PostgreSQL-ലെ സമാന്തര അന്വേഷണങ്ങൾ

ആധുനിക സിപിയുവിന് ധാരാളം കോറുകൾ ഉണ്ട്. വർഷങ്ങളായി, ആപ്ലിക്കേഷനുകൾ സമാന്തരമായി ഡാറ്റാബേസുകളിലേക്ക് ചോദ്യങ്ങൾ അയയ്ക്കുന്നു. ഇത് ഒരു പട്ടികയിലെ ഒന്നിലധികം വരികളിലെ റിപ്പോർട്ട് അന്വേഷണമാണെങ്കിൽ, ഒന്നിലധികം സിപിയു ഉപയോഗിക്കുമ്പോൾ അത് വേഗത്തിൽ പ്രവർത്തിക്കുന്നു, കൂടാതെ പതിപ്പ് 9.6 മുതൽ PostgreSQL-ന് ഇത് ചെയ്യാൻ കഴിയും.

സമാന്തര അന്വേഷണ ഫീച്ചർ നടപ്പിലാക്കാൻ 3 വർഷമെടുത്തു - ക്വറി എക്സിക്യൂഷന്റെ വിവിധ ഘട്ടങ്ങളിൽ ഞങ്ങൾക്ക് കോഡ് വീണ്ടും എഴുതേണ്ടി വന്നു. കോഡ് കൂടുതൽ മെച്ചപ്പെടുത്തുന്നതിനായി PostgreSQL 9.6 ഇൻഫ്രാസ്ട്രക്ചർ അവതരിപ്പിച്ചു. തുടർന്നുള്ള പതിപ്പുകളിൽ, മറ്റ് തരത്തിലുള്ള അന്വേഷണങ്ങൾ സമാന്തരമായി നടപ്പിലാക്കുന്നു.

നിയന്ത്രണങ്ങൾ

• എല്ലാ കോറുകളും ഇതിനകം തിരക്കിലാണെങ്കിൽ സമാന്തര നിർവ്വഹണം പ്രവർത്തനക്ഷമമാക്കരുത്, അല്ലാത്തപക്ഷം മറ്റ് അഭ്യർത്ഥനകൾ മന്ദഗതിയിലാകും.
• ഏറ്റവും പ്രധാനമായി, ഉയർന്ന WORK_MEM മൂല്യങ്ങളുള്ള സമാന്തര പ്രോസസ്സിംഗ് ധാരാളം മെമ്മറി ഉപയോഗിക്കുന്നു - ഓരോ ഹാഷ് ജോയിനും അല്ലെങ്കിൽ സോർട്ടും work_mem മെമ്മറി എടുക്കുന്നു.
• സമാന്തര നിർവ്വഹണം വഴി കുറഞ്ഞ ലേറ്റൻസി OLTP അന്വേഷണങ്ങൾ ത്വരിതപ്പെടുത്താൻ കഴിയില്ല. ചോദ്യം ഒരു വരി നൽകുകയാണെങ്കിൽ, സമാന്തര പ്രോസസ്സിംഗ് അതിനെ മന്ദഗതിയിലാക്കും.
• TPC-H ബെഞ്ച്മാർക്ക് ഉപയോഗിക്കാൻ ഡവലപ്പർമാർ ഇഷ്ടപ്പെടുന്നു. സമാന്തരമായ നിർവ്വഹണത്തിനായി നിങ്ങൾക്ക് സമാനമായ ചോദ്യങ്ങൾ ഉണ്ടായിരിക്കാം.
• പ്രെഡിക്കേറ്റ് ലോക്കിംഗ് ഇല്ലാത്ത SELECT അന്വേഷണങ്ങൾ മാത്രമേ സമാന്തരമായി നടപ്പിലാക്കുകയുള്ളൂ.
• പാരലൽ മോഡിൽ സീക്വൻഷ്യൽ ടേബിൾ സ്കാൻ ചെയ്യുന്നതിനേക്കാൾ ചിലപ്പോൾ ശരിയായ ഇൻഡക്‌സിംഗ് നല്ലതാണ്.
• ചോദ്യങ്ങളും കഴ്‌സറുകളും താൽക്കാലികമായി നിർത്തുന്നത് പിന്തുണയ്ക്കുന്നില്ല.
• വിൻഡോ ഫംഗ്‌ഷനുകളും ഓർഡർ ചെയ്‌ത സെറ്റ് അഗ്രഗേറ്റ് ഫംഗ്‌ഷനുകളും സമാന്തരമല്ല.
• I/O ജോലിഭാരത്തിൽ നിങ്ങൾ ഒന്നും നേടുന്നില്ല.
• സമാന്തര സോർട്ടിംഗ് അൽഗോരിതങ്ങൾ ഒന്നുമില്ല. എന്നാൽ തരങ്ങളുള്ള അന്വേഷണങ്ങൾ ചില വശങ്ങളിൽ സമാന്തരമായി നടപ്പിലാക്കാൻ കഴിയും.
• സമാന്തര പ്രോസസ്സിംഗ് പ്രവർത്തനക്ഷമമാക്കാൻ CTE (WITH ...) നെസ്റ്റഡ് SELECT ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുക.
• മൂന്നാം കക്ഷി ഡാറ്റ റാപ്പറുകൾ ഇതുവരെ സമാന്തര പ്രോസസ്സിംഗിനെ പിന്തുണയ്ക്കുന്നില്ല (പക്ഷേ അവർക്ക് കഴിയും!)
• ഫുൾ ഔട്ടർ ജോയിൻ പിന്തുണയ്ക്കുന്നില്ല.
• max_rows സമാന്തര പ്രോസസ്സിംഗ് പ്രവർത്തനരഹിതമാക്കുന്നു.
• ഒരു ചോദ്യത്തിന് പാരലൽ സേഫ് എന്ന് അടയാളപ്പെടുത്തിയിട്ടില്ലാത്ത ഒരു ഫംഗ്‌ഷൻ ഉണ്ടെങ്കിൽ, അത് ഒറ്റ ത്രെഡ് ആയിരിക്കും.
• SERIALISABLE ട്രാൻസാക്ഷൻ ഐസൊലേഷൻ ലെവൽ സമാന്തര പ്രോസസ്സിംഗ് പ്രവർത്തനരഹിതമാക്കുന്നു.

