引言：当'逻辑清晰'遇上'性能陷阱'
在现代企业级应用中，SQL 早已不再是简单的单表查询。为了应对复杂的业务逻辑，开发人员倾向于使用 CTE（公用表表达式）、嵌套子查询、窗口函数和聚集操作来组织数据流程。这种写法虽然提升了代码的可读性和维护性，却往往给数据库优化器带来了'隐形炸弹'——尤其是在 连接条件无法有效下推到子查询内部 的场景下，中间结果集的膨胀会直接拖垮整个查询性能。
本文从一个真实客户案例出发，深入剖析复杂查询中因连接条件下推失败导致的性能瓶颈，并介绍金仓数据库在 V009R002C014 版本中引入的 基于代价模型的连接条件下推（Cost-based Join Predicate Pushdown） 方案。该方案通过'语义等价性保障'与'代价模型决策'的双重约束，在保证结果正确的前提下，实现了数量级的性能提升。
问题根源：高选择性条件为何'鞭长莫及'
场景还原
在许多业务系统中，SQL 往往呈现以下模式：
- 在子查询或 CTE 中完成复杂的预处理（如去重、聚合、窗口计算）；
- 外层再与其他表进行连接，并附带高选择性的过滤条件。
例如：
SELECT * FROM (
SELECT DISTINCT s1.a, s1.b FROM s1
) s
JOIN s2 ON s.s1a = s2.s2a
WHERE s2.b = 3;
从业务语义上看，这个查询逻辑清晰：先对 s1 去重，再与 s2 连接并过滤 s2.b = 3 的数据。但从执行层面分析，隐患巨大：
- 子查询
s必须对s1执行全表扫描和去重操作； - 外层
WHERE s2.b = 3的高选择性条件无法'穿透'到子查询内部； - 子查询产生一个庞大的中间结果集；
- 后续的连接和过滤全部基于这个大结果集进行，性能急剧下降。
问题的核心并非连接本身，而是 过滤发生得太晚。
业界面临的两大核心难点
将连接条件下推到子查询内部，直观上能有效解决上述问题。但数据库内核实现这一优化，需要跨越两道关卡：
1. 语义等价性（Equivalence）
连接条件下推改变了谓词生效的位置，若处理不当，可能改变 SQL 的最终语义。尤其在以下场景中，下推必须格外谨慎：
- 包含聚集函数（
GROUP BY）或窗口函数； - 存在
DISTINCT、UNION等集合操作； - 涉及非确定性函数或带有副作用的表达式。
因此，并非所有连接条件都能安全下推，必须建立严格的等价性判定规则。
2. 代价评估（Cost）
即便语义上等价，下推也未必总是'划算'：
- 下推后可能将连接转化为参数化执行（Nested Loop 风格），若外层驱动表数据量巨大，子查询会被重复执行成千上万次；
- 极端情况下，参数化执行的累积开销可能超过原始的全表扫描方案，导致性能回退。
结论很明确：连接条件下推不仅要 '能推'，更要 '值得推'。
传统优化器的'无力感'
在面对上述 SQL 时，传统优化器通常采用一种保守的执行策略：
- 完整执行子查询：扫描基表，完成去重、聚合、窗口计算等所有操作；
- 生成庞大的中间结果；
- 与外层表进行连接，并应用过滤条件。
这种策略的致命伤在于：外层的高选择性条件无法反作用于子查询的数据扫描阶段。当子查询本身计算复杂且数据量大时，这一路径几乎必然成为性能瓶颈。
破局之道：等价 + 代价的双重驱动
金仓数据库在最新的 V009R002C014 版本中，针对上述痛点设计了一套 基于代价的连接条件下推 机制。整个决策过程分为两个阶段，确保优化既安全又高效。
阶段一：等价性判定（Can we push?）
本阶段的目标是识别 绝对安全 的下推机会，而非盲目下推。优化器会：
- 分析子查询的结构，判断是否满足语义等价条件；
- 对包含聚集、窗口、集合操作的复杂子查询进行专项约束检查；
