谈一谈SQL Server中的执行计划缓存（上）

最新推荐文章于 2022-11-23 22:15:02 发布

转载最新推荐文章于 2022-11-23 22:15:02 发布 · 857 阅读

sql数据库专栏收录该内容

7 篇文章

订阅专栏

本文详细介绍了 SQL Server 查询优化器生成执行计划的过程，并深入探讨了执行计划缓存的机制及其常见问题。通过分析，揭示了执行计划缓存与查询优化器之间的矛盾，并提供了调优策略和解决办法。

http://www.cnblogs.com/CareySon/archive/2013/05/04/PlanCacheInSQLServer.html

简介

我们平时所写的SQL语句本质只是获取数据的逻辑，而不是获取数据的物理路径。当我们写的SQL语句传到SQL Server的时候，查询分析器会将语句依次进行解析（Parse）、绑定（Bind）、查询优化（Optimization，有时候也被称为简化）、执行（Execution）。除去执行步骤外，前三个步骤之后就生成了执行计划，也就是SQL Server按照该计划获取物理数据方式，最后执行步骤按照执行计划执行查询从而获得结果。但查询优化器不是本篇的重点，本篇文章主要讲述查询优化器在生成执行计划之后，缓存执行计划的相关机制以及常见问题。

为什么需要执行计划缓存

从简介中我们知道，生成执行计划的过程步骤所占的比例众多，会消耗掉各CPU和内存资源。而实际上，查询优化器生成执行计划要做更多的工作，大概分为3部分：

首先，根据传入的查询语句文本，解析表名称、存储过程名称、视图名称等。然后基于逻辑数据操作生成代表查询文本的树。
第二步是优化和简化，比如说将子查询转换成对等的连接、优先应用过滤条件、删除不必要的连接（比如说有索引，可能不需要引用原表）等。
第三步根据数据库中的统计信息，进行基于成本（Cost-based）的评估。

上面三个步骤完成之后，才会生成多个候选执行计划。虽然我们的SQL语句逻辑上只有一个，但是符合这个逻辑顺序的物理获取数据的顺序却可以有多条，打个比方，你希望从北京到上海，即可以做高铁，也可以做飞机，但从北京到上海这个描述是逻辑描述，具体怎么实现路径有多条。那让我们再看一个SQL Server中的举例，比如代码清单1中的查询。

 
SELECT *  
FROM A INNER JOIN B ON a.a=b.b 
INNER JOIN C ON c.c=a.a 
 

代码清单1.

对于该查询来说，无论A先Inner join B还是B先Inner Join C，结果都是一样的，因此可以生成多个执行计划，但一个基本原则是SQL Server不一定会选择最好的执行计划，而是选择足够好的计划，这是由于评估所有的执行计划的成本所消耗的成本不应该过大。最终，SQL Server会根据数据的基数和每一步所消耗的CPU和IO的成本来评估执行计划的成本，所以执行计划的选择重度依赖于统计信息，关于统计信息的相关内容，我就不细说了。

对于前面查询分析器生成执行计划的过程不难看出，该步骤消耗的资源成本也是惊人的。因此当同样的查询执行一次以后，将其缓存起来将会大大减少执行计划的编译，从而提高效率，这就是执行计划缓存存在的初衷。

执行计划所缓存的对象

执行计划所缓存的对象分为4类，分别是：

编译后的计划：编译的执行计划和执行计划的关系就和MSIL和C#的关系一样。
执行上下文：在执行编译的计划时，会有上下文环境。因为编译的计划可以被多个用户共享，但查询需要存储SET信息以及本地变量的值等，因此上下文环境需要对应执行计划进行关联。执行上下文也被称为Executable Plan。
游标：存储的游标状态类似于执行上下文和编译的计划的关系。游标本身只能被某个连接使用，但游标关联的执行计划可以被多个用户共享。
代数树：代数树（也被称为解析树）代表着查询文本。正如我们之前所说，查询分析器不会直接引用查询文本，而是代数树。这里或许你会有疑问，代数树用于生成执行计划，这里还缓存代数树干毛啊？这是因为视图、Default、约束可能会被不同查询重复使用，将这些对象的代数树缓存起来省去了解析的过程。

比如说我们可以通过dm_exec_cached_plans这个DMV找到被缓存的执行计划，如图1所示。

图1.被缓存的执行计划

那究竟这几类对象缓存所占用的内存相关信息该怎么看呢？我们可以通过dm_os_memory_cache_counters这个DMV看到，上述几类被缓存的对象如图2所示。

图2.在内存中这几类对象缓存所占用的内存

另外，执行计划缓存是一种缓存。而缓存中的对象会根据算法被替换掉。对于执行计划缓存来说，被替换的算法主要是基于内存压力。而内存压力会被分为两种，既内部压力和外部压力。外部压力是由于Buffer Pool的可用空间降到某一临界值（该临界值会根据物理内存的大小而不同，如果设置了最大内存则根据最大内存来）。内部压力是由于执行计划缓存中的对象超过某一个阈值，比如说32位的SQL Server该阈值为40000，而64位中该值被提升到了160000。

这里重点说一下，缓存的标识符是查询语句本身，因此select * from SchemaName.TableName和Select * from TableName虽然效果一致，但需要缓存两份执行计划，所以一个Best Practice是在引用表名称和以及其他对象的名称时，请带上架构名称。

