Sorgu optimizasyonu, ilişkisel veritabanı yönetim sistemlerinin ve NoSQL ile grafik veritabanları dahil olmak üzere birçok veritabanının sahip olduğu bir özelliktir. Bu süreçte sorgu iyileştiricisi, olası sorgu planlarını göz önünde bulundurarak belirli bir sorguyu yürütmenin en verimli yolunu belirlemeye çalışır. Kullanıcılar genellikle bu iyileştiriciye doğrudan erişemez; çünkü sorgular veritabanı sunucusuna gönderildikten sonra, ayrıştırıcı tarafından işlenir ve ardından iyileştirme işleminin yapıldığı sorgu iyileştiriciye iletilir. Bazı veritabanı motorları ise, sorgu iyileştiricinin belirli ipuçlarıyla yönlendirilmesine olanak tanır.
Sorgu, bir veritabanından bilgi isteğidir ve “Telefon numarası 555-123-4567 olan kişinin ismini sorgula” kadar basit ya da “30 ila 39 yaş aralığındaki Erzurum’daki tüm çalışan evli erkeklerin eşlerinden daha az maaş almasının ortalama maaşını bul” kadar karmaşık olabilir. Bir sorgu sonucu, veritabanındaki satırların istenen bilgiyi verecek şekilde işlenmesiyle üretilir. Veritabanı yapıları karmaşık olduğundan, çoğu durumda ve özellikle çok basit olmayan sorgular için, bir sorgu için gereken veriler, veritabanına farklı yollarla, farklı veri yapıları aracılığıyla ve farklı sıralarda erişilerek toplanabilir. Her farklı yol genellikle farklı işlem süreleri gerektirir ve aynı sorgunun işlem süreleri, seçilen yönteme bağlı olarak saniyenin bir kısmından saatlere kadar büyük farklılıklar gösterebilir.
Plan Seçimi ve Maliyet Tahmini
Otomatik bir süreç olan sorgu optimizasyonunun amacı, verilen sorguyu en kısa sürede işlemenin yolunu bulmaktır. Zaman içindeki olası büyük fark, sorgu optimizasyonunun gerçekleştirilmesini haklı çıkarır; ancak tüm olasılıklar arasında tam olarak optimum sorgu planını bulmak genellikle çok karmaşıktır, kendi başına zaman alıcıdır, çok maliyetli olabilir ve çoğu zaman pratik olarak imkansızdır. Bu nedenle sorgu optimizasyonu, makul bir sürede genellikle en iyi olası sonuçtan çok fazla sapmayan “yeterince iyi” bir plan sağlamak için genellikle birkaç sağduyulu alternatifi karşılaştırarak optimuma yaklaşmaya çalışır.

En uygun sorgu planını belirlemek için harcanan süre ile elde edilen planın kalitesi arasında bir denge bulunmaktadır; sorgu iyileştirici her zaman en ideal çözümü belirleyemeyebilir. Çoğu sorgu iyileştirici, sorgu planlarını “plan düğümleri”nden oluşan bir ağaç yapısı şeklinde temsil eder. Her plan düğümü, sorgunun yürütülmesi sırasında gerçekleştirilecek tek bir işlemi kapsar ve bu düğümler hiyerarşik bir biçimde ağaç yapısında düzenlenir. Ara sonuçlar genellikle yapının alt seviyelerinden üst seviyelerine doğru iletilir. Her düğüm sıfır veya daha fazla alt düğüme sahip olabilir; örneğin bir birleştirme (join) işlemi gerçekleştiren düğüm iki alt düğümden veri alırken, bir sıralama (sort) düğümü genellikle sıralanacak veriyi sağlayan tek bir alt düğüme sahiptir. Ağaç yapısının yaprak düğümleri ise genellikle diskte veri taraması yapan işlemleri temsil eder.