ടെസ്റ്റ് പരിസ്ഥിതി

PostgreSQL ഡവലപ്പർമാർ TPC-H ബെഞ്ച്മാർക്ക് ചോദ്യങ്ങളുടെ പ്രതികരണ സമയം കുറയ്ക്കാൻ ശ്രമിച്ചു. ബെഞ്ച്മാർക്ക് ഡൗൺലോഡ് ചെയ്യുക ഒപ്പം PostgreSQL-ലേക്ക് ഇത് പൊരുത്തപ്പെടുത്തുക. ഇത് TPC-H ബെഞ്ച്‌മാർക്കിന്റെ അനൗദ്യോഗിക ഉപയോഗമാണ് - ഡാറ്റാബേസിനോ ഹാർഡ്‌വെയർ താരതമ്യത്തിനോ വേണ്ടിയല്ല.

1. TPC-H_Tools_v2.17.3.zip (അല്ലെങ്കിൽ പുതിയ പതിപ്പ്) ഡൗൺലോഡ് ചെയ്യുക ടിപിസി ഓഫ്സൈറ്റിൽ നിന്ന്.
2. makefile.suite-ന്റെ പേര് Makefile എന്നാക്കി മാറ്റുക, ഇവിടെ വിവരിച്ചിരിക്കുന്നത് പോലെ മാറ്റുക: https://github.com/tvondra/pg_tpch . മേക്ക് കമാൻഡ് ഉപയോഗിച്ച് കോഡ് കംപൈൽ ചെയ്യുക.
3. ഡാറ്റ സൃഷ്ടിക്കുക: ./dbgen -s 10 23 ജിബി ഡാറ്റാബേസ് സൃഷ്ടിക്കുന്നു. സമാന്തരവും അല്ലാത്തതുമായ അന്വേഷണങ്ങളുടെ പ്രകടനത്തിലെ വ്യത്യാസം കാണാൻ ഇത് മതിയാകും.
4. ഫയലുകൾ പരിവർത്തനം ചെയ്യുക tbl в csv с for и sed.
5. ശേഖരം ക്ലോൺ ചെയ്യുക pg_tpch കൂടാതെ ഫയലുകൾ പകർത്തുക csv в pg_tpch/dss/data.
6. ഒരു കമാൻഡ് ഉപയോഗിച്ച് ചോദ്യങ്ങൾ സൃഷ്ടിക്കുക qgen.
7. കമാൻഡ് ഉപയോഗിച്ച് ഡാറ്റാബേസിലേക്ക് ഡാറ്റ ലോഡ് ചെയ്യുക ./tpch.sh.

പാരലൽ സീക്വൻഷ്യൽ സ്കാനിംഗ്

പാരലൽ റീഡിംഗ് കൊണ്ടല്ല, പല സിപിയു കോറുകളിലുടനീളം ഡാറ്റ വ്യാപിച്ചിരിക്കുന്നതിനാൽ ഇത് വേഗതയേറിയതാകാം. ആധുനിക ഓപ്പറേറ്റിംഗ് സിസ്റ്റങ്ങളിൽ, PostgreSQL ഡാറ്റ ഫയലുകൾ നന്നായി കാഷെ ചെയ്യുന്നു. മുന്നോട്ട് വായിക്കുമ്പോൾ, പിജി ഡെമൺ അഭ്യർത്ഥനകളേക്കാൾ വലിയൊരു ബ്ലോക്ക് സ്റ്റോറേജിൽ നിന്ന് ലഭിക്കും. അതിനാൽ, അന്വേഷണ പ്രകടനം ഡിസ്ക് I/O വഴി പരിമിതപ്പെടുത്തിയിട്ടില്ല. ഇത് സിപിയു സൈക്കിളുകൾ ഉപയോഗിക്കുന്നു:

• പട്ടിക പേജുകളിൽ നിന്ന് വരികൾ ഓരോന്നായി വായിക്കുക;
• സ്ട്രിംഗ് മൂല്യങ്ങളും വ്യവസ്ഥകളും താരതമ്യം ചെയ്യുക WHERE.

