# 一、实验概览

lab3实现的是基于代价的查询优化器，以下是讲义给出的实验的大纲：

回想一下，基于成本的优化器的主要思想是：

- 使用有关表的统计信息来估计不同的“成本”

   > 查询计划。 通常，一个计划的成本与基数（基数）有关。

   >（产生的元组数）中间连接和选择，以及

   > 过滤器和连接谓词的选择性。

- 使用这些统计信息对连接和选择进行排序

   > 最优方式，并选择加入的最佳实现

   > 几种备选方案中的算法。

在本实验中，您将实现代码来执行这两项操作功能。

我们可以使用表的统计数据去估计不同查询计划的代价。

通过这些统计信息，我们可以选择最佳的连接和选择顺序，从多个查询方案中选择一个最佳的计划去执行。

优化器结构概览：

query-struct

简单总结一下查询优化器的构成：

Parser.Java 在初始化时会收集并构造所有表格的统计信息(包括极值, 分桶直方图等等)，并存到statsMap中。当有查询请求发送到Parser中时，会调用parseQuery方法去处理
parseQuery方法会把解析器解析后的结果去构造出一个LogicalPlan实例，然后调用LogicalPlan实例的physicalPlan方法, 构建一个物理执行计划(也即包含了各种执行算子)，然后返回的是结果记录的迭代器，也就是我们在lab2中做的东西都会在physicalPlan中会被调用。

可以看到，lab2我们保证的是一般的SQL语句能够执行；

而在lab3，我们要考虑的事情是怎么让SQL执行得更快，最佳的连接的顺序是什么等待。

个人理解，总体的，lab3的查询优化应该分为两个阶段：

第一阶段：收集表的统计信息，有了统计信息我们才可以进行估计；
第二阶段：针对 logicalPlan, 生成各种 physicalPlan, 并根据统计信息进行估计每一种 Plan 的代价，找出最优的执行方案。

lab3共有4个exercise，前面两个exercise做的是第一阶段事情，后面两个exercise做的是第二阶段是事情。

除了上面信息，实验的文档outline部分还给出了很多十分有用的信息，告诉我们如何去统计数据，如何去计算代价等等，可以说是指导方针了。

Exercise 1: IntHistogram.java

想要估计查询计划的代价，首先是得有统计数据。

统计直方图

那么数据是怎么从table中获取，以怎样的形式收集并统计呢？

这里用到了直方图。

简单来讲，一个直方图用于表示一个字段的统计信息，直方图将字段的值分为多个相同的区间，并统计每个区间的记录数，每个区间可以看做是一个桶，单个区间的范围大小看成桶的宽，记录数看成桶的宽，可以说是非常的形象：

这里采用了等宽直方图, 还由等深直方图

在这里插入图片描述

如果看不懂，可以看一下《数据库系统概念》里的图，帆船书里面的图会更容易懂一些。

一张人员信息表格，年龄字段的直方图如下：

在这里插入图片描述

exercise1 要做的就是根据给定的数据字段去构造出这样的直方图,然后是根据直方图的统计信息去估算某个值的选择性(selectivity)。

下面是文档描述信息：

IntHistogram

我们在这个实验只需要实现 IntHistogram ，而 StringHistogram 会将字符串转换为 int 类型然后调用 IntHistogram。

构造器

首先，是构造器与属性部分。

构造器给出直方图的数据范围（最大值最小值），桶的数量。

有了这些信息，就可以构造出一个空的直方图。

/**
 * 最大值
 */
private int   maxVal;
/**
 * 最小值
 */
private int   minVal;
/**
 * 高度
 */
private int[] heights;
/**
 * 桶
 */
private int   buckets;
/**
 * 总行数
 */
private int   totalTuples;
/**
 * 宽度
 */
private int   width;
/**
 * 最新的桶宽度？
 */
private int   lastBucketWidth;

对应的构造器如下：

public IntHistogram(int buckets, int min, int max) {
    this.minVal = min;
    this.maxVal = max;
    this.buckets = buckets;
    this.heights = new int[buckets];
    int total = max - min + 1;
    this.width = Math.max(total / buckets, 1);
    this.lastBucketWidth = total - (this.width * (buckets - 1));
    this.totalTuples = 0;
}

构造的是一个等宽的直方图。

添加值

@Override
public void addValue(Integer v) {
    //1. 范围判断
    if(v < minVal || v > maxVal) {
        return;
    }
    // 找到值对应的下标（定宽）
    int bucketIndex = (v - this.minVal) / this.width;
    if (bucketIndex >= this.buckets) {
        return;
    }
    this.totalTuples++;
    this.heights[bucketIndex]++;
}

