Statistiques étendues

(sujet mis à jour avec la version 10 beta)

Permettre à PostgreSQL de ne pas boucler jusqu’à la folie

      En complément du "clustering factor", la sélectivité est un critère important pour savoir si le passage par un index peut être bénéfique et, plus généralement, déterminer un plan d’exécution optimal. Des statistiques sont ainsi collectées afin de savoir si tel critère présent dans la clause de filtrage permet d’écarter un grand pourcentage de lignes du jeu de résultats. Ces statistiques sont calculées colonne par colonne.
      Le contexte est toujours celui du clan de géants lançant des rochers. Nous allons supposer en renseignant la colonne GABARIT de la table "geants" que chaque géant a environ 30% de chances d’avoir un PETIT gabarit, 30% de chance d’avoir un gabarit MOYEN tandis que les autres géants ont un GRAND gabarit. Nous allons faire quasi de même pour les colonnes COULEUR, ERE, BERSERK et CYCLOPE. Mais, au lieu d’utiliser une valeur aléatoire différente pour chaque colonne, nous allons réutiliser la même valeur aléatoire. Elle sera donc aléatoire pour une ligne donnée mais pas pour une colonne. Autrement dit, dans quasi tous les cas, si un géant a un PETIT gabarit alors il aime le GRIS, il est de l’ère du TAUREAU, est BERSERK et CYCLOPE. La table "lancers" est générée entièrement aléatoirement, chaque géant comptera environ 1000 lancers. Nous allons déterminer la performances moyenne des "PETITS TAUREAUX GRIS BERSERKS CYCLOPES". Démonstration avec PostgreSQL 10 devel :

