Parameter sniffing
Concept
Поведение движков, подобных SQL Server, которые компилируют план для значений параметров, встреченных при компиляции, и затем повторно используют закэшированный план; это может приводить к плохой производительности при сильно отличающихся значениях параметров. Также называется чувствительностью к параметрам.
Description
Parameter sniffing — это поведение движков баз данных, подобных SQL Server, при котором план запроса компилируется для значений параметров, встреченных на момент компиляции, а затем закэшированный план повторно используется. Его также называют чувствительностью к параметрам. Само по себе это поведение не является дефектом: при компиляции или перекомпиляции запроса движок учитывает текущие значения параметров и передает их оптимизатору запросов, который может построить более эффективный план выполнения для этих значений. Трудности возникают, когда закэшированный план позже применяется к значениям параметров, которые сильно отличаются от исходных, поскольку план, подходящий для одного значения, может работать плохо для другого.
Руководство по архитектуре обработки запросов для SQL Server от Microsoft описывает parameter sniffing в разделе о чувствительности к параметрам. Согласно этому руководству, процесс применяется к хранимым процедурам, запросам, выполняемым через sp_executesql, и подготовленным запросам. Он напрямую связан с повторным использованием планов, поскольку скомпилированные планы хранятся в кэше планов и могут быть повторно использованы последующими выполнениями. Поэтому первый набор значений, который запускает компиляцию, определяет план, получаемый последующими вызовами, и именно поэтому результаты могут различаться в зависимости от того, какой вызов скомпилировал план.
В руководстве упоминается одно средство решения проблемы: подсказка запроса OPTION (RECOMPILE). С этой подсказкой оптимизатор рассматривает параметры и локальные переменные как константы времени компиляции, которые могут быть подставлены в виде литералов. Используются значения, действующие непосредственно перед выполнением оператора, которые не обязательно совпадают с первоначально переданными значениями. Это может помочь, когда входные данные сильно варьируются или искажены. В руководстве также предупреждается, что подсказка перекомпилирует запрос при каждом выполнении, что может быть дорого, и рекомендуется оценить влияние на всю рабочую нагрузку перед ее использованием. Кроме того, руководство ссылается на отдельную статью об оптимизации Parameter Sensitive Plan для дальнейшего чтения.
Связанная деталь из той же документации касается локальных переменных. Их значения не учитываются при компиляции. Вместо этого оптимизатор делает оценки на основе информации о плотности или, если статистика отсутствует, использует фиксированные процентные предположения для операций сравнения на равенство и диапазон. Это различие важно при диагностике медленного запроса, поскольку параметр и локальная переменная могут приводить к разным оценкам и, следовательно, к разным планам.
На практике parameter sniffing проявляется в виде запросов, которые работают быстро для одних входных данных и медленно для других, или в виде изменения производительности после вытеснения плана из кэша и его перекомпиляции. Эпизод M365.FM «Fix Bad Data Upstream with T-SQL Contracts» перечисляет parameter sniffing среди распространенных сбоев в корпоративной среде, описывая его как явление, которое может маскироваться под случайность. В эпизоде также формы планов рассматриваются как вопрос управления: если формы планов меняются, меняются и расходы, и надежность, то есть поведение планов переходит в стабильность затрат и операционный риск.
Эпизод «Design Reliable and Resilient Azure Architectures» помещает parameter sniffing в процесс устранения неполадок для Azure SQL Database. Он предлагает включить Intelligent Insights и Query Performance Insight, фиксировать долго выполняющиеся запросы, анализировать планы выполнения и выявлять отсутствующие индексы или parameter sniffing. Также упоминаются рекомендации автоматической настройки Azure SQL и предложения по индексам через Azure Advisor, а также оптимизация запросов, подходящая индексация и рассмотрение масштабирования DTU или vCore или перехода на Hyperscale.
В совокупности источники рассматривают parameter sniffing как компромисс кэширования планов: повторное использование скомпилированного плана экономит работу по компиляции, тогда как план, настроенный под одно значение параметра, может не подходить для других. Типичные решения в этой области включают анализ планов выполнения, проверку искажения распределения данных и взвешивание затрат на компиляцию для таких вариантов, как OPTION (RECOMPILE), против выгоды от более подходящих планов.
Overview compiled with AI from M365.FM episodes and the facts on this page. You can improve it with the edit button below.
| Type | Concept |
|---|
Frequently asked questions
Questions marked with AI were written with AI from the facts on this page.
Что такое parameter sniffing? (AI)
Это поведение движков, подобных SQL Server, которые компилируют план запроса для значений параметров, встреченных на момент компиляции, и повторно используют закэшированный план. Это может приводить к плохой производительности, если последующие значения параметров сильно отличаются. Также называется чувствительностью к параметрам.
Как OPTION (RECOMPILE) может повлиять на проблемы parameter sniffing? (AI)
Согласно руководству Microsoft по обработке запросов, эта подсказка заставляет оптимизатор рассматривать параметры и локальные переменные как константы времени компиляции, которые могут быть подставлены в виде литералов, что может помочь при сильно варьирующихся или искаженных данных. Запрос перекомпилируется при каждом выполнении, что может быть дорого, поэтому сначала следует оценить влияние на всю рабочую нагрузку.
Учитываются ли локальные переменные так же, как параметры? (AI)
Нет. В документации указано, что значения локальных переменных не учитываются при компиляции. Вместо этого оптимизатор делает оценки на основе информации о плотности или, при отсутствии статистики, использует фиксированные процентные предположения для операций сравнения на равенство и диапазон.
Community wiki
Short info above, community knowledge below: add practical tips, examples or corrections. New contributions are reviewed first; trusted members publish directly.
Experts and companies for this topic
Nobody has listed this topic yet. Add it to your profile.
Maintained by Mirko Peters (Microsoft MVP) · Last updated: