数据库优化报告

一、    性能现状

经客户反映，某医疗系统查询响应较慢，经过一段时间对数据库的性能监控，发现数据库整体负载不高，数据库各性能相关参数也配置合理，CPU,内存，IO等资源也没有存在使用不足的状况，整体性能还是处于一个比较良好的状态。后来经与开发人员沟通，发现目前这个业务系统，并发性不高，数据量也不大，而且目前这个系统响应慢，主要是集中在一些并发不高的查询模块上，后来经数据库的底层跟踪，发现这些查询模块是通过前端筛选条件，后台查询数据库视图的方式进行读取数据的，下面是针对这些查询模块的数据结构，SQL代码等方面进行优化分析。

二、   优化方案

通过数据库的底层跟踪分析，发现这类响应缓慢的查询模块有共同点，以下是这类查询SQL语句的基本结构与代码示例：

SELECT/*+ FIRST_ROWS */*

   FROM(SELECT a.*,ROWNUM rn

          FROM(SELECT*

                  FROM V_R_REG_PATIENT_INFO

                 WHERE1=1

                   AND(1=1AND

                       ('A区CT,A区MR,A区DR'LIKE'%'|| F_MACHINE_NAME ||'%')AND

                       ('登记'LIKE'%'|| F_STATUS_NAME ||'%')AND

                       (F_STU_DATE >='2016.06.27'AND

                       F_STU_DATE <='2016.06.28')AND F_STU_ID >0)

                 ORDERBY F_STU_ID DESC) a

         WHEREROWNUM<=20)

WHERE rn >0

ORDERBY F_STU_ID DESC

2.1   现状分析

从以上这类SQL语句的代码来看，过滤条件主要带有日期范围查询，字符like等模糊判断条件，而且做了分页。经开发人员的反映来看，如果要查1-2天的数据该SQL语句在前端的查询速度是2-3秒之间，这个效率比较慢，难以接受。接下来我们再来看这个V_R_REG_PATIENT_INFO视图(VIEW)的底层结构：

Select……. T_R_STUDY8.F_STU_CHAR810, T_R_STUDY8.F_STU_CHAR811

   FROM T_R_STUDY6,

       T_R_STUDY1,

       T_CM_DICT_STATUS,

       T_R_STUDY4,

       T_R_STUDY10,

       T_R_STUDY,

       T_R_STUDY8,

       V_R_STU_OTHER_STATUS,

       T_R_DICT_CLASS,

       T_R_VISIT,

       T_R_DICT_PATSOURCE,

       T_R_DICT_SEX,

       T_R_PATIENT,

       T_R_DICT_STUDY_TYPE,

       T_R_MODALITY_TYPE,

       T_R_EXAM_MACHINE,

       T_R_DICT_ROOM,

       T_R_DICT_OT_STATUS,

       T_R_DICT_STATUS,

       T_R_DICT_AGE

WHERE T_R_STUDY.F_STU_ID = T_R_STUDY8.F_STU_ID(+)

   and T_R_STUDY.F_STU_ID = V_R_STU_OTHER_STATUS.F_STU_ID(+)

   and T_R_STUDY10.F_STU_ID(+)= T_R_STUDY.F_STU_ID

   and T_R_STUDY4.F_STU_ID(+)= T_R_STUDY.F_STU_ID

   and T_CM_DICT_STATUS.F_CM_STATUS_ID(+)= T_R_STUDY.F_CM_STATUS_ID

   and T_R_STUDY1.F_STU_ID(+)= T_R_STUDY.F_STU_ID

   and T_R_STUDY.F_CLASS_ID = T_R_DICT_CLASS.F_CLASS_ID(+)

   and T_R_STUDY.F_VST_ID = T_R_VISIT.F_VST_ID(+)

   and T_R_VISIT.F_PSOURCE_ID = T_R_DICT_PATSOURCE.F_PSOURCE_ID(+)

   and T_R_DICT_SEX.F_SEX_ID(+)= T_R_PATIENT.F_SEX_ID

   and T_R_VISIT.F_PAT_ID = T_R_PATIENT.F_PAT_ID(+)

   and T_R_STUDY.F_STU_TYPE_ID = T_R_DICT_STUDY_TYPE.F_STU_TYPE_ID(+)

   and T_R_STUDY6.F_STU_ID(+)= T_R_STUDY.F_STU_ID

   and T_R_EXAM_MACHINE.F_ROOM_ID = T_R_DICT_ROOM.F_ROOM_ID(+)

   and T_R_MODALITY_TYPE.F_MODALITY_ID(+)= T_R_EXAM_MACHINE.F_MODALITY_ID

   and T_R_STUDY.F_MACHINE_ID = T_R_EXAM_MACHINE.F_MACHINE_ID(+)

   and T_R_STUDY.F_OT_STATUS_ID = T_R_DICT_OT_STATUS.F_OT_STATUS_ID(+)

   and T_R_STUDY.F_STATUS_ID = T_R_DICT_STATUS.F_STATUS_ID(+)

   and T_R_STUDY.F_AGE_ID = T_R_DICT_AGE.F_AGE_ID(+)

   and(T_R_STUDY.F_STU_DEL_FLAG =0);