നമുക്ക് ഒരു ലളിതമായ ചോദ്യം പ്രവർത്തിപ്പിക്കാം select:

tpch=# explain analyze select l_quantity as sum_qty from lineitem where l_shipdate <= date '1998-12-01' - interval '105' day;
QUERY PLAN
--------------------------------------------------------------------------------------------------------------------------
Seq Scan on lineitem (cost=0.00..1964772.00 rows=58856235 width=5) (actual time=0.014..16951.669 rows=58839715 loops=1)
Filter: (l_shipdate <= '1998-08-18 00:00:00'::timestamp without time zone)
Rows Removed by Filter: 1146337
Planning Time: 0.203 ms
Execution Time: 19035.100 ms

സീക്വൻഷ്യൽ സ്കാൻ അഗ്രഗേഷൻ കൂടാതെ നിരവധി വരികൾ നിർമ്മിക്കുന്നു, അതിനാൽ ഒരു സിപിയു കോർ ഉപയോഗിച്ചാണ് അന്വേഷണം നടപ്പിലാക്കുന്നത്.

നിങ്ങൾ ചേർത്താൽ SUM(), ചോദ്യം വേഗത്തിലാക്കാൻ രണ്ട് വർക്ക്ഫ്ലോകൾ സഹായിക്കുമെന്ന് നിങ്ങൾക്ക് കാണാൻ കഴിയും:

explain analyze select sum(l_quantity) as sum_qty from lineitem where l_shipdate <= date '1998-12-01' - interval '105' day;
QUERY PLAN
----------------------------------------------------------------------------------------------------------------------------------------------------
Finalize Aggregate (cost=1589702.14..1589702.15 rows=1 width=32) (actual time=8553.365..8553.365 rows=1 loops=1)
-> Gather (cost=1589701.91..1589702.12 rows=2 width=32) (actual time=8553.241..8555.067 rows=3 loops=1)
Workers Planned: 2
Workers Launched: 2
-> Partial Aggregate (cost=1588701.91..1588701.92 rows=1 width=32) (actual time=8547.546..8547.546 rows=1 loops=3)
-> Parallel Seq Scan on lineitem (cost=0.00..1527393.33 rows=24523431 width=5) (actual time=0.038..5998.417 rows=19613238 loops=3)
Filter: (l_shipdate <= '1998-08-18 00:00:00'::timestamp without time zone)
Rows Removed by Filter: 382112
Planning Time: 0.241 ms
Execution Time: 8555.131 ms

സമാന്തര സമാഹരണം

പാരലൽ സെക് സ്കാൻ നോഡ് ഭാഗിക അഗ്രഗേഷനായി വരികൾ നിർമ്മിക്കുന്നു. "ഭാഗിക അഗ്രഗേറ്റ്" നോഡ് ഈ വരികൾ ഉപയോഗിച്ച് ട്രിം ചെയ്യുന്നു SUM(). അവസാനം, ഓരോ തൊഴിലാളി പ്രക്രിയയിൽ നിന്നും SUM കൗണ്ടർ "Gather" നോഡ് ശേഖരിക്കുന്നു.

അന്തിമ ഫലം കണക്കാക്കുന്നത് "ഫൈനലൈസ് അഗ്രഗേറ്റ്" നോഡ് ആണ്. നിങ്ങൾക്ക് സ്വന്തമായി അഗ്രഗേഷൻ ഫംഗ്‌ഷനുകൾ ഉണ്ടെങ്കിൽ, അവയെ "സമാന്തര സുരക്ഷിതം" എന്ന് അടയാളപ്പെടുത്താൻ മറക്കരുത്.

തൊഴിലാളി പ്രക്രിയകളുടെ എണ്ണം

സെർവർ പുനരാരംഭിക്കാതെ തന്നെ തൊഴിലാളി പ്രക്രിയകളുടെ എണ്ണം വർദ്ധിപ്പിക്കാൻ കഴിയും:

explain analyze select sum(l_quantity) as sum_qty from lineitem where l_shipdate <= date '1998-12-01' - interval '105' day;
QUERY PLAN
----------------------------------------------------------------------------------------------------------------------------------------------------
Finalize Aggregate (cost=1589702.14..1589702.15 rows=1 width=32) (actual time=8553.365..8553.365 rows=1 loops=1)
-> Gather (cost=1589701.91..1589702.12 rows=2 width=32) (actual time=8553.241..8555.067 rows=3 loops=1)
Workers Planned: 2
Workers Launched: 2
-> Partial Aggregate (cost=1588701.91..1588701.92 rows=1 width=32) (actual time=8547.546..8547.546 rows=1 loops=3)
-> Parallel Seq Scan on lineitem (cost=0.00..1527393.33 rows=24523431 width=5) (actual time=0.038..5998.417 rows=19613238 loops=3)
Filter: (l_shipdate <= '1998-08-18 00:00:00'::timestamp without time zone)
Rows Removed by Filter: 382112
Planning Time: 0.241 ms
Execution Time: 8555.131 ms

എന്താണ് ഇവിടെ നടക്കുന്നത്? 2 മടങ്ങ് കൂടുതൽ ജോലി പ്രക്രിയകൾ ഉണ്ടായിരുന്നു, അഭ്യർത്ഥന 1,6599 മടങ്ങ് വേഗത്തിലായി. കണക്കുകൂട്ടലുകൾ രസകരമാണ്. ഞങ്ങൾക്ക് 2 തൊഴിലാളി പ്രക്രിയകളും 1 നേതാവും ഉണ്ടായിരുന്നു. മാറ്റത്തിന് ശേഷം അത് 4+1 ആയി.

സമാന്തര പ്രോസസ്സിംഗിൽ നിന്നുള്ള ഞങ്ങളുടെ പരമാവധി വേഗത: 5/3 = 1,66(6) തവണ.

ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു?

പ്രക്രിയകൾ

അഭ്യർത്ഥന നിർവ്വഹണം എല്ലായ്‌പ്പോഴും ലീഡിംഗ് പ്രക്രിയയിൽ ആരംഭിക്കുന്നു. നേതാവ് സമാന്തരമല്ലാത്തതും ചില സമാന്തര പ്രോസസ്സിംഗും ചെയ്യുന്നു. സമാന അഭ്യർത്ഥനകൾ നടത്തുന്ന മറ്റ് പ്രക്രിയകളെ തൊഴിലാളി പ്രക്രിയകൾ എന്ന് വിളിക്കുന്നു. സമാന്തര പ്രോസസ്സിംഗ് അടിസ്ഥാന സൗകര്യങ്ങൾ ഉപയോഗിക്കുന്നു ചലനാത്മക പശ്ചാത്തല തൊഴിലാളി പ്രക്രിയകൾ (പതിപ്പ് 9.4 ൽ നിന്ന്). PostgreSQL-ന്റെ മറ്റ് ഭാഗങ്ങൾ ത്രെഡുകളേക്കാൾ പ്രോസസ്സുകൾ ഉപയോഗിക്കുന്നതിനാൽ, 3 വർക്കർ പ്രോസസ്സുകളുള്ള ഒരു ചോദ്യം പരമ്പരാഗത പ്രോസസ്സിംഗിനെക്കാൾ 4 മടങ്ങ് വേഗതയുള്ളതായിരിക്കും.

ഇടപെടൽ

ഒരു സന്ദേശ ക്യൂവിലൂടെ (പങ്കിട്ട മെമ്മറിയെ അടിസ്ഥാനമാക്കി) തൊഴിലാളി പ്രക്രിയകൾ നേതാവുമായി ആശയവിനിമയം നടത്തുന്നു. ഓരോ പ്രക്രിയയ്ക്കും 2 ക്യൂകളുണ്ട്: പിശകുകൾക്കും ട്യൂപ്പിൾസിനും.

എത്ര വർക്ക്ഫ്ലോകൾ ആവശ്യമാണ്?

ഏറ്റവും കുറഞ്ഞ പരിധി പരാമീറ്റർ വ്യക്തമാക്കുന്നു max_parallel_workers_per_gather. അഭ്യർത്ഥന റണ്ണർ പിന്നീട് പാരാമീറ്ററിൽ പരിമിതപ്പെടുത്തിയ പൂളിൽ നിന്ന് തൊഴിലാളി പ്രക്രിയകൾ എടുക്കുന്നു max_parallel_workers size. അവസാന പരിമിതി max_worker_processes, അതായത്, പശ്ചാത്തല പ്രക്രിയകളുടെ ആകെ എണ്ണം.

ഒരു തൊഴിലാളി പ്രക്രിയ അനുവദിക്കുന്നത് സാധ്യമല്ലെങ്കിൽ, പ്രോസസ്സിംഗ് ഒറ്റ-പ്രോസസ് ആയിരിക്കും.

ക്വറി പ്ലാനറിന് പട്ടികയുടെയോ സൂചികയുടെയോ വലുപ്പമനുസരിച്ച് വർക്ക്ഫ്ലോകൾ കുറയ്ക്കാനാകും. ഇതിനായി പരാമീറ്ററുകളുണ്ട് min_parallel_table_scan_size и min_parallel_index_scan_size.

set min_parallel_table_scan_size='8MB'
8MB table => 1 worker
24MB table => 2 workers
72MB table => 3 workers
x => log(x / min_parallel_table_scan_size) / log(3) + 1 worker

ഓരോ തവണയും പട്ടികയേക്കാൾ 3 മടങ്ങ് വലുതാണ് min_parallel_(index|table)_scan_size, Postgres ഒരു തൊഴിലാളി പ്രക്രിയ ചേർക്കുന്നു. വർക്ക്ഫ്ലോകളുടെ എണ്ണം ചെലവുകളെ അടിസ്ഥാനമാക്കിയുള്ളതല്ല. വൃത്താകൃതിയിലുള്ള ആശ്രിതത്വം സങ്കീർണ്ണമായ നടപ്പാക്കലുകൾ ബുദ്ധിമുട്ടാക്കുന്നു. പകരം, പ്ലാനർ ലളിതമായ നിയമങ്ങൾ ഉപയോഗിക്കുന്നു.

പ്രായോഗികമായി, ഈ നിയമങ്ങൾ എല്ലായ്പ്പോഴും ഉൽപ്പാദനത്തിന് അനുയോജ്യമല്ല, അതിനാൽ നിങ്ങൾക്ക് ഒരു നിർദ്ദിഷ്ട പട്ടികയ്ക്കായി തൊഴിലാളി പ്രക്രിയകളുടെ എണ്ണം മാറ്റാൻ കഴിയും: ALTER TABLE ... SET (parallel_workers = N).