select version(); version ----------------------------------------------------------------------------------------------------- PostgreSQL 10devel on x86_64-pc-linux-gnu, compiled by gcc (Debian 6.3.0-12) 6.3.0 20170406, 64-bit (1 ligne) create table geants( idg integer generated always as identity primary key, genre char(1), taille smallint, masse smallint, actif boolean, devise varchar(128), pw smallint, heureux boolean, couleur varchar(8), veteran boolean, clan smallint, gabarit varchar(8), revenu integer, pm smallint, berserk boolean, tutelaire smallint, ere varchar(10), cyclope boolean); CREATE TABLE WITH serie(i, r1) AS (SELECT generate_series(1,100000,1), random()) insert into geants(genre, taille, masse, actif, devise, pw, heureux, couleur, veteran, clan, gabarit, revenu, pm, berserk, tutelaire, ere, cyclope) select case when random() < 0.45 then 'M' else 'F' end, 200 + (trunc(random() * 200 + 1)), 300 + (trunc(random() * 200 + 1)), case when random() < 0.01 then false when random() > 0.5 and random() < 0.99 then false else true end, upper(md5(random()::text)), (trunc(random()*100 + 1)), case when random() < 0.1 then false else true end, case when r1 <= 0.29998 then 'GRIS' when r1 <= 0.59998 then 'NOIR' else 'BLEU' end, case when random() < 0.9 then false else true end, (trunc(random()*1000 + 1)), case when r1 <= 0.29999 then 'PETIT' when r1 <= 0.59999 then 'MOYEN' else 'GRAND' end, (trunc(random()*1000000 + 1)), (trunc(random()*10 + 1)), case when r1 <= 0.3 then true when r1 <= 0.6 then false else null end, (trunc(random()*10 + 1)), case when r1 <= 0.30001 then 'TAUREAU' when r1 <= 0.60001 then 'LICORNE' else 'DRAGON' end, case when r1 <= 0.30002 then true when r1 <= 0.60002 then false else null end from serie; INSERT 0 100000 select couleur, gabarit, berserk, ere, cyclope , count(*) from geants group by couleur, gabarit, berserk, ere, cyclope order by 6 desc; couleur | gabarit | berserk | ere | cyclope | count ---------+---------+---------+---------+---------+------- BLEU | GRAND | | DRAGON | | 40057 NOIR | MOYEN | f | LICORNE | f | 30168 GRIS | PETIT | t | TAUREAU | t | 29767 BLEU | GRAND | | DRAGON | f | 4 NOIR | MOYEN | t | TAUREAU | t | 1 NOIR | PETIT | t | TAUREAU | t | 1 NOIR | MOYEN | f | TAUREAU | t | 1 BLEU | MOYEN | f | LICORNE | f | 1 (8 lignes) create table lancers(dtl timestamp, idg integer, perf integer); CREATE TABLE WITH serie(i) AS (SELECT generate_series(100000000,1,-1)) insert into lancers(dtl, idg, perf) select current_timestamp - (i || ' minutes')::interval, trunc(random() * 100000 + 1), case when random() <= 0.0001 then 50000 + trunc(random() * 50000 + 1) else trunc(random() * 50000 + 1) end from serie; INSERT 0 100000000 analyze geants; ANALYZE analyze lancers; ANALYZE explain analyze select g.idg, g.devise, avg(l.perf) from geants g join lancers l on (g.idg = l.idg) where g.couleur = 'GRIS' and g.gabarit = 'PETIT' and g.ere = 'TAUREAU' and berserk = true and cyclope = true group by g.idg, g.devise; QUERY PLAN ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ Finalize GroupAggregate (cost=1498350.43..1499133.96 rows=236 width=69) (actual time=38413.365..43407.921 rows=29767 loops=1) Group Key: g.idg -> Gather Merge (cost=1498350.43..1499128.65 rows=472 width=69) (actual time=38413.223..43340.402 rows=89301 loops=1) Workers Planned: 2 Workers Launched: 2 -> Partial GroupAggregate (cost=1497350.40..1498074.14 rows=236 width=69) (actual time=36245.188..41145.477 rows=29767 loops=3) Group Key: g.idg -> Sort (cost=1497350.40..1497590.86 rows=96184 width=41) (actual time=36244.758..38688.001 rows=9918549 loops=3) Sort Key: g.idg Sort Method: external merge Disk: 520488kB -> Hash Join (cost=3181.95..1486428.49 rows=96184 width=41) (actual time=43.189..20808.381 rows=9918549 loops=3) Hash Cond: (l.idg = g.idg) -> Parallel Seq Scan on lancers l (cost=0.00..957208.03 rows=41666703 width=8) (actual time=0.017..6278.902 rows=33333333 loops=3) -> Hash (cost=3179.00..3179.00 rows=236 width=37) (actual time=43.150..43.150 rows=29767 loops=3) Buckets: 32768 (originally 1024) Batches: 1 (originally 1) Memory Usage: 2262kB -> Seq Scan on geants g (cost=0.00..3179.00 rows=236 width=37) (actual time=0.012..34.166 rows=29767 loops=3) Filter: (berserk AND cyclope AND ((couleur)::text = 'GRIS'::text) AND ((gabarit)::text = 'PETIT'::text) AND ((ere)::text = 'TAUREAU'::text)) Rows Removed by Filter: 70233 Planning time: 0.276 ms Execution time: 61465.142 ms


      L’exécution de la requête a pris un peu plus d’1 minute. Un balayage complet des tables GEANTS et LANCERS est effectué et la jointure réalisée est de type HASH JOIN. Nous pouvons remarquer que l’estimation du planner en ce qui concerne le nombre de ligne renvoyées était complètement erronée. Si les données avaient été générées aléatoirement nous aurions bien autour de 0,3 X 0,3 X 0,3 X 0,3 X 0,3 X 100 000 = 243 géants de PETIT gabarit, aimant le GRIS, de l’ère du TAUREAU, BERSERK et CYCLOPE. L’estimation de 236 apparaissant dans le plan serait donc excellente. Mais malheureusement ce n’est pas le cas, nous avons une quasi dépendance entre les valeurs de ces 5 colonnes et le nombre de "PETITS TAUREAUX GRIS BERSERKS CYCLOPES" est bien plus élevé. L’exécution le confirme puisque 29767 géants sont dans ce cas.
      Cette estimation erronée n’a pas prêté à conséquence car, en l’absence d’index sur la table lancers, le planner n’avait pas trop le choix. Mais nous allons corser l’affaire. Un index composite est créé sur la table "lancers" pour les colonnes idg, dtl. Quel impact sur la requête ?

