左驱动非分区表数据量变化影响分区查询执行计划变形分析!

本文深入分析了在特定SQL查询中,数据范围从4天扩大后,从使用索引高效查找转变为全表扫描的原因。通过详细解释执行计划的选择过程,特别是NESTLOOP与HASHJOIN的区别,以及如何通过为关键列创建索引来优化查询性能,提高数据处理效率。

---wangyingjia20140909

select count(1) from(
(select t.ID,
t.OUR_TRANS_NO,
t.ORDER_TYPE,
t.TRANS_REQ_NO,
t.CONN_CHANNEL,
t.SETTLE_DATE,
t.CHK_DATE,
t.ERR_TYPE,
t.ORDER_DATE,
t.TOTAL_AMT,
t.ORDER_STATUS,
t.DELETE_FLAG,
t.CREATE_TIME,
t.LAST_UPD_TIME,
t.HANDLE_STATUS,
t.HANDLE_DATE,
t.HANDLER,
t.HANDLER_IP,
t.HANDLE_TYPE
from T_INNER_CHK_ERR t
where t.DELETE_FLAG = '0'
and t.SETTLE_DATE >= to_date('20140801', 'YYYYMMDD')
AND t.SETTLE_DATE <= to_date('20140805', 'YYYYMMDD')) t
left join t_pay_trans_detail p
on t.our_trans_no = p.our_trans_no
and p.delete_flag = '0'
AND p.SETTLE_DATE >= to_date('20140801', 'YYYYMMDD')
AND p.SETTLE_DATE <= to_date('20140805', 'YYYYMMDD')
left join (select b.org_code, b.org_bank_code, b.bank_code, info.bank_name
from (select t.org_code,
t.org_bank_code,
min(t.bank_code) bank_code
from t_org_bank t
group by t.org_code, t.org_bank_code) b
left join t_bank_info info
on b.bank_code = info.bank_code) bank
on p.pay_org_code = bank.org_code
and p.org_bank_code = bank.org_bank_code
left join t_busi_trans_detail d
on d.our_trans_no = t.our_trans_no
AND d.SETTLE_DATE >= to_date('20140801', 'YYYYMMDD')
AND d.SETTLE_DATE <= to_date('20140805', 'YYYYMMDD')
and d.delete_flag = '0'
left join t_order_busi_field_detail f
on f.our_trans_no = t.our_trans_no
AND f.SETTLE_DATE >= to_date('20140801', 'YYYYMMDD')
AND f.SETTLE_DATE <= to_date('20140805', 'YYYYMMDD')
and f.delete_flag = '0'
);

 


单独抽取了部分SQL进行实验。

明明建有索引,为何4天之内的数据可以走,超过4天就走全表扫描了呢?

可以确定的是执行计划的变更取决于T_INNER_CHK_ERR表数据结果集的多少,达到一定阀值(达到阀值指此时走nest loop的cost已经超过了hash join)之后,两表的链接方式将由NEST LOOP变为HASH JOIN。

开启10053事件追踪ORACLE是如何选择执行计划。

这里截取部分信息进行说明:



选择NEST LOOP的:




 

选择HASH JOIN






我们注意到,走NEST LOOP时可以通过OUR_TRANS_NO列走索引,速度也很快。

而到了HASH JOIN时,鉴于hash join连接的方式,需要首先或者两个表的结果集。在获取大表结果集的过程中,由于谓词条件settle_date处于复合索引的第二列,走它要使用skip index scan的方式,cost巨大,固优化器选择了走全表扫描。

到这里也就明了了,为了消除全表扫描,只需要单独为T_PAY_TRANS_DETAIL表的SETTLE_DATE列创建索引即可。

创建索引之后,表多了一个访问方式



内容概要:本文系统阐述了智能物流路径规划的技术体系与实践应用,涵盖其发展背景、核心问题建模、关键算法、多目标与动态环境处理、系统架构及典型应用场景。文章以车辆路径问题(VRP)及其变体为核心数学模型,介绍了从Dijkstra、A*等单智能体算法到多车VRP的元启发式求解方法(如遗传算法、蚁群算法、大规模邻域搜索),并深入探讨了多目标优化(成本、时间、碳排放)与动态环境(实时订单、交通变化)下的自适应规划策略。结合城市配送、干线运输、场内物流等案例,展示了路径规划在提升效率、降低成本方面的实际价值,并分析了当前面临的复杂性、不确定性等挑战,展望了AI融合、数字孪生、车路协同等未来趋势。; 适合人群:具备一定物流、运筹学或计算机基础,从事智能交通、物流调度、算法研发等相关工作的技术人员与管理人员,工作年限1-5年为宜。; 使用场景及目标:①理解智能物流路径规划的整体技术架构与核心算法原理;②掌握VRP建模方法与多目标、动态环境下路径优化的实现策略;③为物流系统设计、算法选型与系统优化提供理论依据与实践参考; 阅读建议:建议结合文中案例与数学模型,重点理解算法选择与实际业务场景的匹配逻辑,关注动态规划与多目标优化的工程实现难点,可配合仿真工具或开源求解器进行实践验证。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值