摘要：本文针对8.1.2版本中的NOT IN场景的Mixed-HashJoin新技术进行介绍。该技术在GaussDB(DWS)与招商银行的联创项目中落地，为招商银行的批量作业带来了总体15%的性能提升。
本文分享自华为云社区《排他分析场景400倍性能提升-GaussDB(DWS) 独家NOT IN优化技术解密【这次高斯不是数学家】》，作者：两杯咖啡。
本文针对8.1.2版本中的NOT IN场景的Mixed-HashJoin新技术进行介绍。该技术在GaussDB(DWS)与招商银行的联创项目中落地，为招商银行的批量作业带来了总体15%的性能提升。同时，该文件也同时介绍了NOT IN的使用场景和在GaussDB(DWS)中的调优手段，希望各位读者试用该技术。
对于金融类客户业务来说，经常会出现类似基于某些条件排他的查找，例如：基于客户ID、客户ID和业务ID的组合，查找不在某个特征范围内的用户集合等等。此类查询特定记录的使用场景，可以使用NOT IN的语法来实现。NOT IN场景在分析型数据库中被广泛使用，例如：GaussDB(DWS)的大客户：工商银行、招商银行、光大银行在业务场景中都有数量众多的NOT IN语句。这类语句一般在进行集合排他比较时使用，例如如下语句：
select * from t1 where a not in (select a from t2);
该语句的语义为：查找a值不在t2表中的所有t1表中的记录。
由于NOT IN对于NULL值的特殊处理，导致这类语句无法使用高效的HashJoin进行高效处理，性能比较差，调优门槛比较高，成为困扰大多数客户的一大难题。Teradata、Oracle等数据库友商也针对 NOT IN问题进行了大量探索，但始终未能完美解决该场景的性能问题。GaussDB(DWS)在8.1.2最新版本实现了独家的分布式Mixed-HashJoin的NOT IN优化技术，在招商银行联合创新项目中得到了应用，共有近900个作业（占作业总数的3%）中包含的NOT IN语句性能平均提升400倍，招行生产集群单日所有作业端到端性能提升15%，效果明显，解决了客户的痛点问题。
这篇文章针对NOT IN的使用方法进行介绍，希望广大用户都可以尝试使用GaussDB(DWS)的NOT IN优化高级特性。
一. 数据库中的三值逻辑
提到NOT IN，就不得不提到数据库中的三值逻辑。在数理逻辑中，我们用true和false的二值逻辑表示真假，而在现实世界中，会存在一些数据，目前是未知的，因此存储在数据库中是用NULL来表示的，遇到NULL值运算时，我们也无法判断其真假，故引入了第三值逻辑，即NULL。注意，NULL值不同于空串，因为空串是一个固定的值。当然，在Oracle兼容的模式下，空串是被视为空值的，但在TD和MYSQL兼容模式下就是不等的。NULL值与任意值的比较均未知，属于游离于True和False之外的第三值，通俗来说，NULL值无法确定与任意值相等，但它可能是任意值，因此也无法确认NULL值与任意值不等。因此，如果需要查询NULL值，不能使用等值比较的方式，而应该使用IS NULL的形式，例如：
select * from t where a = NULL; --错误
select * from t where a is NULL; --正确
而NOT IN中的IN操作符，由于其与=的等价关系，导致IN和NOT IN操作符均不会包含NULL值，例如：
对于包含{1，-1，NULL}的数据表t，对应以下的查询结果：
![]()
上述后两条语句返回1，只有1符合条件。
![]()
上述两条语句返回1，只有-1符合条件；NULL和1的等值比较为NULL，取非后仍为NULL，不为真。
![]()
上述语句返回2，1和-1符合条件。
![]()
上述语句返回0，任意值与NULL比较结果均为NULL，非真。
![]()
返回0，任意值比较结果NULL取非后仍为NULL，非真。
二. NOT IN的使用场景和示例
NOT IN一般在特征提取时会有广泛使用。例如：我们需要查找不符合A，B两个属性中部分属性组成的相应条件的特定人群，可以将相应的条件插入一个表t2中，例如：满足A=1且B=3，则将(1,3)插入表中；满足B=4时，A值置为NULL。然后将目标表和表t2进行NOT IN操作，含义为：查找(A,B)组合不为(1,3)、同时B不为4的元组。在金融行业中，经常出现基于某些条件组合进行用户的筛选的业务，条件组合中由于部分未知情况可能包含某些列的缺失，则业务逻辑就可以这样实现。