Maliyet Atama ve Plan Değerlendirmesi
Sorgu iyileştiriciler, her olası sorgu planına tahmini bir “maliyet” atar ve en düşük maliyete sahip olan planı tercih eder. Bu maliyet tahminleri, bir sorgunun çalıştırılması sırasında ortaya çıkacak toplam çalışma zamanı giderlerini öngörmek amacıyla oluşturulur. Tahmin sürecinde; gerekli girdi/çıktı (G/Ç) işlemlerinin sayısı, işlemcideki yürütme adımlarının uzunluğu, ihtiyaç duyulan disk arabellek (buffer) miktarı, disk erişim süreleri, paralel işlem birimleri arasındaki veri iletim yoğunluğu ve veri sözlüğünden elde edilen diğer sistemsel bilgiler dikkate alınır.
Sorgu planları, olası erişim yolları (örneğin, birincil dizin erişimi, ikincil dizin erişimi, tam tablo taraması) ile çeşitli ilişkisel birleştirme tekniklerinin (örneğin merge join, hash join, product join) analiz edilmesiyle oluşturulan bir aday plan kümesi üzerinden değerlendirilir. SQL sorgusunun yapısal karmaşıklığı arttıkça, bu planların oluşturduğu arama uzayı da önemli ölçüde genişleyebilir. Geleneksel veritabanı sistemleri, tekil işleçlerin seçicilik tahminleri için genellikle başarılı sonuçlar veren sütunlardaki veri dağılımını temsil eden histogram gibi ayrıntılı istatistiksel yapılardan faydalanır.
Tahmin Zorlukları ve Veri Bağımlılıkları
Bir sorgu planının performansı büyük ölçüde tabloların birleştirilme sırasına göre belirlenir. Örneğin, sırasıyla 10 satır, 10.000 satır ve 1.000.000 satır boyutundaki 3 tablo A, B, C birleştirildiğinde, önce B ve C’yi birleştiren bir sorgu planı, önce A ve C’yi birleştiren bir sorgu planından birkaç kat daha fazla zaman alabilir. Optimizasyon araçları, bir sorgu planının yürütme maliyetini, plan üzerinde yer alan her kenardan (işlemden) geçen tahmini kardinalite (ya da tuple sayısı) üzerine kurulu matematiksel bir maliyet modeli aracılığıyla belirler.
Optimizasyonun en zorlu problemlerinden biri, alternatif sorgu planlarının maliyetlerini doğru biçimde tahmin edebilmektir. Kardinalite tahminleri, sorgudaki işleçlerin seçicilik değerlerine ilişkin öngörülere dayanır. Ancak birçok sorguda, örneğin “SELECT COUNT() FROM R WHERE R.make = ‘Honda‘ AND R.model = ‘Accord'” şeklindeki örnekte olduğu gibi, çoklu koşul bağlaçları (conjunctive predicates) yer alır. Bu tür durumlarda, tahminler çoğu zaman değişkenler arası güçlü korelasyon içerir (örneğin, model = ‘Accord’ koşulu genellikle make = ‘Honda’ koşulunu da ima eder). Bu gibi bağımlılıkları yakalamak güç olduğundan, bağlaçların birleşik seçiciliğini doğru şekilde tahmin etmek önemli ölçüde zordur.
Hatalı kardinalite tahminleri ve gözden kaçan veri bağımlılıkları, sorgu iyileştiricilerinin düşük verimlilikte sorgu planları seçmesinin temel sebeplerindendir. Bu nedenle, veritabanı yöneticilerinin istatistikleri düzenli olarak güncellemeleri, özellikle büyük veri yükleme veya boşaltma işlemlerinden sonra bu güncellemeleri yapmaları kritik öneme sahiptir.