计算某一个值的选择性

接下来是这个 exercise 的大块头，根据直方图已有的统计信息，去计算进行某种运算时某个值表格记录的选择性。

这部分的资料在 outline 很详细的给出如何估计：

等值运算

对于等值运算 f = const，我们要利用直方图估计一个等值表达式f = const的选择性，首先需要计算出包含该const值的桶，然后进行计算：result = (height / width) / totalTuples

可以这样考虑, 我们假设一个桶内的数据是均匀分布的, 比如一个桶由20个记录, 宽为1-5, 那么 const = 3 的记录数就是 20 / 5 = 4,也即利用平均值来进行估算而 (height / width) / totalTuples 就代表了 const = 3 的数据的在所有记录中的占比

对应实现：

private double estimateEqual(int bucketIndex, int predicateValue, int bucketWidth) {
    if (predicateValue < this.minVal || predicateValue > this.maxVal) {
        return 0;
    }

    // As the lab3 doc, result = (bucketHeight / bucketWidth) / totalTuples
    return (this.heights[bucketIndex]*1.0 / bucketWidth*1.0) / this.totalTuples*1.0;
}

非等值运算

对于非等值运算，我们采用的也是同样的思想：result = ((right - val) / bucketWidth) * (bucketTuples / totalTuples)

可以这样理解: (right - val) / bucketWidth) 代表了 f > const 在这个桶内的占比

(bucketTuples / totalTuples) 代表了这个桶在所有 tuples 的占比

二者相乘就是这个桶内 f > const 的占比

此外, 还要加上后续每一个桶的占比, 才是最终的 f > const 的结果

在这里插入图片描述

对应实现：

private double estimateGreater(int bucketIndex, int predicateValue, int bucketWidth) {
    if (predicateValue < this.minVal) {
        return 1.0;
    }
    if (predicateValue >= this.maxVal) {
        return 0;
    }
    // As the lab3 doc, result = ((right - val) / bucketWidth) * (bucketTuples / totalTuples)
    int bucketRight = bucketIndex * this.width + this.minVal;
    double bucketRatio = (bucketRight - predicateValue) * 1.0 / bucketWidth;
    double result = bucketRatio * (this.heights[bucketIndex] * 1.0 / this.totalTuples);
    int sum = 0;
    for (int i = bucketIndex + 1; i < this.buckets; i++) {
        sum += this.heights[i];
    }
    return (sum * 1.0) / this.totalTuples + result;
}

完整实现

有了上面的实现之后，我们就可以实现一个相对完整的实现了：

符号	概率
`>`	estimateGreater
`=`	estimateEqual
`<`	1 - estimateGreater - estimateEqual
`<=`	1 - estimateGreater
`>=`	estimateGreater + estimateEqual

实现：

@Override
public double estimateSelectivity(Op op, Integer v) {
    final int bucketIndex = Math.min((v - this.minVal) / this.width, this.buckets - 1);
    final int bucketWidth = bucketIndex < this.buckets - 1 ? this.width : this.lastBucketWidth;
    switch (op) {
        case EQUALS:
            return estimateEqual(bucketIndex, v, bucketWidth);
        case GREATER_THAN:
            return estimateGreater(bucketIndex, v, bucketWidth);
        case LESS_THAN:
            return 1 - estimateGreater(bucketIndex, v, bucketWidth) - estimateEqual(bucketIndex, v, bucketWidth);
        case GREATER_THAN_OR_EQ:
            return estimateEqual(bucketIndex, v, bucketWidth) + estimateGreater(bucketIndex, v, bucketWidth);
        case LESS_THAN_OR_EQ:
            return 1 - estimateGreater(bucketIndex, v, bucketWidth);
    }
    //? 还是0比较合理吧
    return -1;
}

StringHistogram

那么字符串类型的统计直方图要怎么实现呢？

我们可以在整数的基础上实现。

只需要将 String 转换为 Integer 即可。

构造器

public class StringHistogram implements Histogram<String> {

    /**
     * 整数类型的统计直方图
     */
    private final IntHistogram hist;

    /**
     * Create a new StringHistogram with a specified number of buckets.
     * <p>
     * Our implementation is written in terms of an IntHistogram by converting
     * each String to an integer.
     *
     * @param buckets the number of buckets
     */
    public StringHistogram(int buckets) {
        hist = new IntHistogram(buckets, minVal(), maxVal());
    }