如上面例子所示，假如判断匹配的表t2(a, b)中包含如上两条记录，而参与查找的表t1(a,b)中包含5条记录：(1,3), (2,4), (2,6), (3,null), (null,5)。对于语句
select * from t1 where (a,b) not in (select a,b from t2);
在进行NOT IN运算时，NULL值可以看成和任意值匹配，只有两列中存在不匹配的列时，NOT IN返回true。t1各元组和t2目标表的匹配情况（如箭头所示）及输出结果result如下图所示。
![]()
三. NOT IN与NOT EXISTS的区别
某些数据库的用户还知道NOT EXISTS的用法，和NOT IN很相似，但是有一定区别。例如：上例的NOT IN语句可以改写成下面的语句：
select * from t1 where (a,b) not in (select a,b from t2);
->
select * from t1 where not exists (select 1 from t2 where t1.a=t2.a and t1.b=t2.b);
同样是获取不满足在某个范围内的元组，对于上例的输入，输出结果为4条元组，仅不包含(1,3)。为什么会这样呢？
通过上面的分析，我们可以知道，NOT IN中IN使用等值（=）比较，而NOT IN则使用不等值（<>）比较。对比起来，EXISTS同样使用等值（=）比较，而NOT EXISTS则等价于等值（=）比较取反，即EXISTS和NOT EXISTS是互补的。因此，IN和EXISTS是等价的，而NOT IN和NOT EXISTS是不等价的，两者之间差了NULL的处理，如下图所示。
![]()
从另一个角度来理解，NOT IN运算相当于NULL值的强过滤，均不输出。NOT EXISTS运算则相当于不进行NULL值过滤，均输出。对比两个语句的执行计划，可以看出Join条件上的差别。由于NOT IN在内核使用Anti Join（反连接运算）来实现，即元组不匹配才输出，因此条件上也增加了NULL值返回true的条件。
![]()
![]()
四. GaussDB(DWS) NOT IN优化技术
NOT IN性能问题是业务公认的技术难题，友商Teradata和Oracle均针对NOT IN进行了部分场景的优化，即Null-aware技术，针对单列的NOT IN问题进行了NULL干预，但对于多列NOT IN问题仍然存在各种已知问题。下图为友商在NOT IN场景下，分布式以及单列/多列NOT IN的调研结论。
![]()
GaussDB(DWS)也一直致力于该问题的求解，新版本针对NOT IN有两个优化技术。
通过上面的分析我们可以看出，NOT IN运算需要增加额外的NULL值判断，出现的OR条件导致必须通过低效的NestLoop计算。GaussDB(DWS)可以根据用户定义的NOT NULL约束来自动检测去掉NULL值判断，例如：上面的语句中，如果t1表的a列，及t2表的a列上均有NOT NULL约束，则条件t1.a=t2.a不再包含NULL值判断的OR条件，可以转化为高效的HashJoin来进行处理。同时，GaussDB(DWS)也支持部分表达式的NULL值推导，只要基表列上包含NOT NULL约束，参与NOT IN运算的表达式也可以由于推导出的NOT NULL约束进行计划层的优化。
如果NOT IN运算的列值中包含NULL值，则必须采取对NULL值的单独处理来解决问题。GaussDB(DWS) 8.1.2版本实现了分布式Mixed-HashJoin技术，在执行时各DN可以动态分离出包含NULL值的元组，进行NestLoop特殊匹配处理；而对于非NULL值，则可以使用高效的HashJoin来进行执行。由于业务中的NULL值为不确认因素，所占的比例较少，因此，该技术可以保证该类场景的性能优势最大化，在NULL值很少的场景，性能和NOT EXISTS持平。新版本执行计划如下所示：
![]()