Sorgu Optimizasyonunda Maliyet Tahmini ve Plan Seçimi
Sorgu optimizasyonu, ilişkisel veritabanı yönetim sistemlerinin ve NoSQL ile grafik veritabanları dahil olmak üzere birçok veritabanının sahip olduğu bir özelliktir. Bu süreçte sorgu iyileştiricisi, olası sorgu planlarını göz önünde bulundurarak belirli bir sorguyu yürütmenin en verimli yolunu belirlemeye çalışır. Kullanıcılar genellikle bu iyileştiriciye doğrudan erişemez; çünkü sorgular veritabanı sunucusuna gönderildikten sonra, ayrıştırıcı tarafından işlenir ve ardından iyileştirme işleminin yapıldığı sorgu iyileştiriciye iletilir. Bazı veritabanı motorları ise, sorgu iyileştiricinin belirli ipuçlarıyla yönlendirilmesine olanak tanır.
Sorgu, bir veritabanından bilgi isteğidir ve “Telefon numarası 555-123-4567 olan kişinin ismini sorgula” kadar basit ya da “30 ila 39 yaş aralığındaki Erzurum’daki tüm çalışan evli erkeklerin eşlerinden daha az maaş almasının ortalama maaşını bul” kadar karmaşık olabilir. Bir sorgu sonucu, veritabanındaki satırların istenen bilgiyi verecek şekilde işlenmesiyle üretilir. Veritabanı yapıları karmaşık olduğundan, çoğu durumda ve özellikle çok basit olmayan sorgular için, bir sorgu için gereken veriler, veritabanına farklı yollarla, farklı veri yapıları aracılığıyla ve farklı sıralarda erişilerek toplanabilir. Her farklı yol genellikle farklı işlem süreleri gerektirir ve aynı sorgunun işlem süreleri, seçilen yönteme bağlı olarak saniyenin bir kısmından saatlere kadar büyük farklılıklar gösterebilir.
Plan Seçimi ve Maliyet Tahmini
Otomatik bir süreç olan sorgu optimizasyonunun amacı, verilen sorguyu en kısa sürede işlemenin yolunu bulmaktır. Zaman içindeki olası büyük fark, sorgu optimizasyonunun gerçekleştirilmesini haklı çıkarır; ancak tüm olasılıklar arasında tam olarak optimum sorgu planını bulmak genellikle çok karmaşıktır, kendi başına zaman alıcıdır, çok maliyetli olabilir ve çoğu zaman pratik olarak imkansızdır. Bu nedenle sorgu optimizasyonu, makul bir sürede genellikle en iyi olası sonuçtan çok fazla sapmayan “yeterince iyi” bir plan sağlamak için genellikle birkaç sağduyulu alternatifi karşılaştırarak optimuma yaklaşmaya çalışır.
En uygun sorgu planını belirlemek için harcanan süre ile elde edilen planın kalitesi arasında bir denge bulunmaktadır; sorgu iyileştirici her zaman en ideal çözümü belirleyemeyebilir. Çoğu sorgu iyileştirici, sorgu planlarını “plan düğümleri”nden oluşan bir ağaç yapısı şeklinde temsil eder. Her plan düğümü, sorgunun yürütülmesi sırasında gerçekleştirilecek tek bir işlemi kapsar ve bu düğümler hiyerarşik bir biçimde ağaç yapısında düzenlenir. Ara sonuçlar genellikle yapının alt seviyelerinden üst seviyelerine doğru iletilir. Her düğüm sıfır veya daha fazla alt düğüme sahip olabilir; örneğin bir birleştirme (join) işlemi gerçekleştiren düğüm iki alt düğümden veri alırken, bir sıralama (sort) düğümü genellikle sıralanacak veriyi sağlayan tek bir alt düğüme sahiptir. Ağaç yapısının yaprak düğümleri ise genellikle diskte veri taraması yapan işlemleri temsil eder.