- 将连接谓词拆分为 可参数化部分（依赖外层列）和 子查询内部列 两部分。
只有通过等价性校验的谓词，才会被改写为参数化过滤条件，注入到子查询的扫描或过滤阶段。这一步的核心是确保：下推后的结果与原 SQL 完全一致。
阶段二：代价模型评估（Should we push?）
通过等价性校验后，优化器不会立即选择下推，而是进入代价评估环节：
- 估算下推前后的执行路径代价；
- 比较子查询的扫描行数、中间结果规模；
- 评估参数化执行可能带来的重复计算成本（驱动表基数 × 每次探测代价）；
- 最终选择整体代价最低的执行计划。
若代价模型判定下推收益不足甚至可能引发性能回退，优化器会自动放弃下推，转择其他执行路径。这一步保证了：下推后的计划真正更快。
下图概括了整个决策流程：
连接谓词 │
▼
┌───────────────┐
│ 等价性判定 │
│ • 子查询结构 │
│ • 语义安全 │
└───────────────┘
│
通过？▼
┌───────────────┐
│ 代价模型评估 │
│ • 下推前后代价│
│ • 参数化开销 │
└───────────────┘
│
值得？▼
执行下推或保留原计划
效果验证：从全表扫描到精准过滤
最小化用例对比
测试 SQL：
SELECT * FROM (
SELECT DISTINCT * FROM s3
) s3
JOIN s1 ON s1.s1a = s3.s3a;
- 未下推：子查询全表扫描 + 去重，执行时间约 84 ms。
- 下推后：连接条件在子查询扫描阶段即参与过滤，执行时间降至 0.14 ms，中间结果规模锐减，性能提升近 600 倍。
作为对比，某主流商业数据库（D 厂商）在相同 SQL 下的执行时间为 1.62 ms（采用 Hint 强制 Nested Loop），远高于金仓下推后的耗时。
复杂场景验证
测试 SQL（包含 UNION、DISTINCT、窗口函数、多层子查询）：
EXPLAIN ANALYZE
SELECT *
FROM (
SELECT * FROM (
SELECT DISTINCT * FROM s3
UNION
SELECT DISTINCT * FROM s3 a
) s3
JOIN s1 ON s1.s1d = s3.s3a
) s
JOIN (
SELECT * FROM (
SELECT s3a, SUM(s3b) OVER(PARTITION BY s3a) s3d FROM s3
) s3
JOIN s1 ON s1.s1a = s3.s3a
) j ON s.s3d = j.s3a;
- 未下推时：多个子查询对基表进行全量扫描，生成巨大中间结果，最终连接成为瓶颈，总执行时间 1081 ms。
- 下推后：连接条件提前介入子查询扫描，所有子查询均由全表扫描转为选择性扫描，执行时间骤降至 0.23 ms，提升超过 4700 倍。
通过对比可见，下推后的执行计划有效避免了中间结果的爆炸性增长，将'先计算后过滤'转变为'边过滤边计算'，极大释放了系统性能。
总结与展望
复杂查询中的连接条件下推，远非简单的规则改写，而是一项典型的 成本驱动型优化：
- 仅依赖规则，忽略代价，可能引入灾难性性能回退；
- 只关注代价，不保障等价，则会直接破坏 SQL 语义。
金仓数据库通过 等价性保障 + 基于代价的决策 的组合设计，在安全的前提下最大化连接条件的过滤能力，显著减少子查询阶段的数据扫描与中间结果规模，在复杂 SQL 场景中实现了数量级的性能提升。
这类优化对于 OLAP、混合负载以及复杂报表型查询尤为关键。未来，随着数据规模和查询复杂度的持续增长，代价驱动的智能下推技术将成为查询优化器演进的核心方向之一。