എന്തുകൊണ്ടാണ് സമാന്തര പ്രോസസ്സിംഗ് ഉപയോഗിക്കാത്തത്?

നിയന്ത്രണങ്ങളുടെ നീണ്ട പട്ടികയ്ക്ക് പുറമേ, ചിലവ് പരിശോധനകളും ഉണ്ട്:

parallel_setup_cost - ഹ്രസ്വ അഭ്യർത്ഥനകളുടെ സമാന്തര പ്രോസസ്സിംഗ് ഒഴിവാക്കാൻ. ഈ പരാമീറ്റർ മെമ്മറി തയ്യാറാക്കുന്നതിനും പ്രക്രിയ ആരംഭിക്കുന്നതിനും പ്രാരംഭ ഡാറ്റാ എക്സ്ചേഞ്ചിനുമുള്ള സമയം കണക്കാക്കുന്നു.

parallel_tuple_cost: ജോലി പ്രക്രിയകളിൽ നിന്നുള്ള ട്യൂപ്പിളുകളുടെ എണ്ണത്തിന് ആനുപാതികമായി നേതാവും തൊഴിലാളികളും തമ്മിലുള്ള ആശയവിനിമയം വൈകാം. ഈ പരാമീറ്റർ ഡാറ്റാ എക്സ്ചേഞ്ച് ചെലവ് കണക്കാക്കുന്നു.

നെസ്റ്റഡ് ലൂപ്പ് ചേരുന്നു

PostgreSQL 9.6+ может выполнять вложенные циклы параллельно — это простая операция.

explain (costs off) select c_custkey, count(o_orderkey)
                from    customer left outer join orders on
                                c_custkey = o_custkey and o_comment not like '%special%deposits%'
                group by c_custkey;
                                      QUERY PLAN
--------------------------------------------------------------------------------------
 Finalize GroupAggregate
   Group Key: customer.c_custkey
   ->  Gather Merge
         Workers Planned: 4
         ->  Partial GroupAggregate
               Group Key: customer.c_custkey
               ->  Nested Loop Left Join
                     ->  Parallel Index Only Scan using customer_pkey on customer
                     ->  Index Scan using idx_orders_custkey on orders
                           Index Cond: (customer.c_custkey = o_custkey)
                           Filter: ((o_comment)::text !~~ '%special%deposits%'::text)

ശേഖരണം അവസാന ഘട്ടത്തിലാണ് സംഭവിക്കുന്നത്, അതിനാൽ നെസ്റ്റഡ് ലൂപ്പ് ലെഫ്റ്റ് ജോയിൻ ഒരു സമാന്തര പ്രവർത്തനമാണ്. പാരലൽ ഇൻഡക്സ് ഒൺലി സ്കാൻ പതിപ്പ് 10 ൽ മാത്രമാണ് അവതരിപ്പിച്ചത്. ഇത് സമാന്തര സീരിയൽ സ്കാനിംഗിന് സമാനമാണ്. അവസ്ഥ c_custkey = o_custkey ഓരോ ക്ലയന്റ് സ്‌ട്രിംഗിലും ഒരു ഓർഡർ വായിക്കുന്നു. അതിനാൽ ഇത് സമാന്തരമല്ല.

ഹാഷ് ചേരുക

ഓരോ വർക്കർ പ്രോസസും PostgreSQL 11 വരെ അതിന്റേതായ ഹാഷ് ടേബിൾ സൃഷ്ടിക്കുന്നു. ഈ പ്രക്രിയകളിൽ നാലിൽ കൂടുതൽ ഉണ്ടെങ്കിൽ, പ്രകടനം മെച്ചപ്പെടില്ല. പുതിയ പതിപ്പിൽ, ഹാഷ് പട്ടിക പങ്കിട്ടിരിക്കുന്നു. ഒരു ഹാഷ് ടേബിൾ സൃഷ്‌ടിക്കാൻ ഓരോ തൊഴിലാളി പ്രക്രിയയ്ക്കും WORK_MEM ഉപയോഗിക്കാം.

