最佳实践：解读GaussDB(DWS) 统计信息自动收集方案
摘要：现在商用优化器大多都是基于统计信息进行查询代价评估，因此统计信息是否实时且准确对查询影响很大，特别是分布式数据库场景。本文详细介绍GaussDB(DWS)如何实现了一种轻量、实时、准确的统计信息自动收集方案。
本文分享自华为云社区《【最佳实践】GaussDB(DWS) 统计信息自动收集方案》，作者： leapdb。
一、统计信息收集痛点
- 何时做analyze，多做空耗系统资源，少做统计信息不及时。
- 多个数据源并发加工一张表，手动analyze不能并发。
- 数据修改后立即查询，统计信息实时性要求高。
- 需要关心每张表的数据变化和治理，消耗大量人力。
二、基本功能介绍
三、自动收集方案
GaussDB(DWS) 支持统计信息自动收集功能，主要解决统计信息收集不及时和不准确的问题。
手动采样：用户在作业中，手动发起的显示analyze。
轮询采样：autovacuum后台线程，轮询发起的analyze。
动态采样：查询时，优化器触发的runtime analyze。
前台动态采样：负责统计信息实时准确，信息放内存（有淘汰机制），一级锁（像查询一样轻量）。
autoanalyze=on; autoanalyze_mode='light';
后台轮询采样：负责统计信息的持久化，写系统表（四级锁），不要求特别及时。
autovacuum_mode=mix或analyze; --- 以前只有“后台轮询采样”，都由后台autovacuum线程控制做vacuum或analyze。 --- 后来开发“前台动态采样”，叫autoanalyze。 --- 请注意二者的区别。
二者都需要开启。
替代场景
统计信息基于收集时表数据生成，数据变化较多后可能失效。自动触发也是基于阈值（50+表大小*10%）。
总结：
- 小表变化<10%且数据特征变化明显，需要“调低阈值自动收集”。
- 调整过采样大小且实时性要求高的场景，需要“主动收集统计信息”。
- 外表和冷热表因访问性能问题，不支持自动，需要“主动收集统计信息”。
四、如何保证及时触发
【触发条件】“无统计信息” or “表的修改量超过一定阈值（默认“50 + 表大小 * 10%”）”
【触发场景】含stream计划的SQL都可触发动态采样，包括select和带条件的delete, update。
【修改计数】
1. 哪些修改行为会被记录？
DML: Insert, Update, Delete, Copy, Merge，会累加修改计数。
DDL: truncate table，truncate/exchange/drop partition, alter column type, alter distribute，由于CN无法获取DN修改计数，所以直接记录一个超大修改计数。
2. 跨CN查询场景，如何确保修改计数全局一致？
异步广播：autovacuum后台线程轮询检查时，向所有CN广播全局修改计数。修改计数达2/3时广播一次，此后每增10%再广播一次。
实时广播：单SQL修改超过tuple_change_sync_threshold(默认1W)条时，直接实时广播修改计数到其它CN。
总结：“修改计数记录”和“修改计数广播”，覆盖都比较全面，能够保证查询及时触发动态采样。
五、最佳实践
GaussDB(DWS) analyze使用指南8.1.3及以下版本
GaussDB(DWS) analyze使用指南8.2.0及以上版本
1.事务块中手动analyze堵塞其它业务
【业务场景】
BEGIN; ANALYZE t_ucuser; INSERT INTO t_user_name(project_id, account_id, name_id, uid, etl_time) with t1 AS ( select project_id, account_id, name_id from t_user_name WHERE uid is null or uid = '' ) select a.project_id,a.account_id,a.name_id, b.user_name AS uid, CURRENT_TIMESTAMP AS etl_time from t1 a join t_ucuser b ON a.project_id = b.project_id AND a.account_id = b.account_id ON CONFLICT(project_id,account_id,name_id) DO UPDATE SET project_id=excluded.project_id, account_id=excluded.account_id, name_id=excluded.name_id, uid=excluded.uid, etl_time=excluded.etl_time; END;