    /** @return the maximum value indexed by the histogram */
    private int maxVal() {
        return stringToInt("zzzz");
    }

    /** @return the minimum value indexed by the histogram */
    private int minVal() {
        return stringToInt("");
    }
}

字符串转整数

其中字符串与整数的转换如下：

/**
 * Convert a string to an integer, with the property that if the return
 * value(s1) < return value(s2), then s1 < s2
 */
private int stringToInt(String s) {
    int i;
    int v = 0;
    for (i = 3; i >= 0; i--) {
        if (s.length() > 3 - i) {
            int ci = s.charAt(3 - i);
            v += (ci) << (i * 8);
        }
    }

    // XXX: hack to avoid getting wrong results for
    // strings which don't output in the range min to max
    if (!(s.equals("") || s.equals("zzzz"))) {
        if (v < minVal()) {
            v = minVal();
        }
        if (v > maxVal()) {
            v = maxVal();
        }
    }
    return v;
}

其他

其他实现就直接和整数一样了。

@Override
public void addValue(String v) {
    Integer integer = stringToInt(v);
    hist.addValue(integer);
}

@Override
public double estimateSelectivity(Op op, String v) {
    Integer integer = stringToInt(v);
    return hist.estimateSelectivity(op, integer);
}

@Override
public double avgSelectivity() {
    return hist.avgSelectivity();
}

Exercise 2: TableStats.java

给表创建直方图

exercise2要做的是根据给定的tableid，扫描出所有记录，并对每一个字段建立一个直方图。

下面是outline给出的指导方案：

简单总结一下：

扫描全表，把这个表每个字段的值给取出来, 对应函数 fetchFieldValues()
对于每个字段, 构建 histogram

实现

构造器

public class TableStats {

    /**
     * Number of bins for the histogram. Feel free to increase this value over
     * 100, though our tests assume that you have at least 100 bins in your
     * histograms.
     */
    private static final int NUM_HIST_BINS = 100;

    // FieldId -> histogram (String or Integer)
    private final Map<Integer, Histogram> histogramMap;
    /**
     * 总行数
     */
    private int totalTuples;
    /**
     * 总页数
     */
    private int totalPages;
    /**
     * 表标识
     */
    private int tableId;
    /**
     * io 每一页的消耗
     */
    private int ioCostPerPage;
    /**
     * 行描述
     */
    private TupleDesc tupleDesc;

    /**
     * Create a new TableStats object, that keeps track of statistics on each
     * column of a table
     *
     * @param tableId       The table over which to compute statistics
     * @param ioCostPerPage The cost per page of IO. This doesn't differentiate between sequential-scan IO and disk seeks.
     */
    public TableStats(int tableId, int ioCostPerPage) {
        this.ioCostPerPage = ioCostPerPage;
        this.tableId = tableId;
        this.histogramMap = new HashMap<>();
        this.totalTuples = 0;
        final HeapFile table = (HeapFile) Database.getCatalog().getDatabaseFile(tableId);
        this.totalPages = table.numPages();
        this.tupleDesc = table.getTupleDesc();
    }

}

初始化统计直方图

/**
 * 初始化统计信息
 * 遍历每一个字段，然后初始化对应的统计直方图。
 * <p>
 * ps: 不要和构造器耦合在一起
 */
public void initHistogramMap() {
    //1. 获取所有的字段
    Map<Integer, ArrayList> fieldValueMap = fetchFieldValues(tableId);
    //2. 构建直方图
    for (Map.Entry<Integer, ArrayList> entry : fieldValueMap.entrySet()) {
        int fieldIndex = entry.getKey();
        ArrayList valueList = entry.getValue();
        Type fieldType = tupleDesc.getFieldType(fieldIndex);
        if (Type.INT_TYPE.equals(fieldType)) {
            final List<Integer> values = (ArrayList<Integer>) valueList;
            final int minVal = Collections.min(values);
            final int maxVal = Collections.max(values);
            //2.1 构造整数直方图
            Histogram<Integer> intHistogram = new IntHistogram(NUM_HIST_BINS, minVal, maxVal);
            for (Integer integer : values) {
                intHistogram.addValue(integer);
                histogramMap.put(fieldIndex, intHistogram);
            }
        } else {
            //2.2 构造字符串直方图
            Histogram<String> stringHistogram = new StringHistogram(NUM_HIST_BINS);
            for (Object object : valueList) {
                String string = (String) object;
                stringHistogram.addValue(string);
                histogramMap.put(fieldIndex, stringHistogram);
            }
        }
    }
}

