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



具有多种最大功率点跟踪(MPPT)方法的光伏发电系统(P&O-增量法-人工神经网络-模糊逻辑控制-粒子群优化)之使用粒子群算法的最大功率点追踪(MPPT)(Simulink仿真实现)内容概要:本文介绍了一个涵盖多个科研领域的综合性MATLAB仿真资源集合,重点聚焦于光伏发电系统中基于粒子群优化(PSO)算法的最大功率点追踪(MPPT)技术的Simulink仿真实现。文档还列举了多种MPPT方法(如P&O、增量电导法、神经网络、模糊逻辑控制等),并展示了该团队在电力系统、智能优化算法、机器学习、路径规划、无人机控制、信号处理等多个方向的技术服务能力与代码实现案例。整体内容以科研仿真为核心,提供大量可复现的Matlab/Simulink模型和优化算法应用实例。; 适合人群:具备一定电力电子、自动控制或新能源背景,熟悉MATLAB/Simulink环境,从事科研或工程仿真的研究生、科研人员及技术人员。; 使用场景及目标:①学习并实现光伏系统中基于粒子群算法的MPPT控制策略;②掌握多种智能优化算法在电力系统与自动化领域的建模与仿真方法;③获取可用于论文复现、项目开发和技术攻关的高质量仿真资源。; 阅读建议:建议结合提供的网盘资料,按照研究方向选取对应模块进行实践,重点关注Simulink模型结构与算法代码逻辑的结合,注重从原理到仿真实现的全过程理解,提升科研建模能力。
热成像人物检测数据集 一、基础信息 数据集名称:热成像人物检测数据集 图片数量: 训练集:424张图片 验证集:121张图片 测试集:61张图片 总计:606张热成像图片 分类类别: - 热成像人物:在热成像图像中的人物实例 - 非热成像人物:在非热成像或普通图像中的人物实例,用于对比分析 标注格式: YOLO格式,包含边界框和类别标签,适用于目标检测任务。数据来源于热成像和视觉图像,覆盖多种场景条件。 二、适用场景 热成像监控与安防系统开发: 数据集支持目标检测任务,帮助构建能够在低光、夜间或恶劣环境下自动检测和定位人物的AI模型,提升监控系统的可靠性和实时响应能力。 红外视觉应用研发: 集成至红外摄像头或热成像设备中,实现实时人物检测功能,应用于安防、军事、救援和工业检测等领域。 学术研究与创新: 支持计算机视觉与热成像技术的交叉研究,助力开发新算法用于人物行为分析或环境适应型检测模型。 教育与培训: 可用于高校或培训机构,作为学习热成像人物检测和AI模型开发的教学资源,提升实践技能。 三、数据集优势 精准标注与多样性: 每张图片均由专业标注员标注,确保边界框定位准确,类别分类清晰。包含热成像和非热成像类别,提供对比数据,增强模型的泛化能力和鲁棒性。 场景实用性强: 数据覆盖多种环境条件,如不同光照和天气,模拟真实世界应用,适用于复杂场景下的人物检测任务。 任务适配性高: YOLO标注格式兼容主流深度学习框架(如YOLOv5、YOLOv8等),可直接加载使用,支持快速模型开发和评估。 应用价值突出: 专注于热成像人物检测,在安防、监控和特殊环境检测中具有重要价值,支持早期预警和高效决策。
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