课程视频
为什么原来很好的计划会变差
查询文本没有变化,计划表现也可能变化:表中的数据量和分布改变了,索引被添加或删除了,分区方式不同了,预编译语句使用了新参数,或者一次 ANALYZE 更新了统计信息。
静态优化在执行前决定计划;动态优化在执行中持续决定处理方式;自适应优化则先生成计划,再根据运行反馈进行修正。本讲重点讨论第三类,并区分修正未来调用与改善当前调用。
保留历史与回退计划
Reversion-Based Plan Correction 记录历史计划、估计和实际运行指标。新计划出现回归时,可以对未来调用恢复此前表现较好的计划。
例如,新索引让优化器选择了索引访问与另一种连接算法,但错误的基数估计可能使实际访问成本更高。保留历史可以减少这种回归的持续影响,不过旧计划依赖的索引和其他物理条件仍需检查。
Plan Stitch:组合不同计划的有效部分

Plan Stitch 不只在几个完整计划之间二选一,还识别其中等价的子计划,把它们放进带 OR 节点的候选图,再自下而上选择组合。等价匹配需要考虑逻辑表达式与物理属性,可先按访问关系集合等条件排除明显不相容的候选。
候选来自已有计划,搜索范围比从零枚举更受限制,因此不保证一定生成更好的计划。它的价值是复用已有经验,并在某个完整旧计划失效后,仍有机会保留其中可用的部分。
Redshift 的 Codegen Stitching 则在编译代码片段层面复用缓存,减少重新编译;DB2 的 LEO 把实际执行中观察到的信息反馈给统计和估计。它们改善的层次不同:一个侧重编译成本,一个侧重后续计划的判断依据。
当前查询已经跑偏时怎么办
执行器发现实际行为远离预期后,可以停止并重新规划。最直接的方法是从头开始;另一种方法保留已经生成的中间结果,把它们作为新计划的输入。是否值得重来,需要比较剩余错误计划的代价与重新优化、重新执行的代价。

Quickstep 的 Lookahead Information Passing 先为维表建立 Bloom Filter,再依据事实表记录对这些过滤器的探测效果调整处理顺序。课程讨论的方案针对星型模式和左深连接树,不能直接外推到任意连接图。
预先设置可以转向的计划点
Plan Pivot Point 在物化点等合适位置准备备选子计划,运行时依据观察到的数据选择路径。参数化优化可以给不同输入规模准备不同候选,通过 Choose-Plan 运算符决定采用哪条 Pipeline。

Proactive Reoptimization 进一步为估计保留不确定范围,在执行中检查实际值并选择可切换方案。为了切换,候选必须具有相容的状态与结果语义,不能仅因为另一条路径估计更便宜,就随时跳到执行中间。
计划稳定性也是系统能力
数据库还可以提供 Hint、固定优化器版本或复用旧版本计划,帮助应用逐步迁移。这些机制让运维能够控制变化,但长期固定计划也可能错过数据和硬件变化带来的改进。
课程希望优化器与执行器形成反馈关系:优化器提供备选与切换边界,执行器回报实际规模和资源消耗。评价自适应方案时,应同时考虑首轮查询、后续调用、反馈维护和回归处理,而不只观察最后一次执行。