基于被缓存的执行计划对语句进行调优

被缓存的执行计划所存储的内容非常丰富，不仅仅包括被缓存的执行计划、语句，还包括被缓存执行计划的统计信息，比如说CPU的使用、等待时间等。但这里值得注意的是，这里的统计只算执行时间，而不算编译时间。比如说我们可以利用代码清单2中的代码根据被缓存的执行计划找到数据库中耗时最长的20个查询语句。

 
    
    
    
  SET TRANSACTION ISOLATION LEVEL READ UNCOMMITTED  
  SELECT TOP 20  
    CAST(qs.total_elapsed_time / 1000000.0 AS DECIMAL(28, 2))  
                                       AS [Total Duration (s)]  
    , CAST(qs.total_worker_time * 100.0 / qs.total_elapsed_time  
                                 AS DECIMAL(28, 2)) AS [% CPU]  
    , CAST((qs.total_elapsed_time - qs.total_worker_time)* 100.0 /  
          qs.total_elapsed_time AS DECIMAL(28, 2)) AS [% Waiting]  
    , qs.execution_count  
    , CAST(qs.total_elapsed_time / 1000000.0 / qs.execution_count  
                  AS DECIMAL(28, 2)) AS [Average Duration (s)]  
    , SUBSTRING (qt.text,(qs.statement_start_offset/2) + 1,       
      ((CASE WHEN qs.statement_end_offset = -1  
        THEN LEN(CONVERT(NVARCHAR(MAX), qt.text)) * 2  
        ELSE qs.statement_end_offset  
        END - qs.statement_start_offset)/2) + 1) AS [Individual Query  
    , qt.text AS [Parent Query]  
    , DB_NAME(qt.dbid) AS DatabaseName  
    , qp.query_plan  
  FROM sys.dm_exec_query_stats qs  
  CROSS APPLY sys.dm_exec_sql_text(qs.sql_handle) as qt  
  CROSS APPLY sys.dm_exec_query_plan(qs.plan_handle) qp  
  WHERE qs.total_elapsed_time > 0  
  ORDER BY qs.total_elapsed_time DESC      
 

代码清单2.通过执行计划缓存找到数据库总耗时最长的20个查询语句

上面的语句您可以修改Order By来根据不同的条件找到你希望找到的语句，这里就不再细说了。

相比较于无论是服务端Trace还是客户端的Profiler，该方法有一定优势，如果通过捕捉Trace再分析的话，不仅费时费力，还会给服务器带来额外的开销，通过该方法找到耗时的查询语句就会简单很多。但是该统计仅仅基于上次实例重启或者没有运行DBCC FreeProcCache之后。但该方法也有一些弊端，比如说：

类似索引重建、更新统计信息这类语句是不缓存的，而这些语句成本会非常高。
缓存可能随时会被替换掉，因此该方法无法看到不再缓存中的语句。
该统计信息只能看到执行成本，无法看到编译成本。
没有参数化的缓存可能同一个语句呈现不同的执行计划，因此出现不同的缓存，在这种情况下统计信息无法累计，可能造成不是很准确。

执行计划缓存和查询优化器的矛盾

还记得我们之前所说的吗，执行计划的编译和选择分为三步，其中前两步仅仅根据查询语句和表等对象的metadata，在执行计划选择的阶段要重度依赖于统计信息，因此同一个语句仅仅是参数的不同，查询优化器就会产生不同的执行计划，比如说我们来看一个简单的例子，如图3所示。

图3.仅仅是由于不同的参数，查询优化器选择不同的执行计划

大家可能会觉得，这不是挺好的嘛，根据参数产生不同的执行计划。那让我们再考虑一个问题，如果将上面的查询放到一个存储过程中，参数不能被直接嗅探到，当第一个执行计划被缓存后，第二次执行会复用第一次的执行计划！虽然免去了编译时间，但不好的执行计划所消耗的成本会更高！让我们来看这个例子，如图4所示。

图4.不同的参数，却是完全一样的执行计划！

再让我们看同一个例子，把执行顺序颠倒后，如图5所示。

图5.执行计划完全变了

我们看到，第二次执行的语句，完全复用了第一次的执行计划。那总会有一个查询牺牲。比如说当参数为4时会有5000多条，此时索引扫描应该最高效，但图4却复用了上一个执行计划，使用了5000多次查找！！！这无疑是低效率的。而且这种情况出现会非常让DBA迷茫，因为在缓存中的执行计划不可控，缓存中的对象随时可能被删除，谁先执行谁后执行产生的性能问题往往也让DBA头疼。

由这个例子我们看出，查询优化器希望尽可能选择高效的执行计划，而执行计划缓存却希望尽可能的重用缓存，这两种机制在某些情况会产生冲突。

在下篇文章中，我们将会继续来看由于执行计划缓存和查询分析器的冲突，以及编译执行计划所带来的常见问题和解决方案。

小结

本篇文章中，我们简单讲述了查询优化器生成执行计划的过程，以及执行计划缓存的机制。当查询优化器和执行计划缓存以某种不好的情况交汇时，将产生一些问题。在下篇文章中，我们会继续探索SQL Server中的执行计划缓存。

简介