Отправьте статью сегодня! Журнал выйдет ..., печатный экземпляр отправим ...
Опубликовать статью

Молодой учёный

Прогнозирование времени выполнения запросов и проверяемые рекомендации по оптимизации в MS SQL Server

06.11.2026
6
Поделиться
Аннотация
В статье рассматривается прогнозирование времени выполнения запроса по оценочному плану и формирование рекомендаций по оптимизации, эффект которых проверяется фактическим выполнением. Показано, что модель случайного леса по признакам плана прогнозирует время точнее оценки стоимости оптимизатора. Предложено резервное правило построения индексов для тривиальных планов. На демонстрационной базе данных применение рекомендаций сократило время рабочей нагрузки в два раза.
Библиографическое описание
Полижаров, Л. Л. Прогнозирование времени выполнения запросов и проверяемые рекомендации по оптимизации в MS SQL Server / Л. Л. Полижаров. — Текст : непосредственный // Молодой ученый. — 2026. — № 45 (648). — С. 9-11. — URL: https://moluch.ru/archive/648/141911.


Оптимизатор MS SQL Server выбирает план с наименьшей оценочной стоимостью, которая выражается в условных единицах и зависит от оценок числа строк [1]. Исследования обучаемых моделей стоимости показали, что признаки плана содержат больше информации о фактической производительности, чем скалярная оценка оптимизатора [2, 3]. Вторая практическая задача — превращение диагноза в действие. Встроенные предложения недостающих индексов основаны на оценках, не проверяются выполнением и не формируются для тривиальных планов [4], а рекомендации индексов необходимо проверять по фактическому выполнению [5, 6]. В SQL Server 2022 появились подсказки Query Store, назначающие запросу подсказку без изменения кода приложения [7].

Эксперимент проведён на демонстрационной базе данных интернет-магазина объёмом 8,1 млн строк (SQL Server 2022, уровень совместимости 140). Данные сгенерированы с неравномерными распределениями: один покупатель сделал 25 837 заказов при среднем 7,7, на один город приходится 12,9 % покупателей. На таких данных план, оптимальный для одного значения параметра, неэффективен для другого. Нагрузка из 36 шаблонов запросов выполнена в две фазы по 816 запусков с одинаковыми параметрами: в исходном состоянии и после применения рекомендаций.

Для прогнозирования используется логарифм времени выполнения и 40 признаков оценочного плана, доступного до выполнения запроса: логарифм стоимости, число операторов каждого типа, мощность сканируемых таблиц, оценочная селективность, предложения индексов, желаемый объём памяти. Базовой моделью служит линейная регрессия по логарифму стоимости оптимизатора; с ней сравнивался случайный лес [8] из библиотеки scikit-learn [9]. Проверка выполнялась с исключением шаблона запроса, то есть на запросах, которых не было в обучении (рисунок 1).

Прогноз времени выполнения: а) по оценке стоимости оптимизатора; б) моделью случайного леса

Рис. 1. Прогноз времени выполнения: а) по оценке стоимости оптимизатора; б) моделью случайного леса

Случайный лес объясняет 77 % дисперсии логарифма времени (R² = 0,77) против 62 % у оценки стоимости, а 90-й процентиль кратной ошибки прогноза снижается с 9,3 до 3,3. На рисунке 1, а видны горизонтальные «полосы»: запросы с одинаковой оценочной стоимостью выполняются за время, различающееся на два порядка. Модель позволяет ещё до выполнения ранжировать запросы и в первую очередь анализировать самые тяжёлые.

Рекомендации формируются правилами, которые для каждого класса проблемы извлекают из плана таблицу, столбцы, предикат или параметр. Предложения индексов сводятся по всем проблемным запускам, что устраняет их дублирование. Для тривиальных планов предложено резервное правило : если в плане нет предложения индекса, но есть сканирование таблицы не менее чем из строк с предикатом, индекс строится по самому предикату (столбцы равенств — начало ключа, неравенств — продолжение, выходные столбцы — INCLUDE). Процедурам, чувствительным к параметру, назначается подсказка Query Store OPTION(RECOMPILE) без изменения их кода. После применения рекомендации запрос повторяется с теми же параметрами, и изменение сохраняется, только если ускорение составляет не менее 1,5 раза и 5 мс; иначе индекс удаляется или подсказка снимается. Результаты приведены в таблице 1.