其中 fetchFieldValues 的实现如下：

/**
 * 遍历当前表所有的列
 *
 * @param tableId 表标识
 * @return 结果
 */
private Map<Integer, ArrayList> fetchFieldValues(final int tableId) {
    Map<Integer, ArrayList> resultMap = new HashMap<>();
    //1. 初始化 map 的类型
    for (int i = 0; i < tupleDesc.numFields(); i++) {
        Type fieldType = tupleDesc.getFieldType(i);
        if (Type.INT_TYPE.equals(fieldType)) {
            resultMap.put(i, new ArrayList<Integer>());
        } else {
            resultMap.put(i, new ArrayList<String>());
        }
    }

    //2. 遍历行
    final SeqScan seqScan = new SeqScan(new TransactionId(), tableId);
    seqScan.open();
    while (seqScan.hasNext()) {
        //2.1 遍历行
        Tuple tuple = seqScan.next();
        this.totalTuples++;
        //2. 遍历列
        for (int i = 0; i < tupleDesc.numFields(); i++) {
            Field field = tuple.getField(i);
            Type fieldType = field.getType();
            switch (fieldType) {
                case INT_TYPE:
                    int valueInt = ((IntField) field).getValue();
                    resultMap.get(i).add(valueInt);
                    break;
                case STRING_TYPE:
                    String valueStr = ((StringField) field).getValue();
                    ;
                    resultMap.get(i).add(valueStr);
                    break;
            }
        }
    }
    return resultMap;
}

概率计算

那么，获取某一个字段的统计概率实现如下：

/**
 * Estimate the selectivity of predicate <tt>field op constant</tt> on the table.
 *
 * @param field    The field over which the predicate ranges
 * @param op       The logical operation in the predicate
 * @param constant The value against which the field is compared
 * @return The estimated selectivity (fraction of tuples that satisfy) the predicate
 */
public double estimateSelectivity(int field, Op op, Field constant) {
    // some code goes here
    if (this.histogramMap.containsKey(field)) {
        switch (this.tupleDesc.getFieldType(field)) {
            case INT_TYPE: {
                final IntHistogram histogram = (IntHistogram) this.histogramMap.get(field);
                return histogram.estimateSelectivity(op, ((IntField) constant).getValue());
            }
            case STRING_TYPE: {
                final StringHistogram histogram = (StringHistogram) this.histogramMap.get(field);
                return histogram.estimateSelectivity(op, ((StringField) constant).getValue());
            }
        }
    }
    return 0.0;
}

表统计的管理类

我们可以针对表统计进行一次管理类实现，以便统一初始化所有的表。

属性

public class TableStatsManager {

    private static ConcurrentMap<String, TableStats> STATS_MAP = new ConcurrentHashMap<>();

    private static final int IOCOSTPERPAGE = 1000;

    //getter & setter
}

初始化概率

遍历所有的表，每一张表调用初始化对应的统计直方图信息。

public static void computeStatistics() {
    Iterator<Integer> tableIt = Database.getCatalog().tableIdIterator();
    System.out.println("Computing table stats.");
    while (tableIt.hasNext()) {
        int tableid = tableIt.next();
        TableStats s = new TableStats(tableid, IOCOSTPERPAGE);
        s.initHistogramMap();
        setTableStats(Database.getCatalog().getTableName(tableid), s);
    }
    System.out.println("Done.");
}

小结

我们想要获取更好的概率，那么首先要做的就是统计。

下一节，我们将一起学习一下如何实现最优概率的选择。

参考资料

https://github.com/CreatorsStack/CreatorDB/blob/master/document/lab2-resolve.md

# 一、实验概览
Exercise 1: IntHistogram.java
Exercise 2: TableStats.java
小结
参考资料

简易版数据库实现-07-MIT 6.830 SimpleDB Lab3 Resolve 查询优化表数据统计

# 一、实验概览

Exercise 1: IntHistogram.java

统计直方图

IntHistogram

构造器

添加值

计算某一个值的选择性

等值运算

非等值运算

完整实现

StringHistogram

构造器

字符串转整数

其他

Exercise 2: TableStats.java

给表创建直方图

实现

构造器

初始化统计直方图

概率计算

表统计的管理类

属性

初始化概率

小结

参考资料

更多学习