histogram与10053(zz)
histogram分为2种类型,基于高度的histogram和基于值的histogram
基于高度的histogram
当histogram buckets的数量少于列的distinct value时,oracle会采用基于高度的直方图反映数据分布,每个bucket容纳相同数量的值。
基本格式如下所示
SQL> column column_name format a20;
SQL> column ENDPOINT_ACTUAL_VALUE format a20;
SQL> SELECT COLUMN_NAME,ENDPOINT_NUMBER, ENDPOINT_VALUE,ENDPOINT_ACTUAL_VALUE
2 FROM DBA_HISTOGRAMS
3 WHERE TABLE_NAME ='TEST' AND COLUMN_NAME='OBJECT_ID'
4 ORDER BY ENDPOINT_NUMBER;
COLUMN_NAME ENDPOINT_NUMBER ENDPOINT_VALUE ENDPOINT_ACTUAL_VALU
-------------------- --------------- -------------- --------------------
OBJECT_ID 29 1
OBJECT_ID 44 2
OBJECT_ID 59 3
OBJECT_ID 74 4
OBJECT_ID 75 76
这里'OBJECT_ID'列有从1到76不同的76个值,bucket数量为75个,所以采取了基于高度的直方图。
可以看到1的值占据了1-29号bucket,2的值占据了30-44号bucket,3的值占据了45-59号bucket,4的值占据了60-74号bucket,值5-76占据了75号bucket。所以值1占的比例最大。
基于值的histogram
当histogram buckets>=列的distinct values时,那么Oracle会使用基于值的histogram,每个值将会占据一个bucket,来看一下
SQL> column column_name format a20;
SQL> column ENDPOINT_ACTUAL_VALUE format a20;
SQL> SELECT COLUMN_NAME,ENDPOINT_NUMBER, ENDPOINT_VALUE,ENDPOINT_ACTUAL_VALUE
2 FROM DBA_HISTOGRAMS
3 WHERE TABLE_NAME ='TEST' AND COLUMN_NAME='OBJECT_ID'
4 ORDER BY ENDPOINT_NUMBER;
COLUMN_NAME ENDPOINT_NUMBER ENDPOINT_VALUE ENDPOINT_ACTUAL_VALU
-------------------- --------------- -------------- --------------------
OBJECT_ID 19928 1
OBJECT_ID 29927 2
OBJECT_ID 39926 3
OBJECT_ID 49838 4
OBJECT_ID 49839 5
OBJECT_ID 49840 6
OBJECT_ID 49841 7
OBJECT_ID 49842 8
OBJECT_ID 49843 9
OBJECT_ID 49844 10
OBJECT_ID 49845 11
OBJECT_ID 49846 12
OBJECT_ID 49847 13
OBJECT_ID 49848 14
OBJECT_ID 49849 15
OBJECT_ID 49850 16
OBJECT_ID 49851 17
OBJECT_ID 49852 18
OBJECT_ID 49853 19
OBJECT_ID 49854 20
OBJECT_ID 49855 21
OBJECT_ID 49856 22
OBJECT_ID 49857 23
OBJECT_ID 49858 24
OBJECT_ID 49859 25
OBJECT_ID 49860 26
OBJECT_ID 49861 27
OBJECT_ID 49862 28
OBJECT_ID 49863 29
OBJECT_ID 49864 30
OBJECT_ID 49865 31
OBJECT_ID 49866 32
OBJECT_ID 49867 33
OBJECT_ID 49868 34
OBJECT_ID 49869 35
OBJECT_ID 49870 36
OBJECT_ID 49871 37
OBJECT_ID 49872 38
OBJECT_ID 49873 39
OBJECT_ID 49874 40
OBJECT_ID 49875 41
OBJECT_ID 49876 42
OBJECT_ID 49877 43
OBJECT_ID 49878 44
OBJECT_ID 49879 45
OBJECT_ID 49880 46
OBJECT_ID 49881 47
OBJECT_ID 49882 48
OBJECT_ID 49883 49
OBJECT_ID 49884 50
OBJECT_ID 49885 51
OBJECT_ID 49886 52
OBJECT_ID 49887 53
OBJECT_ID 49888 54
OBJECT_ID 49889 55
OBJECT_ID 49890 56
OBJECT_ID 49891 57
OBJECT_ID 49892 58
OBJECT_ID 49893 59
OBJECT_ID 49894 60
OBJECT_ID 49895 61
OBJECT_ID 49896 62
OBJECT_ID 49897 63
OBJECT_ID 49898 64
OBJECT_ID 49899 65
OBJECT_ID 49900 66
OBJECT_ID 49901 67
OBJECT_ID 49902 68
OBJECT_ID 49903 69
OBJECT_ID 49904 70
OBJECT_ID 49905 71
OBJECT_ID 49906 72
OBJECT_ID 49907 73
OBJECT_ID 49908 74
OBJECT_ID 49909 75
很明显可以看出与基于高度的histogram的区别,基于值的histogram为每一个值提供了一个bucket,从上面看到值1有19928行,值2有9999行,值3有9999行,值4有9912行,值5-75都分别只有1行,同样我们可以看出值1占的比例最大。
直方图的数据我们也看到了,但cbo怎么利用它来计算成本呢,做个10053看一下
alter session set events'10053 trace name context forever,level 1';
select object_name from test where object_id=1;
alter session set events'10053 trace name context off';
提取trace文件中的一段
***************************************
BASE STATISTICAL INFORMATION
***********************
Table Stats::
Table: TEST Alias: TEST
#Rows: 49909 #Blks: 707 AvgRowLen: 95.00
Index Stats::
Index: IND_TEST_OBJECT_ID Col#: 4
LVLS: 1 #LB: 179 #DK: 5 LB/K: 35.00 DB/K: 175.00 CLUF: 879.00
