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
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
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:
- 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).
- 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.
- 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.
- 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).
- 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.
- 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.
- 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).
- Breiman, L. Random forests / L. Breiman // Machine Learning. — 2001. — Vol. 45, № 1. — P. 5–32. — DOI 10.1023/A:1010933404324.
- 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.