select
        l_shipmode,
        sum(case
                when o_orderpriority = '1-URGENT'
                        or o_orderpriority = '2-HIGH'
                        then 1
                else 0
        end) as high_line_count,
        sum(case
                when o_orderpriority <> '1-URGENT'
                        and o_orderpriority <> '2-HIGH'
                        then 1
                else 0
        end) as low_line_count
from
        orders,
        lineitem
where
        o_orderkey = l_orderkey
        and l_shipmode in ('MAIL', 'AIR')
        and l_commitdate < l_receiptdate
        and l_shipdate < l_commitdate
        and l_receiptdate >= date '1996-01-01'
        and l_receiptdate < date '1996-01-01' + interval '1' year
group by
        l_shipmode
order by
        l_shipmode
LIMIT 1;
                                                                                                                                    QUERY PLAN
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
 Limit  (cost=1964755.66..1964961.44 rows=1 width=27) (actual time=7579.592..7922.997 rows=1 loops=1)
   ->  Finalize GroupAggregate  (cost=1964755.66..1966196.11 rows=7 width=27) (actual time=7579.590..7579.591 rows=1 loops=1)
         Group Key: lineitem.l_shipmode
         ->  Gather Merge  (cost=1964755.66..1966195.83 rows=28 width=27) (actual time=7559.593..7922.319 rows=6 loops=1)
               Workers Planned: 4
               Workers Launched: 4
               ->  Partial GroupAggregate  (cost=1963755.61..1965192.44 rows=7 width=27) (actual time=7548.103..7564.592 rows=2 loops=5)
                     Group Key: lineitem.l_shipmode
                     ->  Sort  (cost=1963755.61..1963935.20 rows=71838 width=27) (actual time=7530.280..7539.688 rows=62519 loops=5)
                           Sort Key: lineitem.l_shipmode
                           Sort Method: external merge  Disk: 2304kB
                           Worker 0:  Sort Method: external merge  Disk: 2064kB
                           Worker 1:  Sort Method: external merge  Disk: 2384kB
                           Worker 2:  Sort Method: external merge  Disk: 2264kB
                           Worker 3:  Sort Method: external merge  Disk: 2336kB
                           ->  Parallel Hash Join  (cost=382571.01..1957960.99 rows=71838 width=27) (actual time=7036.917..7499.692 rows=62519 loops=5)
                                 Hash Cond: (lineitem.l_orderkey = orders.o_orderkey)
                                 ->  Parallel Seq Scan on lineitem  (cost=0.00..1552386.40 rows=71838 width=19) (actual time=0.583..4901.063 rows=62519 loops=5)
                                       Filter: ((l_shipmode = ANY ('{MAIL,AIR}'::bpchar[])) AND (l_commitdate < l_receiptdate) AND (l_shipdate < l_commitdate) AND (l_receiptdate >= '1996-01-01'::date) AND (l_receiptdate < '1997-01-01 00:00:00'::timestamp without time zone))
                                       Rows Removed by Filter: 11934691
                                 ->  Parallel Hash  (cost=313722.45..313722.45 rows=3750045 width=20) (actual time=2011.518..2011.518 rows=3000000 loops=5)
                                       Buckets: 65536  Batches: 256  Memory Usage: 3840kB
                                       ->  Parallel Seq Scan on orders  (cost=0.00..313722.45 rows=3750045 width=20) (actual time=0.029..995.948 rows=3000000 loops=5)
 Planning Time: 0.977 ms
 Execution Time: 7923.770 ms

TPC-H-ൽ നിന്നുള്ള ചോദ്യം 12 ഒരു സമാന്തര ഹാഷ് കണക്ഷൻ വ്യക്തമായി കാണിക്കുന്നു. ഓരോ തൊഴിലാളി പ്രക്രിയയും ഒരു പൊതു ഹാഷ് ടേബിൾ സൃഷ്ടിക്കുന്നതിന് സംഭാവന ചെയ്യുന്നു.

ലയിപ്പിക്കുക ചേരുക

ഒരു ലയന ചേരൽ പ്രകൃതിയിൽ സമാനതകളില്ലാത്തതാണ്. ഇത് ചോദ്യത്തിന്റെ അവസാന ഘട്ടമാണെങ്കിൽ വിഷമിക്കേണ്ട - ഇതിന് ഇപ്പോഴും സമാന്തരമായി പ്രവർത്തിക്കാനാകും.

-- Query 2 from TPC-H
explain (costs off) select s_acctbal, s_name, n_name, p_partkey, p_mfgr, s_address, s_phone, s_comment
from    part, supplier, partsupp, nation, region
where
        p_partkey = ps_partkey
        and s_suppkey = ps_suppkey
        and p_size = 36
        and p_type like '%BRASS'
        and s_nationkey = n_nationkey
        and n_regionkey = r_regionkey
        and r_name = 'AMERICA'
        and ps_supplycost = (
                select
                        min(ps_supplycost)
                from    partsupp, supplier, nation, region
                where
                        p_partkey = ps_partkey
                        and s_suppkey = ps_suppkey
                        and s_nationkey = n_nationkey
                        and n_regionkey = r_regionkey
                        and r_name = 'AMERICA'
        )
order by s_acctbal desc, n_name, s_name, p_partkey
LIMIT 100;
                                                QUERY PLAN
----------------------------------------------------------------------------------------------------------
 Limit
   ->  Sort
         Sort Key: supplier.s_acctbal DESC, nation.n_name, supplier.s_name, part.p_partkey
         ->  Merge Join
               Merge Cond: (part.p_partkey = partsupp.ps_partkey)
               Join Filter: (partsupp.ps_supplycost = (SubPlan 1))
               ->  Gather Merge
                     Workers Planned: 4
                     ->  Parallel Index Scan using <strong>part_pkey</strong> on part
                           Filter: (((p_type)::text ~~ '%BRASS'::text) AND (p_size = 36))
               ->  Materialize
                     ->  Sort
                           Sort Key: partsupp.ps_partkey
                           ->  Nested Loop
                                 ->  Nested Loop
                                       Join Filter: (nation.n_regionkey = region.r_regionkey)
                                       ->  Seq Scan on region
                                             Filter: (r_name = 'AMERICA'::bpchar)
                                       ->  Hash Join
                                             Hash Cond: (supplier.s_nationkey = nation.n_nationkey)
                                             ->  Seq Scan on supplier
                                             ->  Hash
                                                   ->  Seq Scan on nation
                                 ->  Index Scan using idx_partsupp_suppkey on partsupp
                                       Index Cond: (ps_suppkey = supplier.s_suppkey)
               SubPlan 1
                 ->  Aggregate
                       ->  Nested Loop
                             Join Filter: (nation_1.n_regionkey = region_1.r_regionkey)
                             ->  Seq Scan on region region_1
                                   Filter: (r_name = 'AMERICA'::bpchar)
                             ->  Nested Loop
                                   ->  Nested Loop
                                         ->  Index Scan using idx_partsupp_partkey on partsupp partsupp_1
                                               Index Cond: (part.p_partkey = ps_partkey)
                                         ->  Index Scan using supplier_pkey on supplier supplier_1
                                               Index Cond: (s_suppkey = partsupp_1.ps_suppkey)
                                   ->  Index Scan using nation_pkey on nation nation_1
                                         Index Cond: (n_nationkey = supplier_1.s_nationkey)