***************************************
SINGLE TABLE ACCESS PATH
Column (#4): OBJECT_ID(NUMBER)
AvgLen: 2.00 NDV: 75 Nulls: 0 Density: 1.0018e-05 Min: 1 Max: 75
Histogram: Freq #Bkts: 75 UncompBkts: 49909 EndPtVals: 75
Table: TEST Alias: TEST
Card: Original: 49909 Rounded: 19928 Computed: 19928.00 Non Adjusted: 19928.00
Access Path: TableScan
Cost: 158.56 Resp: 158.56 Degree: 0
Cost_io: 156.00 Cost_cpu: 18011198
Resp_io: 156.00 Resp_cpu: 18011198
Access Path: index (AllEqRange)
Index: IND_TEST_OBJECT_ID
resc_io: 423.00 resc_cpu: 11183699
ix_sel: 0.39929 ix_sel_with_filters: 0.39929
Cost: 424.59 Resp: 424.59 Degree: 1
Best:: AccessPath: TableScan
Cost: 158.56 Degree: 1 Resp: 158.56 Card: 19928.00 Bytes: 0
上面的selectivity就是通过histogram来计算的,如果不存在histogram的话那么selectivity=(1/number of distinct values),这里的selectivity=(值为1的行数/总行数)=(19928/49909)=0.39929
再根据索引扫描成本计算公式
io_cost=resc_io= blevel+FF*leaf_blocks+FF*clustering_factor
=1+0.39929*179+0.39929*879
=1+71.47291+350.97591
=423
所以index访问成本大于table scan成本,最终cbo选择的路线为采用tablescan.
如果选择object_id=75呢?
alter session set events'10053 trace name context forever,level 1';
select object_name from test where object_id=75;
alter session set events'10053 trace name context off';
***************************************
BASE STATISTICAL INFORMATION
***********************
Table Stats::
Table: TEST Alias: TEST
#Rows: 49909 #Blks: 707 AvgRowLen: 95.00
Index Stats::
Index: IND_TEST_OBJECT_ID Col#: 4
LVLS: 1 #LB: 179 #DK: 75 LB/K: 2.00 DB/K: 11.00 CLUF: 879.00
***************************************
SINGLE TABLE ACCESS PATH
Column (#4): OBJECT_ID(NUMBER)
AvgLen: 2.00 NDV: 75 Nulls: 0 Density: 1.0018e-05 Min: 1 Max: 75
Histogram: Freq #Bkts: 75 UncompBkts: 49909 EndPtVals: 75
Table: TEST Alias: TEST
Card: Original: 49909 Rounded: 1 Computed: 0.50 Non Adjusted: 0.50
Access Path: TableScan
Cost: 158.56 Resp: 158.56 Degree: 0
Cost_io: 156.00 Cost_cpu: 18011198
Resp_io: 156.00 Resp_cpu: 18011198
Access Path: index (AllEqRange)
Index: IND_TEST_OBJECT_ID
resc_io: 2.00 resc_cpu: 15503
ix_sel: 1.0018e-05 ix_sel_with_filters: 1.0018e-05
Cost: 2.00 Resp: 2.00 Degree: 1
Best:: AccessPath: IndexRange Index: IND_TEST_OBJECT_ID
Cost: 2.00 Degree: 1 Resp: 2.00 Card: 0.50 Bytes: 0
对于non-popular value(数量比较少的值,比如在基于高度histogram里跨度不超过一个bucket或在基于值的histogram里行数比较少的值),oracle采取了不再去计算selectivity,而是采用density来做为
做为selectivity,从HIST_HEAD$里可以看到density,oracle采用density function(密度函数)来估计列的密度。
SQL> select OBJ#,COL#,BUCKET_CNT,ROW_CNT,SAMPLE_SIZE,MINIMUM,MAXIMUM,DISTCNT,DENSITY from sys.HIST_HEAD$ where obj#=51933 AND COL#=4;
OBJ# COL# BUCKET_CNT ROW_CNT SAMPLE_SIZE MINIMUM MAXIMUM DISTCNT DENSITY
---------- ---------- ---------- ---------- ----------- ---------- ---------- ---------- ----------
51933 4 49909 75 49909 1 75 75 .000010018
io_cost=resc_io= blevel+FF*leaf_blocks+FF*clustering_factor
=1+1.0018e-05*179+1.0018e-05*879
=1+0.001793222+0.008805822
=2(因为最少会读2个块)
所以最后cbo选择了index scan。
这篇文章的目的是为了给需要的人一点提示,希望有兴趣的人能够举一反三。
关于10053可以参考
[url]http://www.**.org/post.php?action=edit&id=3&tid=44302&pid=293528&page=1[/url]
来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/20945761/viewspace-584578/,如需转载,请注明出处,否则将追究法律责任。
转载于:http://blog.itpub.net/20945761/viewspace-584578/
histogram与10053(zz)相关推荐
- [20170603]12c Top Frequency histogram.txt
---恢复内容开始--- [20170603]12c Top Frequency histogram.txt --//个人对直方图了解很少,以前2种直方图类型对于目前的许多应用来讲已经足够,或者讲遇到 ...