2.2   优化分析

1)       优化措施一：去除HINT

从这个视图来看，有大量的表关联连接，经开发人员反映，大表主要是集中在T_R_STUDY1-N这类表，而外层的日期范围筛选，是基于这些大表的日期字段的。从该SQL语句的代码与执行计划来看，COST消耗也不算高，仔细观察这个前端查询SQL语句，用了HINT，后来经过手工执行SQL TUNNING ADVISOR优化包，发现有更好的SQL概要文件，接受后，发现这个SQL的执行计划产生了变化，于是重新运行该SQL语句，除了第一次执行较慢外（该原因下面会介绍到），后续的查询效率都有明显的提高，以查1天的数据为例，查询效率从原来的2S下降到0.5S内，从这里得到第一个优化点：去除SQL语句的HINT，让该部分SQL语句重新产生了正确的执行计划。

2)       优化措施二：完善绑定变量

虽然去掉HINT后，该类SQL语句的执行效率有了较大的提高，但变换查询条件后，第一次执行效率还是在1.5S左右，根据这个现象，我们分析了该类SQL语句的游标与执行计划，发现每次变化条件后，这些SQL传入游标后都是带有一个常量，也就是说每次都要进行硬解析，这就比较好理解了，由于硬解析是要消耗CPU和内存的，需要经过该SQL的语法分析，权限判断，分配内存，并经过优化器产生最优执行计划等阶段，所以消耗的时间较长。经与开发人员确认，前端代码的确是没采用绑定变量的技术。后来经调整测试，采用绑定变量后，该类SQL的执行效率正常了，无论是第一次还是后续执行，都是在0.5S左右。以下是调整后的SQL代码:

SELECT*

   FROM(SELECT a.*,ROWNUM rn

          FROM(SELECT*

                  FROM V_R_REG_PATIENT_INFO

                 WHERE1=1

                   AND(F_PAT_NAME LIKE:p1 AND F_MODALITY_NAME in(:p2,:p3)AND

                       F_STU_DATE >=:p4 AND F_STU_DATE <=:p5 AND555=555)

                 ORDERBY F_STU_ID DESC) a

         WHEREROWNUM<=500)

WHERE rn >0

ORDERBY F_STU_ID DESC

3)       优化措施三：优化表结构设计

经上述两点调整后，该类SQL语句的执行效率虽然有了比较大的改善效果，但从该视图的结构定义来分析，发现存在大量的表关联，后来经与开发人员的深入沟通，发现视图里的T_R_STUDY1-N的这些表都属于大表，而且表记录是一致的。经确定，这是把表拆分列，达到分表的效果，这些表关联的意义是：从这些不同的分表中取出不同的列进行汇总读取并过滤。从这里就可以定位到问题：该类SQL还有一个比较严重的性能问题就是，存在太多的分表关联，特别对于这种数据量增长较多的表，需要进行HASH,循环嵌套等查询，需要消耗较多的时间。如果把这类分表合并，相信这个消耗时间会减少50%以上，也就是这个SQL的执行效率会提高2-3倍。目前由于数据量还不大，所以查询速度还是可观的，但将来数据量增大后，这种合并后的优化效果会更明显。但合并的前提是遵守数据库的设计范式进行，可按照第三范式的要求，合并不存在冗余映射关系的列，从而减少表连接，提高数据库的查询速度。

4)       优化措施四：更高数据类型并分区

另外，从这些大表的表结构设计上，我们还发现一个问题，这类大表的日期字段采用了字符型varchar2的数据类型，这从开发的角度来看，是很不规范的，采用字符类型做日期字段的弊端有很多，例如不能利用各种日期函数来做运算，不能进行日期分区等。从数据扩展的角度来考虑，建议将该日期字段改成DATE类型，并且可考虑利用这个日期字段进行按月分区，这样有利于以后的数据扩展需求，提供大数据的查询效率。

三、   数据库优化总结

根据以上的优化分析，总结优化建议有：

一、从数据库整体层面出发，检查程序代码带有HINT的SQL语句，并去除这些HINT；

二、从数据库整体层面出发，检查程序代码没采用绑定变量的SQL语句，完善它；

三、优化一些大表的表结构设计，合并列，减少数据表的关联查询，提高SQL执行效率；

四、从数据库整体层面出发，检查用字符类型做时间字段的情况并调整过来，并且一些大表，可考虑用这个时间字段进行分区。

公司地址：广州市南沙区丰泽东路106号

公司官网：www.dbs-service.com

电话/微信：13926108245

QQ客服：282321952