错误的转换绑定变量类型导致执行计划错误

昨天开发来问我个问题,一个业务sql执行缓慢,下面

SQL> SELECT A.ISSUE_OID,
      (SELECT B.ISSUE_END_TIME FROM ISSUE_T B WHERE A.ISSUE_OID = B.IWOID) AS ISSUE_END_TIME,
      (SELECT C.ENCASH_END_TIME FROM ISSUE_T C WHERE A.ISSUE_OID = C.IWOID) AS ENCASH_END_TIME,
      A.OPERATOR_ID,
      ...
 FROM SALE_DETAIL_T A
WHERE 1 = 1
  AND A.TICKET_STATE = ?
  AND A.SALE_TIME between ? and ?
......


SALE_DETAIL_T 数据600w,返回结果少量,SALE_TIME是索引列

带入参数,查看执行计划



----------------------------------------------------------------------------------------------------------
| Id  | Operation                    | Name                      | Rows  | Bytes | Cost (%CPU)| Time     |
----------------------------------------------------------------------------------------------------------
|   0 | SELECT STATEMENT             |                           |     1 |   187 |     3  (34)| 00:00:01 |
|   1 |  TABLE ACCESS BY INDEX ROWID | ISSUE_T                   |     1 |    41 |     2   (0)| 00:00:01 |
|*  2 |   INDEX UNIQUE SCAN          | PK_ISSUE_T                |     1 |       |     1   (0)| 00:00:01 |
|   3 |  TABLE ACCESS BY INDEX ROWID | ISSUE_T                   |     1 |    41 |     2   (0)| 00:00:01 |
|*  4 |   INDEX UNIQUE SCAN          | PK_ISSUE_T                |     1 |       |     1   (0)| 00:00:01 |
|   5 |  TABLE ACCESS BY INDEX ROWID | ISSUE_T                   |     1 |    37 |     2   (0)| 00:00:01 |
|*  6 |   INDEX UNIQUE SCAN          | PK_ISSUE_T                |     1 |       |     1   (0)| 00:00:01 |
|   7 |  TABLE ACCESS BY INDEX ROWID | ISSUE_T                   |     1 |    36 |     2   (0)| 00:00:01 |
|*  8 |   INDEX UNIQUE SCAN          | PK_ISSUE_T                |     1 |       |     1   (0)| 00:00:01 |
|   9 |  TABLE ACCESS BY INDEX ROWID | ISSUE_T                   |     1 |    36 |     2   (0)| 00:00:01 |
|* 10 |   INDEX UNIQUE SCAN          | PK_ISSUE_T                |     1 |       |     1   (0)| 00:00:01 |
|  11 |  TABLE ACCESS BY INDEX ROWID | ISSUE_T                   |     1 |    37 |     2   (0)| 00:00:01 |
|* 12 |   INDEX UNIQUE SCAN          | PK_ISSUE_T                |     1 |       |     1   (0)| 00:00:01 |
|  13 |  TABLE ACCESS BY INDEX ROWID | ISSUE_T                   |     1 |    37 |     2   (0)| 00:00:01 |
|* 14 |   INDEX UNIQUE SCAN          | PK_ISSUE_T                |     1 |       |     1   (0)| 00:00:01 |
|  15 |  TABLE ACCESS BY INDEX ROWID | ISSUE_T                   |     1 |    37 |     2   (0)| 00:00:01 |
|* 16 |   INDEX UNIQUE SCAN          | PK_ISSUE_T                |     1 |       |     1   (0)| 00:00:01 |
|  17 |  HASH GROUP BY               |                           |     1 |   187 |     3  (34)| 00:00:01 |
|* 18 |   TABLE ACCESS BY INDEX ROWID| SALE_DETAIL_T             |     1 |   187 |     2   (0)| 00:00:01 |
|* 19 |    INDEX RANGE SCAN          | SALE_DETAIL_SALE_TIME_IDX |     1 |       |     2   (0)| 00:00:01 |
----------------------------------------------------------------------------------------------------------


Predicate Information (identified by operation id):
---------------------------------------------------


   2 - access("B"."IWOID"=:B1)
   4 - access("C"."IWOID"=:B1)
   6 - access("E"."IWOID"=:B1)
   8 - access("D"."IWOID"=:B1)
  10 - access("E"."IWOID"=:B1)
  12 - access("F"."IWOID"=:B1)
  14 - access("G"."IWOID"=:B1)
  16 - access("H"."IWOID"=:B1)
  18 - filter("A"."TICKET_STATE"=1)
  19 - access("A"."SALE_TIME">=TO_DATE('2014-03-01 00:00:00', 'yyyy-mm-dd hh24:mi:ss') AND
              "A"."SALE_TIME"<=TO_DATE('2014-03-01 23:59:59', 'yyyy-mm-dd hh24:mi:ss'))
       filter(SYS_OP_DESCEND("A"."SALE_TIME")<=HEXTORAW('878DFCFEF8FEF8FF')  AND
              SYS_OP_DESCEND("A"."SALE_TIME")>=HEXTORAW('878DFCFEE7C3C3FF') )