- 【性能优化】 之 10053 事件
1.验证全表扫描的成本计算公式,贴出执行计划和计算公式.<br> 2.给出B-tree索引 Unique scan的成本计算公式,贴出执行计划和计算公式.<br> 3.通过10 ...
- dodo:人脸识别方法个人见解(zz from prfans)
: dodo:人脸识别方法个人见解(zz from prfans) 发信站: 水木社区 (Tue Jul 10 14:00:00 2007), 站内 http://prfans.com/forum/r ...
- 当统计信息不准确时,CBO可能产生错误的执行计划,并在10053 trace中找到CBO出错的位置示例...
一.本文说明: 操作系统:rhel 5.4 x32 数据库:oracle 11g r2 x32 二.实验内容: ----创建一张jack表,并创建索引jack_ind---- 1 SQL> cr ...
- poj 2559 Largest Rectangle in a Histogram 栈
// poj 2559 Largest Rectangle in a Histogram 栈 // // n个矩形排在一块,不同的高度,让你求最大的矩形的面积(矩形紧挨在一起) // // 这道题用的 ...
- CUDA Samples: Calculate Histogram(atomicAdd)
以下CUDA sample是分别用C++和CUDA实现的计算一维直方图,并对其中使用到的CUDA函数进行了解说,code参考了<GPU高性能编程CUDA实战>一书的第九章,各个文件内容如下 ...
- LoadRunner Winsock 10053错误的真正原因
最近使用LoadRunner进行Winsock协议的性能测试时,测试的WebServer是JBoss,经常出现10053错误,现象如下:当我用lrs_create_socket创建连接之后,当这个so ...
- mysql报错代码10051_socket error 10061/11004/10053/10051等错误总结
Socket是应用层与TCP/IP协议族通信的中间软件抽象层,它是一组接口.在设计模式中,Socket其实就是一个门面模式,它把复杂的TCP/IP协议族隐藏在Socket接口后面,对用户来说,一组简单 ...
- zw版【转发·台湾nvp系列Delphi例程】HALCON Histogram
zw版[转发·台湾nvp系列Delphi例程]HALCON Histogram unit Unit1; interface uses Windows, Messages, SysUtils, Vari ...
最新文章
- 谷歌CEO皮猜致歉,被解雇的AI伦理研究员:根本没有认错
- but no declaration can be found for element #39;aop:aspectj-autoproxy#39;.
- 控制好你的 Wordpress 侧边栏
- wxss 点击样式_微信小程序点击控件修改样式实例详解
- CSS3动画详解(图文教程)
- python可视化图表工具_酷炫的可视化图表工具来帮忙 深度评测五大Python数据可视化工具...
- python自动截图发送邮件_PhantomJS按尺寸截取页面,并用python发送邮件
- java数组更新_java刷新数组到jList
- C#驱动级模拟按键操作
- Cloudera果然向云出手了!新机器学习服务采用云原生路径!
- 公钥与私钥 数字签名是什么?
- 60. Event onfocus 事件
- UIAlertController中TextField的用法
- linux搭建windows无盘系统,linux下无盘系统的安装
- C++SOCKET面试题附答案
- 高性能高频RFID电子标签全向通道设备|图书馆防盗门HX-CH-TD6760性能与安装注意事项
- 仅有爱情是不够的(转载)
- “师创杯”山东理工大学第九届ACM程序设计竞赛 正式赛 I.皮卡丘的梦想2【树状数组】水题
- 大数据all_in环境搭建
- nodejs require/import导包报错以及解决方法,chalk-animation库使用
热门文章
- 【EslaticSearch】ES 搜索引擎详解
- 《蜡笔小新》精彩语录
- 在“区块链+”时代,美体内衣前景如何?
- 农家美女DIY远距离传输设备 3公里外无线上网
- 个人统计的部分知名电脑配件品牌,分别有 主板、CPU、散热器、内存条、硬盘、独立显卡 和 机箱电源。欢迎不同意见与纠错
- Java岗大厂面试百日冲刺 - 日积月累,每日三题【Day17】
- 说说三星智能机那些事
- 组合游戏(分石子,nim游戏,sg)
- CS231n系列课程Lecture6: Training Neural Networks, Part 2
- android 新浪微博客户端开发