create index lancers_i1 on lancers(idg, dtl); CREATE INDEX explain analyze select g.idg, g.devise, avg(l.perf) from geants g join lancers l on (g.idg = l.idg) where g.couleur = 'GRIS' and g.gabarit = 'PETIT' and g.ere = 'TAUREAU' and berserk = true and cyclope = true group by g.idg, g.devise; QUERY PLAN ------------------------------------------------------------------------------------------------------------------------------------------------------------------------ Finalize GroupAggregate (cost=1024.45..316631.48 rows=236 width=69) (actual time=187839.599..4376609.290 rows=29767 loops=1) Group Key: g.idg -> Gather Merge (cost=1024.45..316626.17 rows=472 width=69) (actual time=171130.278..4376519.464 rows=29767 loops=1) Workers Planned: 2 Workers Launched: 2 -> Partial GroupAggregate (cost=24.42..315571.67 rows=236 width=69) (actual time=15587.501..4083171.466 rows=9922 loops=3) Group Key: g.idg -> Nested Loop (cost=24.42..315088.39 rows=96184 width=41) (actual time=110.304..4079736.384 rows=9918549 loops=3) -> Parallel Index Scan using geants_pkey on geants g (cost=0.29..3765.46 rows=98 width=37) (actual time=10.629..227.190 rows=9922 loops=3) Filter: (berserk AND cyclope AND ((couleur)::text = 'GRIS'::text) AND ((gabarit)::text = 'PETIT'::text) AND ((ere)::text = 'TAUREAU'::text)) Rows Removed by Filter: 23411 -> Bitmap Heap Scan on lancers l (cost=24.13..3166.98 rows=978 width=8) (actual time=9.512..410.745 rows=1000 loops=29767) Recheck Cond: (idg = g.idg) Heap Blocks: exact=6601169 -> Bitmap Index Scan on lancers_i1 (cost=0.00..23.89 rows=978 width=0) (actual time=8.853..8.853 rows=1000 loops=29767) Index Cond: (idg = g.idg) Planning time: 0.322 ms Execution time: 4376616.033 ms


      Catastrophe, la durée de la requêe explose : 1h13 ! Croyant à tort que le nombre de "PETITS TAUREAUX GRIS BERSERKS CYCLOPES" était faible le planner a choisi les boucles imbriquées pour effectuer la jointure. Mon environnement a de plus un problème particulier de ressources I/O et le parallélisme empire donc encore les choses.
      Rassurez-vous. Nous avons déjà tous les moyens de revenir au plan initial, par exemple en montant random_page_cost. Démonstration :

