淺析SQL Server三大演算法的I/O成本

1. Nested Loop Join(嵌套迴圈連接)

演算法：

其思路相當的簡單和直接：對於關係R的每個元組 r 將其與關係S的每個元組 s 在JOIN條件的欄位上直接比較並篩選出合格元組。寫成虛擬碼就是：

代價：

被連接的表所處內層或外層的順序對磁碟I/O開銷有著非常重要的影響。而CPU開銷相對來說影響較小，主要是元組讀入記憶體以後(in-memory)的開銷，是 O (n * m)

對於I/O開銷，根據 page-at-a-time 的前提條件，I/O cost = M + M * N，

翻譯一下就是 I/O的開銷 = 讀取M頁的I/O開銷 + M次讀取N頁的I/O開銷。

2. Sort-Merge Join (排序合并連接)

Nested Loop一般在兩個集合都很大的情況下效率就相當差了，而Sort-Merge在這種情況下就比它要高效不少，尤其是當兩個集合的JOIN欄位上都有叢集索引(clustered index)存在時，Sort-Merge效能將達到最好。

演算法：

基本思路也很簡單(複習一下資料結構中的合并排序吧)，主要有兩個步驟：

a.按JOIN欄位進行排序

b.對兩組已排序集合進行合并排序，從來源端各自取得資料列後加以比較(需要根據是否在JOIN欄位有重複值做特殊的“分區”處理)

代價：(主要是I/O開銷)

有兩個因素左右Sort-Merge的開銷：JOIN欄位是否已排序 以及 JOIN欄位上的重複值有多少。

◆最好情況下(兩列都已排序且至少有一列沒有重複值)：O (n + m) 只需要對兩個集合各掃描一遍。（這裡的m，n如果都能用到索引那就更好了）

◆最差情況下(兩列都未排序且兩列上的所有值都相同)：O (n * log n + m * log m + n * m) 兩次排序以及一次全部元組間的笛卡爾乘積

3. Hash Join (雜湊連接)

Hash Join在本質上類似於兩列都有重複值時的Sort-Merge的處理思想——分區(patitioning)。但它們也有區別：Hash Join通過雜湊來分區(每一個桶就是一個分區)而Sort-Merge通過排序來分區(每一個重複值就是一個分區)。

值得注意的是，Hash Join與上述兩種演算法之間的較大區別同時也是一個較大限制是它只能應用於等值連接(equality join)，這主要是由於雜湊函數及其桶的確定性及無序性所導致的。

演算法：

基本的Hash Join演算法由以下兩步組成：

同nested loop，在執行計畫中build input位於上方，probe input位於下方。

hash join操作分兩個階段完成：build（構造）階段和probe（探測）階段。

a.Build Input Phase： 基於JOIN欄位，使用雜湊函數h2為較小的S集合構建記憶體中(in-memory)的雜湊表，相同索引值的以linked list組成一個桶(bucket)

b.Probe Input Phase： 在較大的R集合上對雜湊表進行核對以完成連接。

代價：

值得注意的是對於大集合R的每個元組 r ，hash bucket中對應 r 的那個bucket中的每個元組都需要與 r 進行比較，這也是演算法最耗時的地方所在。

CPU開銷是O (m + n * b) b是每個bucket的平均元組數量。

總結：

三種join方法，都是擁有兩個輸入，最佳化的基本原則：

1.避免大資料的hash join，（hash join適合低並發情況，他佔用記憶體和io是很大的）；

2.盡量將其轉化為高效的merge join、nested loop join。可能使用的手段有表結構設計、索引調整設計、SQL最佳化，以及業務設計最佳化。