【问题根因】
a. 某数据湖用户，多个数据源按照不同的分区进行数据导入加工。
b. 事务块中有手动analyze，且事务块中后面的查询长时间执行不完。
c. 因analyze对表加四级锁长时间不能释放，导致其它相关表上的业务等锁超时报错。
【解决方案】开启light动态采样，去掉事务块中的手动analyze。
2. 多数据源并发加工同一张表的不同分区
【业务场景】
为了保证用户查询表总有数据，需要把加工过程放到一个事务里面。堵塞其它人的动态采样。
begin; alter table tab_partition truncate partition P2023_03; insert into tab_partition select * from t1; end;
【问题根因】alter table truncate parition对分区加8级锁，事务过程中长时间持锁。
【解决方案】使用exchange partition
CREATE TABLE IF NOT EXISTS tab_tmp1(like tab_partition INCLUDING DROPCOLUMNS INCLUDING DISTRIBUTION INCLUDING STORAGE INCLUDING RELOPTIONS); INSERT INTO tab_tmp1 SELECT * FROM t1; ALTER TABLE tab_partition exchange partition (P2023_03) WITH TABLE tab_tmp1;
3.多表并发反序analyze导致统计信息收集失败
【业务场景】
a. 某银行客户，多个表进行批处理数据加工，开启了normal类型动态采样。
b. 查询A先对t1表触发动态采样，再对t2表触发动态采样。
c. 查询B先对t2表触发动态采样，再对t1表触发动态采样。
d. 触发动态采样的顺序不一致，互相申请四级锁导致申锁超时，统计信息未收集。
【问题根因】多人同时按不同顺序analyze多表导致死锁。
【解决方案】开启light动态采样，仅加一级锁不再有四级锁冲突。
4.刚导入的数据不在统计信息中导致查询计划差
【业务场景】
a. 某财经用户，按照月度视为会计期，月初时导入少量数据，然后马上查询。
b. 触发了动态采样，但采集不到最新会计期的少量数据。
【问题根因】新插入数据占比小，及时触发了动态采样但采集不到，导致估算偏差大。
【解决方案】
a. 开启统计信息推算enable_extrapolation_stats功能，根据上一个会计期的统计信息推算当前会计期数据特征。
b. 不提高采样大小，利用历史信息增强统计信息准确性。
5.随机函数质量差导致数据特征统计不准
【业务场景】
a. 某银行客户，按月度条件进行关联查询
b. 多次analyze，最多数据月份在MCV中占比从13%~30%大幅波动
c. 详细输出样本点位置和采样随机数发现，随机数（小数点后6位）生成重复度高导致采样扎堆儿严重。
【问题根因】采样随机数不够随机，样本采集不均匀导致MCV数据特征统计偏差。
【解决方案】
a. 每次传入随机种子再生成随机数，提高随机性和并发能力。控制参数random_function_version。
b. 不提高采样大小，提升随机数质量增强统计信息准确性。
6.样本分布不均匀导致数据特征统计不准
【业务场景】
a. tpc-h的lineitem表l_orderkey列，数据每4~8条批量重复。即同一个订单购买多个商品。
b. 传统采样算法由于采样不均匀，采集到的重复数据稍多，导致采集的distinct值偏低。
【问题根因】数据特征分布不均匀，采样无法抓准数据特征，distinct值高的场景统计出的distinct值偏低。
【解决方案】
a. 使用自研的优化蓄水池采样算法，控制参数analyze_sample_mode=2，让采样更加均匀，以提升统计信息准确性。
b. 如果上述方法没有达到预期效果，可以手动修改distinct值。
select APPROX_COUNT_DISTINCT(l_orderkey) from lineitem; --近似计算distinct值 alter table lineitem alter l_orderkey set (n_distinct=10000); --手动设置distinct值，然后再analyze即可。