set random_page_cost=20; SET explain analyze select g.idg, g.devise, avg(l.perf) from geants g join lancers l on (g.idg = l.idg) where g.couleur = 'GRIS' and g.gabarit = 'PETIT' and g.ere = 'TAUREAU' and berserk = true and cyclope = true group by g.idg, g.devise; QUERY PLAN ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ Finalize GroupAggregate (cost=1487979.11..1487985.60 rows=236 width=69) (actual time=27916.753..27979.588 rows=29767 loops=1) Group Key: g.idg -> Sort (cost=1487979.11..1487980.29 rows=472 width=69) (actual time=27916.738..27936.696 rows=89301 loops=1) Sort Key: g.idg Sort Method: external merge Disk: 7352kB -> Gather (cost=1487908.59..1487958.15 rows=472 width=69) (actual time=27711.261..27836.767 rows=89301 loops=1) Workers Planned: 2 Workers Launched: 2 -> Partial HashAggregate (cost=1486908.59..1486910.95 rows=236 width=69) (actual time=27606.392..27622.364 rows=29767 loops=3) Group Key: g.idg -> Hash Join (cost=3181.95..1486427.67 rows=96184 width=41) (actual time=84.643..21408.035 rows=9918549 loops=3) Hash Cond: (l.idg = g.idg) -> Parallel Seq Scan on lancers l (cost=0.00..957207.67 rows=41666667 width=8) (actual time=0.032..6438.013 rows=33333333 loops=3) -> Hash (cost=3179.00..3179.00 rows=236 width=37) (actual time=84.566..84.566 rows=29767 loops=3) Buckets: 32768 (originally 1024) Batches: 1 (originally 1) Memory Usage: 2262kB -> Seq Scan on geants g (cost=0.00..3179.00 rows=236 width=37) (actual time=0.014..76.150 rows=29767 loops=3) Filter: (berserk AND cyclope AND ((couleur)::text = 'GRIS'::text) AND ((gabarit)::text = 'PETIT'::text) AND ((ere)::text = 'TAUREAU'::text)) Rows Removed by Filter: 70233 Planning time: 0.364 ms Execution time: 27983.977 ms


      Cela fonctionne, nous retournons sur de la jointure par HASH JOIN et le temps d’exécution passe sous les 30 secondes. Il serait cependant intéressant de pouvoir fournir au planner l’information dont nous disposons, c’est à dire la quasi dépendance entre les 5 colonnes.
      C’est là qu’interviennent les statistiques étendues introduites avec PostgreSQL 10, elles sont créées avec CREATE STATISTICS mais sont calculées avec ANALYZE :