"മെർജ് ജോയിൻ" നോഡ് "Gather Merge" ന് മുകളിലാണ് സ്ഥിതി ചെയ്യുന്നത്. അതിനാൽ ലയിപ്പിക്കുന്നതിന് സമാന്തര പ്രോസസ്സിംഗ് ഉപയോഗിക്കുന്നില്ല. എന്നാൽ "പാരലൽ ഇൻഡക്സ് സ്കാൻ" നോഡ് ഇപ്പോഴും സെഗ്മെന്റിനെ സഹായിക്കുന്നു part_pkey.

വിഭാഗങ്ങൾ പ്രകാരമുള്ള കണക്ഷൻ

PostgreSQL 11-ൽ വിഭാഗങ്ങൾ വഴിയുള്ള കണക്ഷൻ സ്ഥിരസ്ഥിതിയായി പ്രവർത്തനരഹിതമാക്കി: ഇതിന് വളരെ ചെലവേറിയ ഷെഡ്യൂളിംഗ് ഉണ്ട്. സമാനമായ പാർട്ടീഷൻ ഉള്ള പട്ടികകൾ പാർട്ടീഷൻ വഴി പാർട്ടീഷൻ ജോയിൻ ചെയ്യാം. ഈ രീതിയിൽ Postgres ചെറിയ ഹാഷ് ടേബിളുകൾ ഉപയോഗിക്കും. വിഭാഗങ്ങളുടെ ഓരോ കണക്ഷനും സമാന്തരമായിരിക്കാം.

tpch=# set enable_partitionwise_join=t;
tpch=# explain (costs off) select * from prt1 t1, prt2 t2
where t1.a = t2.b and t1.b = 0 and t2.b between 0 and 10000;
                    QUERY PLAN
---------------------------------------------------
 Append
   ->  Hash Join
         Hash Cond: (t2.b = t1.a)
         ->  Seq Scan on prt2_p1 t2
               Filter: ((b >= 0) AND (b <= 10000))
         ->  Hash
               ->  Seq Scan on prt1_p1 t1
                     Filter: (b = 0)
   ->  Hash Join
         Hash Cond: (t2_1.b = t1_1.a)
         ->  Seq Scan on prt2_p2 t2_1
               Filter: ((b >= 0) AND (b <= 10000))
         ->  Hash
               ->  Seq Scan on prt1_p2 t1_1
                     Filter: (b = 0)
tpch=# set parallel_setup_cost = 1;
tpch=# set parallel_tuple_cost = 0.01;
tpch=# explain (costs off) select * from prt1 t1, prt2 t2
where t1.a = t2.b and t1.b = 0 and t2.b between 0 and 10000;
                        QUERY PLAN
-----------------------------------------------------------
 Gather
   Workers Planned: 4
   ->  Parallel Append
         ->  Parallel Hash Join
               Hash Cond: (t2_1.b = t1_1.a)
               ->  Parallel Seq Scan on prt2_p2 t2_1
                     Filter: ((b >= 0) AND (b <= 10000))
               ->  Parallel Hash
                     ->  Parallel Seq Scan on prt1_p2 t1_1
                           Filter: (b = 0)
         ->  Parallel Hash Join
               Hash Cond: (t2.b = t1.a)
               ->  Parallel Seq Scan on prt2_p1 t2
                     Filter: ((b >= 0) AND (b <= 10000))
               ->  Parallel Hash
                     ->  Parallel Seq Scan on prt1_p1 t1
                           Filter: (b = 0)

ഈ വിഭാഗങ്ങൾ ആവശ്യത്തിന് വലുതാണെങ്കിൽ മാത്രമേ വിഭാഗങ്ങളിലെ കണക്ഷൻ സമാന്തരമാകൂ എന്നതാണ് പ്രധാന കാര്യം.