该技术目前已经支持向量化引擎，后续将针对行引擎进行进一步的完善。同时，针对不同列的NULL值情况，也可以建多个NULL值的hash表加速匹配，避免NULL值过多时使用NestLoop仍然过慢。
同时，由于外表的NULL值可能匹配到内表的任意值，因此通常需要将内表进行广播（Broadcast）操作。如果内表较大，则占用较多网络资源且影响性能。此时，如果外表在NOT In的某列上有NOT NULL约束，内表可以在该列上对非NULL值进行重分布，仅广播NULL值，减少网络数据发送量。例如，如果上例中，t1表的a列包含NOT NULL约束，则会生成如下的计划（t2表对应的a列进行了重分布，同时将NULL值广播）：
![]()
五. NOT IN场景的调优手段
如果使用GaussDB(DWS)早期版本的用户也不必着急，本章介绍一些NOT IN场景的调优手段，供大家在实践中使用。
上文详细分析了NOT IN和NOT EXISTS的区别。因此，如果用户可以通过自身的业务逻辑，确认NOT EXISTS的语义也可以满足，通常可能是因为对于NULL值的处理不关心，或者数据中根本不存在NULL值，则可以通过等价改写将NOT IN改写为NOT EXISTS来进行优化。通用改写方法为：
… WHERE … (col1, col2, …, coln) NOT IN (SELECT c1, c2, …, cn FROM …) …
改写为：
… WHERE NOT EXISTS(SELECT 1 FROM … WHERE col1=c1 AND col2=c2 AND … AND coln=cn ...) …
由于GaussDB(DWS)在早期版本中即支持NULL值的推导逻辑，因此可以通过对NOT IN运算的基表列增加NOT NULL约束，将OR条件转化为等值条件进行优化。注意，对于多列的NOT IN场景，仅需要将内外表对应的一列均增加NOT NULL约束即可进行调优。例如上例，可以单独为col1和c1增加NOT NULL约束，也可以为coln和cn增加NOT NULL约束，以此类推。也可以在SQL语句里显式增加IS NOT NULL的条件来过滤掉无用的NULL值，或者提示优化器该列上的非空约束，例如：select * from t1 where (a,b) not in (select a, b from t2 where a is not null) and a is not null;
8.1.2版本中，由于分布式Mixed-HashJoin技术仅支持向量化引擎，因此可以通过将语句中涉及的表均创建为列存表，并设置参数rewrite_rule包含’notinopt’值，即可使用新的技术。由于该参数为多值参数，因此，需要通过show rewrite_rule命令查看当前设置的值（如未设置则为默认值），通过在其后添加’notinopt’值进行设置。关于rewrite_rule的其它值，后续将在其它文章中介绍。
如果用户使用的表为行存表，GaussDB(DWS)还提供参数enable_force_vector_engine强制使用向量化引擎处理，同样可以使用新技术。该参数为bool值，默认为off。以上两个参数均可以session级设置生效。
进一步地，为了减少内表广播带来的资源消耗，如果在外表某些NOT IN列理论上不为空的情况下，可以为其中某些列增加NOT NULL约束，或在语句中指定IS NOT NULL条件，则可以通过数据重分布减少网络发送量，进一步提升性能。
六. 结语
通过本文的分析，相信用户朋友已经充分了解了分析型业务排他操作-NOT IN的使用场景、SQL语法，以及GaussDB(DWS)的NOT IN实现方式，可行的调优方法。希望广大用户能够通过深入的了解，对GaussDB(DWS)的性能调优产生浓厚的兴趣并深度参与进来。如NOT IN问题的攻克一样，GaussDB(DWS)目前正着力解决其它棘手的性能问题，期待在其它场景中，也可以给用户带来极致的性能体验，减少用户调优的成本。
理论不如实践，那如何快速体验DWS呢？DWS现推出了一项Demo体验活动。进入DWS首页，点击“Demo体验”，快速便捷体验一把！体验过程中有任何建议和意见，可以去DWS社区论坛反馈哦；）
点击关注，第一时间了解华为云新鲜技术~