Таблица 1

Суммарное время рабочей нагрузки до и после оптимизации

Класс проблемы

До, с

После, с

Ускорение, раз

Нормальные запросы

1,18

1,17

1,0

Нет индекса

4,66

0,11

42,0

Несаргабельный предикат

10,19

0,38

26,5

Ошибка оценки кардинальности

10,81

6,53

1,65

Parameter sniffing

48,51

29,48

1,65

Итого

75,35

37,67

2,0

Суммарное время нагрузки сократилось в 2,0 раза, время нормальных запросов не изменилось. Два из восьми созданных индексов построены резервным правилом: их запросы имели тривиальный план, и оптимизатор предложений не сформировал, хотя сканировал таблицы из 302 и 240 тыс. строк. Подсказка Query Store ускорила самую тяжёлую процедуру в 3,8 раза без изменения её кода. При применении рекомендаций только по классам, предсказанным моделью на новых запросах, реализуется 54 % возможного выигрыша, а ложные срабатывания отменяются этапом проверки.

Таким образом, признаки оценочного плана позволяют прогнозировать время выполнения точнее оценки стоимости оптимизатора, а правила рекомендаций с обязательной проверкой эффекта используют только штатные средства MS SQL Server и восполняют отсутствие предложений оптимизатора для тривиальных планов.

Литература:

  1. Руководство по архитектуре обработки запросов // Microsoft Learn: [сайт]. — Redmond: Microsoft, 2025. — URL: https://learn.microsoft.com/ru-ru/sql/relational-databases/query-processing-architecture-guide (дата обращения: 19.10.2026).
  2. Marcus, R. Plan-structured deep neural network models for query performance prediction / R. Marcus, O. Papaemmanouil // Proceedings of the VLDB Endowment. — 2019. — Vol. 12, № 11. — P. 1733–1746. — DOI 10.14778/3342263.3342646.
  3. Cost models for big data query processing: learning, retrofitting, and our findings / T. Siddiqui, A. Jindal, S. Qiao [et al.] // Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data. — New York: ACM, 2020. — P. 99–113. — DOI 10.1145/3318464.3380584.
  4. Настройка некластеризованных индексов с помощью предложений об отсутствующих индексах // Microsoft Learn: [сайт]. — Redmond: Microsoft, 2025. — URL: https://learn.microsoft.com/ru-ru/sql/relational-databases/indexes/tune-nonclustered-missing-index-suggestions (дата обращения: 19.10.2026).
  5. AI meets AI: leveraging query executions to improve index recommendations / B. Ding, S. Das, R. Marcus [et al.] // Proceedings of the 2019 International Conference on Management of Data. — New York: ACM, 2019. — P. 1241–1258. — DOI 10.1145/3299869.3324957.
  6. Automatically indexing millions of databases in Microsoft Azure SQL Database / S. Das, M. Grbic, I. Ilic [et al.] // Proceedings of the 2019 International Conference on Management of Data. — New York: ACM, 2019. — P. 666–679. — DOI 10.1145/3299869.3314035.
  7. Подсказки хранилища запросов // Microsoft Learn: [сайт]. — Redmond: Microsoft, 2025. — URL: https://learn.microsoft.com/ru-ru/sql/relational-databases/performance/query-store-hints (дата обращения: 19.10.2026).
  8. Breiman, L. Random forests / L. Breiman // Machine Learning. — 2001. — Vol. 45, № 1. — P. 5–32. — DOI 10.1023/A:1010933404324.
  9. Scikit-learn: machine learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort [et al.] // Journal of Machine Learning Research. — 2011. — Vol. 12. — P. 2825–2830.
Можно быстро и просто опубликовать свою научную статью в журнале «Молодой Ученый». Сразу предоставляем препринт и справку о публикации.
Опубликовать статью
Молодой учёный №45 (648) ноябрь 2026 г.
Скачать часть журнала с этой статьей(стр. 9-11):
Часть 1 (стр. 1-63)
Расположение в файле:
стр. 1стр. 9-11стр. 63
Похожие статьи
Классификация проблем планов выполнения запросов MS SQL Server методами машинного обучения
Применение индексирования для ускорения запросов к базе данных
Применение секционирования таблиц для ускорения запросов к базе данных
Разработка модуля прогнозирования цен на товары для онлайн-платформы
Применение технологий искусственного интеллекта в деятельности организации: области внедрения и оценка эффективности
Имитационное моделирование процесса передачи данных
Алгоритм оценки точности прогноза технического состояния ИУС от частоты опроса и типа данных структурных элементов
Использование нейронных сетей в задаче прогнозирования закупок товаров
Анализ времени обработки запросов при увеличении количества столбцов в таблице базы данных
Анализ СУБД и перспективных языков программирования для реализации системы определения параметров сборного режущего инструмента на основании графовых моделей

Молодой учёный