Statistics
----------------------------------------------------------
          1  recursive calls
          0  db block gets
          3  consistent gets
          0  physical reads
          0  redo size
       1419  bytes sent via SQL*Net to client
        457  bytes received via SQL*Net from client
          1  SQL*Net roundtrips to/from client
          0  sorts (memory)
          0  sorts (disk)
          0  rows processed




真实的执行计划如下

---------------------------------------------------------------------------------------------
| Id  | Operation                   | Name          | Rows  | Bytes | Cost (%CPU)| Time     |
---------------------------------------------------------------------------------------------
|   0 | SELECT STATEMENT            |               |   125 | 23375 |   101K  (2)| 00:20:15 |
|   1 |  TABLE ACCESS BY INDEX ROWID| ISSUE_T       |     1 |    41 |     2   (0)| 00:00:01 |
|*  2 |   INDEX UNIQUE SCAN         | PK_ISSUE_T    |     1 |       |     1   (0)| 00:00:01 |
|   3 |  TABLE ACCESS BY INDEX ROWID| ISSUE_T       |     1 |    41 |     2   (0)| 00:00:01 |
|*  4 |   INDEX UNIQUE SCAN         | PK_ISSUE_T    |     1 |       |     1   (0)| 00:00:01 |
|   5 |  TABLE ACCESS BY INDEX ROWID| ISSUE_T       |     1 |    37 |     2   (0)| 00:00:01 |
|*  6 |   INDEX UNIQUE SCAN         | PK_ISSUE_T    |     1 |       |     1   (0)| 00:00:01 |
|   7 |  TABLE ACCESS BY INDEX ROWID| ISSUE_T       |     1 |    36 |     2   (0)| 00:00:01 |
|*  8 |   INDEX UNIQUE SCAN         | PK_ISSUE_T    |     1 |       |     1   (0)| 00:00:01 |
|   9 |  TABLE ACCESS BY INDEX ROWID| ISSUE_T       |     1 |    36 |     2   (0)| 00:00:01 |
|* 10 |   INDEX UNIQUE SCAN         | PK_ISSUE_T    |     1 |       |     1   (0)| 00:00:01 |
|  11 |  TABLE ACCESS BY INDEX ROWID| ISSUE_T       |     1 |    37 |     2   (0)| 00:00:01 |
|* 12 |   INDEX UNIQUE SCAN         | PK_ISSUE_T    |     1 |       |     1   (0)| 00:00:01 |
|  13 |  TABLE ACCESS BY INDEX ROWID| ISSUE_T       |     1 |    37 |     2   (0)| 00:00:01 |
|* 14 |   INDEX UNIQUE SCAN         | PK_ISSUE_T    |     1 |       |     1   (0)| 00:00:01 |
|  15 |  TABLE ACCESS BY INDEX ROWID| ISSUE_T       |     1 |    37 |     2   (0)| 00:00:01 |
|* 16 |   INDEX UNIQUE SCAN         | PK_ISSUE_T    |     1 |       |     1   (0)| 00:00:01 |
|  17 |  HASH GROUP BY              |               |   125 | 23375 |   101K  (2)| 00:20:15 |
|* 18 |   FILTER                    |               |       |       |            |          |
|* 19 |    TABLE ACCESS FULL        | SALE_DETAIL_T | 15932 |  2909K|   101K  (2)| 00:20:15 |
---------------------------------------------------------------------------------------------


Predicate Information (identified by operation id):
---------------------------------------------------


   2 - access("B"."IWOID"=:B1)
   4 - access("C"."IWOID"=:B1)
   6 - access("E"."IWOID"=:B1)
   8 - access("D"."IWOID"=:B1)
  10 - access("E"."IWOID"=:B1)
  12 - access("F"."IWOID"=:B1)
  14 - access("G"."IWOID"=:B1)
  16 - access("H"."IWOID"=:B1)
  18 - filter(TO_TIMESTAMP('2014-03-01 00:00:00',:B1)<=TO_TIMESTAMP('2014-03-01
              23:59:59',:B2))
  19 - filter(INTERNAL_FUNCTION("A"."SALE_TIME")>=TO_TIMESTAMP('2014-03-01
              00:00:00',:B1) AND INTERNAL_FUNCTION("A"."SALE_TIME")<=TO_TIMESTAMP('2014-03-01
              23:59:59',:B2) AND "A"."TICKET_STATE"=1)




Statistics
----------------------------------------------------------
          0  recursive calls
          0  db block gets
     455964  consistent gets
     413600  physical reads
          0  redo size
       1419  bytes sent via SQL*Net to client
        457  bytes received via SQL*Net from client
          1  SQL*Net roundtrips to/from client
          0  sorts (memory)
          0  sorts (disk)
          0  rows processed


可以看到走了全表扫描,排查多种可能(也考虑到绑定变量窥探的情况,过程省略),结果很奇葩,原因是开发提交sql之前对绑定变量的类型使用的是to_timestamp方法,正确的应该用to_date转换争取的类型即可





深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值