【CMU15-445 Part-11】Join Algorithms

Part11-Join Algorithms

Why Do We Need to Join?

Join其实是关系数据库和范式化表时候所产生的副产物。

也就是说我们范式化表是为了减少冗余信息，而我们使用join就是为了去重建reconstruct 这些原本的tuple

Join Algorithms

主要关注两表的inner equijoin algorithms

通常，较小的表作为左表(left table / outer table)进行join，右表叫做inner table

Join Operators

在叶子节点处对表访问，将表中的tuple作为输入传给父节点的operator。

考虑1. output 查询计划生成树join算子之间传递的是什么 2. 如何判断算法的优劣——Cost Analysis Criteria

1. 对于两个表R，S的tuple r,s进行join 级联操作，生成一个新的tuple，具体的内容取决于

   1. 查询处理模型 Query processing model (多个tuple)
   2. 存储模型 Storage model ，row / column 存
   3. 具体的query

   关于算子之间的输出传递，可以直接级联的结果进行传递，如果很多列则代价很大，可能进行一个预先的投影操作。还有就是only copy joins keys along with record ids.(特别针对列存) 叫做Late Materialization

   

2. I/O Cost Analysis

   计算join过程必须使用的I/O次数来估计成本。只关心join操作的成本，不关心最后输出结果或者其他因素。

   M pages in table R	m tuples in R
   N pages in table S	n tuples in S

Join VS Cross-Product

cross-product 交叉连接

Join Algorithms

包括Nested Loop Join、Sort-Merge join、Hash Join

Nested Loop Join

for each tuple r in R           // outer table
	for each tuple s in S:        // inner table
		 emit,if r and s match

stupid ! Cost: M + m* N 左表M个pages，然后m个tuple每次都扫描一次右表N个pages，代价就是M+m*N

优化：

1. 小表作为左表

2. Block Nested Loop Join

   使用block、page，可以多个tuple一个block/page，让outer table的一个block中所有tuple 完成和inner table中所有tuple的join，再去取下一个inner table的block。

   

   代价是：M+M*N，这里的话小表就是page少的了 不是tuple少的

3. 对于outer table使用尽可能多的内存buffer来保存他，即B-2个block 来保存左表，1 block for inner table, 1 block for output result。

   Cost = M + [M / (B-2)] * N

   如果buffer够大可以放开左表，那cost = M+N

1. 可以避免循序扫描通过使用index来找inner table matches

   1. 使用一个已经存在的index on inner table
   2. build one on the fly(hash table, B+ Tree) 针对join的index 叫做Spooling index. 查询结束删除index

   

   index不一定就是join on的key，也许join on col A and B，在A上有index也可以用索引探针（Index probe）来进行优化，先找A然后再匹配B列。

   假设C是index查找一个tuple的一个代价，Cost = M + m*C

2. Sort-Merge Join

   1. 第一阶段—排序：sort both tables on the join keys；可以使用external merge sort或者内存中的快排
   2. 第二阶段—合并：使用游标对排好序的两个表的tuple进行逐个比较，匹配就输出。双指针。

   

   可能会需要backtracking 回溯操作，回到该值在inner table中第一次出现的地方。只会对inner table进行backtracking。

   Cost =

   

   最差的情况：outer table中的每个值和inner table中的每个值都相等，每个tuple m都得回溯一次，COST = M * N + SORT COST

   Sort-Merge join 用处：如果有一个或者俩表都on join key排好序了；或者要求order by，需要对结果排序。特别有个索引排好序 且是聚簇索引

3. Hash Join：

   1. hash function是确定的，两个表相同的key hash 结果相同。

   2. 基于hash key来讲outer table拆分成多个分区，付出前期成本来将数据拆分以此让查找或者探测过程更快。即value hash → partition i，R tuple must be in r_i,S tuple must be in s_i。因此R tuples in r_i只需要和S tuples in s_i 比较来进行join

   3. Basic Hash Join Algorithm

      1. Build：循序扫描outer relation 然后pop到hashtable 使用h_1

      2. Probe：对inner relation扫描，使用h_1 将每个tuple进行hash处理；会跳到相同的位置然后看有没有匹配的tuple。

      3. Key：是join操作基于的属性；Value：取决于上层算子的输入。

         

      4. Hash Table Values

         1. Full Tuple：避免回表IO，但是需要更多内存。
         2. Tuple Identifier：tuple标识符例如record id，适用于列存，

   4. Probe Phase Optimization：再build阶段创建一个bloom filter，在没有查看hash table的情况下可以通过它来判断要查找的tuple是否在这个hashtable中。也叫做sizeways information passing横向信息传递。

      1. Bloom Filter：是一种概率数据结构（Probabilistic DS）（bitmap）用来处理set membership查询（近似成员查询：该key在不在我的集合中）包括操作：insert(x)，Lookup(x).好处是可能会假阳性，就是实际不在但是告诉你在，但是不会逻辑上影响正确性，不会假阴性就是在但是告诉你不在，这样就是逻辑错误了这种不会出现。
      2. 具体的优化是构建hash table的时候可能会溢出到磁盘，为key构建一个bloom filter，super small can fit in memory。避免潜在的无用的磁盘I/O

      

   5. Grace(partition) Hash Join：处理Hash Join don’t fit in memory

      1. Build Phase:基于hash key将两张表拆分成多个分区，拆分成两个单独的hash table，outer table和inner table各自有一张hash table。
      2. Probe Phase：比较两张表对应分区的tuples，对匹配的分区进行nested-loop join。

      bucket chain hash table而非linear probe hash table。因为想要相同的数据hash到同一位置或者映射到同一分区。一一匹配去scan。

      

      都hash到一个bucket就会出问题，用递归分区Recursive Partitioning来解决。使用另外一个hash function h2来建立bucket_r,i。如果有足够buffer，且所有数据都能放在内存中，可以跨分区进行join操作，COST = 3 *(M+N)。分区的时候要对M outertable N innertable进行一轮读和一轮写，probe一轮

      

Observation

如果DBMS直到outer table的size可以去调整hash table或者buffer size，如果可以都内存就线性hash，如果需要溢出到磁盘就bucket。如果不知道size，可以使用动态hash table（linear extendable hash table）或者允许overflow pages，但是代价会很高。

1. 什么情况下会不清楚outer table的size？ 回答：多个操作之间所产生的临时中间表的size

除非排好序，否则hash join永远比其他join来的好

sorting适合于non-uniform data 或者结果需要排序的情况。

range join anti join?