of queries, expoiting  sharing of common subexpressions between queries where it is useful n Simple heuristic used in some database systems: l optimize each query separately l detect and exploiting common subexpressions in the individual optimal  query plans  May not always give best plan, but is cheap to implement n Set of materialized views may share common subexpressions l As a result, view maintenance plans may share subexpressions l Multiquery optimization can be useful in such situations Database System Concepts 5th Ed. ©Silberschatz, Korth and Sudarshan See www.db­book.com for conditions on re­use  End of Chapter