create statistics geants_couleur_gabarit_ere_berserk_cyclope with(dependencies, ndistinct) on (couleur, gabarit, ere, berserk, cyclope) from geants; CREATE STATISTICS analyze geants; ANALYZE Time: 3808,133 ms (00:03,808) select * from pg_statistic_ext; starelid | 57502 staname | geants_couleur_gabarit_ere_berserk_cyclope stanamespace | 2200 staowner | 10 stakeys | 9 12 15 17 18 staenabled | {d,f} standistinct | [{(b 9 12), 3.000000}, {(b 9 15), 3.000000}, {(b 9 17), 3.000000}, {(b 9 18), 4.000000}, {(b 12 15), 3.000000}, {(b 12 17), 3.000000}, {(b 12 18), 4.000000}, {(b 15 17), 3.000000}, {(b 15 18), 4.000000}, {(b 17 18), 4.000000}, {(b 9 12 15), 3.000000}, {(b 9 12 17), 3.000000}, {(b 9 12 18), 4.000000}, {(b 9 15 17), 3.000000}, {(b 9 15 18), 4.000000}, {(b 9 17 18), 4.000000}, {(b 12 15 17), 3.000000}, {(b 12 15 18), 4.000000}, {(b 12 17 18), 4.000000}, {(b 15 17 18), 4.000000}, {(b 9 12 15 17), 3.000000}, {(b 9 12 15 18), 4.000000}, {(b 9 12 17 18), 4.000000}, {(b 9 15 17 18), 4.000000}, {(b 12 15 17 18), 4.000000}, {(b 9 12 15 17 18), 4.000000}] stadependencies | [{9 => 12 : 1.000000}, {9 => 15 : 1.000000}, {9 => 17 : 1.000000}, {9 => 18 : 0.602767}, {12 => 9 : 1.000000}, {12 => 15 : 1.000000}, {12 => 17 : 1.000000}, {12 => 18 : 0.602767}, {15 => 9 : 1.000000}, {15 => 12 : 1.000000}, {15 => 17 : 1.000000}, {15 => 18 : 0.602767}, {17 => 9 : 1.000000}, {17 => 12 : 1.000000}, {17 => 15 : 1.000000}, {17 => 18 : 0.602767}, {18 => 9 : 0.695500}, {18 => 12 : 0.695500}, {18 => 15 : 0.695500}, {18 => 17 : 0.695500}, {9, 12 => 15 : 1.000000}, {9, 12 => 17 : 1.000000}, {9, 12 => 18 : 0.602767}, {9, 15 => 12 : 1.000000}, {9, 15 => 17 : 1.000000}, {9, 15 => 18 : 0.602767}, {9, 17 => 12 : 1.000000}, {9, 17 => 15 : 1.000000}, {9, 17 => 18 : 0.602767}, {9, 18 => 12 : 1.000000}, {9, 18 => 15 : 1.000000}, {9, 18 => 17 : 1.000000}, {12, 15 => 9 : 1.000000}, {12, 15 => 17 : 1.000000}, {12, 15 => 18 : 0.602767}, {12, 17 => 9 : 1.000000}, {12, 17 => 15 : 1.000000}, {12, 17 => 18 : 0.602767}, {12, 18 => 9 : 1.000000}, {12, 18 => 15 : 1.000000}, {12, 18 => 17 : 1.000000}, {15, 17 => 9 : 1.000000}, {15, 17 => 12 : 1.000000}, {15, 17 => 18 : 0.602767}, {15, 18 => 9 : 1.000000}, {15, 18 => 12 : 1.000000}, {15, 18 => 17 : 1.000000}, {17, 18 => 9 : 1.000000}, {17, 18 => 12 : 1.000000}, {17, 18 => 15 : 1.000000}, {9, 12, 15 => 17 : 1.000000}, {9, 12, 15 => 18 : 0.602767}, {9, 12, 17 => 15 : 1.000000}, {9, 12, 17 => 18 : 0.602767}, {9, 12, 18 => 15 : 1.000000}, {9, 12, 18 => 17 : 1.000000}, {9, 15, 17 => 12 : 1.000000}, {9, 15, 17 => 18 : 0.602767}, {9, 15, 18 => 12 : 1.000000}, {9, 15, 18 => 17 : 1.000000}, {9, 17, 18 => 12 : 1.000000}, {9, 17, 18 => 15 : 1.000000}, {12, 15, 17 => 9 : 1.000000}, {12, 15, 17 => 18 : 0.602767}, {12, 15, 18 => 9 : 1.000000}, {12, 15, 18 => 17 : 1.000000}, {12, 17, 18 => 9 : 1.000000}, {12, 17, 18 => 15 : 1.000000}, {15, 17, 18 => 9 : 1.000000}, {15, 17, 18 => 12 : 1.000000}, {9, 12, 15, 17 => 18 : 0.602767}, {9, 12, 15, 18 => 17 : 1.000000}, {9, 12, 17, 18 => 15 : 1.000000}, {9, 15, 17, 18 => 12 : 1.000000}, {12, 15, 17, 18 => 9 : 1.000000}]


      La colonne statkeys nous informe que la statistique geants_couleur_gabarit_ere_berserk_cyclope concerne les colonnes 9 (COULEUR), 12 (GABARIT), 15 (BERSERK), 17 (ERE), 18 (CYCLOPE).
      La colonne standistinct nous informe par exemple via {(b 9 12), 3.000000} qu’il existe 3 combinaisons COULEUR, GABARIT significatives.
      Enfin la colonne stadependencies nous informe par exemple via {9 => 12 : 1.000000} que connaître la valeur de la colonne COULEUR pour une ligne permet de déduire la valeur de la colonne GABARIT.
      Il y a pour l’instant un ou deux Nota Bene, deux ou trois quiproquo comme dirait le Génie d’Aladdin. D’abord les statistiques étendues n’ont aucun effet dans mon exemple :