Maliyet Atama ve Plan Değerlendirmesi
Sorgu iyileştiriciler, her olası sorgu planına tahmini bir “maliyet” atar ve en düşük maliyete sahip olan planı tercih eder. Bu maliyet tahminleri, bir sorgunun çalıştırılması sırasında ortaya çıkacak toplam çalışma zamanı giderlerini öngörmek amacıyla oluşturulur. Tahmin sürecinde; gerekli girdi/çıktı (G/Ç) işlemlerinin sayısı, işlemcideki yürütme adımlarının uzunluğu, ihtiyaç duyulan disk arabellek (buffer) miktarı, disk erişim süreleri, paralel işlem birimleri arasındaki veri iletim yoğunluğu ve veri sözlüğünden elde edilen diğer sistemsel bilgiler dikkate alınır.
Sorgu planları, olası erişim yolları (örneğin, birincil dizin erişimi, ikincil dizin erişimi, tam tablo taraması) ile çeşitli ilişkisel birleştirme tekniklerinin (örneğin merge join, hash join, product join) analiz edilmesiyle oluşturulan bir aday plan kümesi üzerinden değerlendirilir. SQL sorgusunun yapısal karmaşıklığı arttıkça, bu planların oluşturduğu arama uzayı da önemli ölçüde genişleyebilir. Geleneksel veritabanı sistemleri, tekil işleçlerin seçicilik tahminleri için genellikle başarılı sonuçlar veren sütunlardaki veri dağılımını temsil eden histogram gibi ayrıntılı istatistiksel yapılardan faydalanır.
Tahmin Zorlukları ve Veri Bağımlılıkları
Bir sorgu planının performansı büyük ölçüde tabloların birleştirilme sırasına göre belirlenir. Örneğin, sırasıyla 10 satır, 10.000 satır ve 1.000.000 satır boyutundaki 3 tablo A, B, C birleştirildiğinde, önce B ve C’yi birleştiren bir sorgu planı, önce A ve C’yi birleştiren bir sorgu planından birkaç kat daha fazla zaman alabilir. Optimizasyon araçları, bir sorgu planının yürütme maliyetini, plan üzerinde yer alan her kenardan (işlemden) geçen tahmini kardinalite (ya da tuple sayısı) üzerine kurulu matematiksel bir maliyet modeli aracılığıyla belirler.
Optimizasyonun en zorlu problemlerinden biri, alternatif sorgu planlarının maliyetlerini doğru biçimde tahmin edebilmektir. Kardinalite tahminleri, sorgudaki işleçlerin seçicilik değerlerine ilişkin öngörülere dayanır. Ancak birçok sorguda, örneğin “SELECT COUNT() FROM R WHERE R.make = ‘Honda’ AND R.model = ‘Accord'” şeklindeki örnekte olduğu gibi, çoklu koşul bağlaçları (conjunctive predicates) yer alır. Bu tür durumlarda, tahminler çoğu zaman değişkenler arası güçlü korelasyon içerir (örneğin, model = ‘Accord’ koşulu genellikle make = ‘Honda’ koşulunu da ima eder). Bu gibi bağımlılıkları yakalamak güç olduğundan, bağlaçların birleşik seçiciliğini doğru şekilde tahmin etmek önemli ölçüde zordur.
Hatalı kardinalite tahminleri ve gözden kaçan veri bağımlılıkları, sorgu iyileştiricilerinin düşük verimlilikte sorgu planları seçmesinin temel sebeplerindendir. Bu nedenle, veritabanı yöneticilerinin istatistikleri düzenli olarak güncellemeleri, özellikle büyük veri yükleme veya boşaltma işlemlerinden sonra bu güncellemeleri yapmaları kritik öneme sahiptir.
Bu açıklama Vikipedi kaynaklarından uyarlanmıştır ve şu lisans altında sunulur: CC BY-SA 4.0.
Bu gelişme hakkında düşüncelerinizi, donanım deneyimlerinizi veya sorularınızı Topluluk Forumumuzda paylaşın.
Foruma Katıl & Yanıtla ➔

Yorumlar