സമാന്തര അനുബന്ധം

സമാന്തര അനുബന്ധം വ്യത്യസ്ത വർക്ക്ഫ്ലോകളിൽ വ്യത്യസ്ത ബ്ലോക്കുകൾക്ക് പകരം ഉപയോഗിക്കാം. UNION എല്ലാ ചോദ്യങ്ങളിലും ഇത് സാധാരണയായി സംഭവിക്കുന്നു. പോരായ്മ കുറഞ്ഞ സമാന്തരതയാണ്, കാരണം ഓരോ തൊഴിലാളി പ്രക്രിയയും 1 അഭ്യർത്ഥന മാത്രമേ പ്രോസസ്സ് ചെയ്യുന്നുള്ളൂ.

2 പ്രവർത്തനക്ഷമമാക്കിയിട്ടുണ്ടെങ്കിലും, ഇവിടെ 4 വർക്കർ പ്രോസസ്സുകൾ പ്രവർത്തിക്കുന്നു.

tpch=# explain (costs off) select sum(l_quantity) as sum_qty from lineitem where l_shipdate <= date '1998-12-01' - interval '105' day union all select sum(l_quantity) as sum_qty from lineitem where l_shipdate <= date '2000-12-01' - interval '105' day;
                                           QUERY PLAN
------------------------------------------------------------------------------------------------
 Gather
   Workers Planned: 2
   ->  Parallel Append
         ->  Aggregate
               ->  Seq Scan on lineitem
                     Filter: (l_shipdate <= '2000-08-18 00:00:00'::timestamp without time zone)
         ->  Aggregate
               ->  Seq Scan on lineitem lineitem_1
                     Filter: (l_shipdate <= '1998-08-18 00:00:00'::timestamp without time zone)

ഏറ്റവും പ്രധാനപ്പെട്ട വേരിയബിളുകൾ

• WORK_MEM ഓരോ പ്രോസസ്സിനും മെമ്മറി പരിമിതപ്പെടുത്തുന്നു, ചോദ്യങ്ങൾ മാത്രമല്ല: work_mem പ്രക്രിയകൾ കണക്ഷനുകൾ = ഒരുപാട് മെമ്മറി.
• max_parallel_workers_per_gather - പ്ലാനിൽ നിന്ന് സമാന്തര പ്രോസസ്സിംഗിനായി എക്സിക്യൂട്ടിംഗ് പ്രോഗ്രാം എത്ര വർക്കർ പ്രോസസ്സുകൾ ഉപയോഗിക്കും.
• max_worker_processes - സെർവറിലെ സിപിയു കോറുകളുടെ എണ്ണവുമായി വർക്കർ പ്രോസസ്സുകളുടെ ആകെ എണ്ണം ക്രമീകരിക്കുന്നു.
• max_parallel_workers - സമാനമാണ്, എന്നാൽ സമാന്തര ജോലി പ്രക്രിയകൾക്ക്.

ഫലങ്ങൾ

പതിപ്പ് 9.6 പോലെ, സമാന്തര പ്രോസസ്സിംഗിന് നിരവധി വരികൾ അല്ലെങ്കിൽ സൂചികകൾ സ്കാൻ ചെയ്യുന്ന സങ്കീർണ്ണമായ അന്വേഷണങ്ങളുടെ പ്രകടനം വളരെയധികം മെച്ചപ്പെടുത്താൻ കഴിയും. PostgreSQL 10-ൽ, സമാന്തര പ്രോസസ്സിംഗ് സ്ഥിരസ്ഥിതിയായി പ്രവർത്തനക്ഷമമാക്കിയിരിക്കുന്നു. വലിയ OLTP ജോലിഭാരമുള്ള സെർവറുകളിൽ ഇത് പ്രവർത്തനരഹിതമാക്കാൻ ഓർക്കുക. തുടർച്ചയായ സ്കാനുകൾ അല്ലെങ്കിൽ ഇൻഡക്സ് സ്കാനുകൾ ധാരാളം വിഭവങ്ങൾ ഉപയോഗിക്കുന്നു. മുഴുവൻ ഡാറ്റാസെറ്റിലും നിങ്ങൾ ഒരു റിപ്പോർട്ട് പ്രവർത്തിപ്പിക്കുന്നില്ലെങ്കിൽ, നഷ്‌ടമായ സൂചികകൾ ചേർത്തോ ശരിയായ പാർട്ടീഷനിംഗ് ഉപയോഗിച്ചോ നിങ്ങൾക്ക് അന്വേഷണ പ്രകടനം മെച്ചപ്പെടുത്താം.

റെഫറൻസുകൾ

• https://www.postgresql.org/docs/11/how-parallel-query-works.html
• https://www.postgresql.org/docs/11/parallel-plans.html
• http://ashutoshpg.blogspot.com/2017/12/partition-wise-joins-divide-and-conquer.html
• http://rhaas.blogspot.com/2016/04/postgresql-96-with-parallel-query-vs.html
• http://amitkapila16.blogspot.com/2015/11/parallel-sequential-scans-in-play.html
• https://write-skew.blogspot.com/2018/01/parallel-hash-for-postgresql.html
• http://rhaas.blogspot.com/2017/03/parallel-query-v2.html
• https://blog.2ndquadrant.com/parallel-monster-benchmark/
• https://blog.2ndquadrant.com/parallel-aggregate/
• https://www.depesz.com/2018/02/12/waiting-for-postgresql-11-support-parallel-btree-index-builds/
• PostgreSQL 11 ലെ സമാന്തരത

അവലംബം: www.habr.com