set random_page_cost=4; SET explain select g.idg, g.devise, avg(l.perf) from geants g join lancers l on (g.idg = l.idg) where g.couleur = 'GRIS' and g.gabarit = 'PETIT' and g.ere = 'TAUREAU' and berserk = true and cyclope = true group by g.idg, g.devise; QUERY PLAN ------------------------------------------------------------------------------------------------------------------------------------------------------------------------ Finalize GroupAggregate (cost=1024.45..316631.48 rows=236 width=69) Group Key: g.idg -> Gather Merge (cost=1024.45..316626.17 rows=472 width=69) Workers Planned: 2 -> Partial GroupAggregate (cost=24.42..315571.67 rows=236 width=69) Group Key: g.idg -> Nested Loop (cost=24.42..315088.39 rows=96184 width=41) -> Parallel Index Scan using geants_pkey on geants g (cost=0.29..3765.46 rows=98 width=37) Filter: (berserk AND cyclope AND ((couleur)::text = 'GRIS'::text) AND ((gabarit)::text = 'PETIT'::text) AND ((ere)::text = 'TAUREAU'::text)) -> Bitmap Heap Scan on lancers l (cost=24.13..3166.98 rows=978 width=8) Recheck Cond: (idg = g.idg) -> Bitmap Index Scan on lancers_i1 (cost=0.00..23.89 rows=978 width=0) Index Cond: (idg = g.idg) (13 lignes)


      Toujours une estimation de 236 lignes, il existe pour l’instant des restrictions dans l’utilisation des statistiques étendues par le planner.
      Il existe un autre problème potentiel. Comment le planner peut-il savoir que GABARIT=PETIT donne ERE=TAUREAU et pas ERE=LICORNE sur la base des informations de statistiques étendues ? Si les distributions de valeur étaient réparties de manière très différentes il pourrait à la rigueur le déduire des statistiques par colonne mais ici (en en général) c’est impossible. Vérification avec un exemple simple tiré de la documentation PostgreSQL :

CREATE TABLE t (a INT, b INT); CREATE TABLE Temps : 349,746 ms INSERT INTO t SELECT i % 100, i % 100 FROM generate_series(1, 10000) s(i); INSERT 0 10000 Temps : 74,101 ms CREATE STATISTICS stts WITH (dependencies) ON (a, b) FROM t; CREATE STATISTICS analyze t; ANALYZE select * from pg_statistic_ext; starelid | 57514 staname | stts stanamespace | 2200 staowner | 10 stakeys | 1 2 staenabled | {f} standistinct | stadependencies | [{1 => 2 : 1.000000}, {2 => 1 : 1.000000}] explain analyze select * from t where a = 1 and b = 1; QUERY PLAN ------------------------------------------------------------------------------------------------- Seq Scan on t (cost=0.00..195.00 rows=100 width=8) (actual time=0.010..0.799 rows=100 loops=1) Filter: ((a = 1) AND (b = 1)) Rows Removed by Filter: 9900 Planning time: 0.093 ms Execution time: 0.819 ms (5 lignes) explain analyze select * from t where a = 1 and b = 2; QUERY PLAN ----------------------------------------------------------------------------------------------- Seq Scan on t (cost=0.00..195.00 rows=100 width=8) (actual time=0.995..0.995 rows=0 loops=1) Filter: ((a = 1) AND (b = 2)) Rows Removed by Filter: 10000 Planning time: 0.059 ms Execution time: 1.011 ms


      Pour a=1 et b=1, grâce aux statistiques étendues qui indiquent qu’il existe une dépendance entre a et b, le planner sait que la requête ne va pas retourner 1 ligne mais 100. Attention cependant aux limites que j’ai évoquées précédemment. Pour a = 1 et b = 2 il croit également que la requête va ramener 100 lignes alors qu’elle va évidemment en ramener...0. Cependant ce n’est pas si grave lorsque le but est d’éviter de surestimer la sélectivité, comme dans mon exemple du clan des géants.

Conclusion...provisoire

      Statistiques multi-colonnes, statistiques étendues : les bases sont posées pour une avancée majeure au niveau des capacités du planner de PostgreSQL. PostgreSQL 10 est encore en développement mais il sera très intéressant de suivre l’évolution de la fonctionnalité jusqu’à sa sortie et au cours des futures versions.

Mise à jour : 23/04/2017