मेमोरी सीमा पार हो गई
आशावादी को स्मृति दबाव के कारण बेहतर योजना विकल्पों की तलाश करने से रोकने के लिए मजबूर किया गया था। उसके कारण की जांच और सुधार किया जाना चाहिए, फिर क्वेरी संकलन फिर से प्रयास किया जाना चाहिए। लौटाया गया प्लान बहुत अच्छी तरह से नहीं हो सकता है कि जिस ऑप्टिमाइज़र का चयन किया गया है वह कम मेमोरी स्थिति में मौजूद नहीं था।
समय समाप्त
यह कारण बहुत गलत समझा गया है ।
क्वेरी ऑप्टिमाइज़र का उद्देश्य उचित योजना को जल्दी से ढूंढना है । यह सबसे अच्छा संभव योजना खोजने के लिए एक संपूर्ण खोज नहीं करता है। डिजाइन के अनुसार, यह आवश्यकता से अधिक अनुकूलन पर अधिक समय बिताने से बचता है। इनमें से एक विशेषता जो यह सुनिश्चित करने के लिए काम करती है कि यह 'टाइम आउट' है (समय का माप नहीं)।
आशावादी खुद को एक 'अन्वेषण बजट' देता है जो तार्किक क्वेरी, कार्डिनैलिटी अनुमानों की जटिलता और अब तक मिली सबसे सस्ती योजना की अनुमानित लागत के आधार पर निर्धारित करता है। उच्च कार्डिनलिटी के साथ अधिक जटिल प्रश्नों को उच्च बजट दिया जाता है।
यदि यह बजट अपने खोज चरणों में से एक से अधिक है, तो चरण समाप्त हो जाता है। यह ऑप्टिमाइज़र के डिज़ाइन और सामान्य ऑपरेशन का हिस्सा है। अधिक ऑप्टिमाइज़र प्रयास की आवश्यकता वाले क्वेरी इसे प्राप्त करते हैं; जो नहीं, नहीं।
Found टाइम आउट ’को Plan गुड इनफ प्लान प्लान’ के रूप में देखें।
अच्छी पर्याप्त योजना मिली
इसका मतलब बिल्कुल एक खाली कारण के समान है। यह केवल एक ऐतिहासिक विचित्रता है जिसकी लागत 0.909090 से कम है ... (1 / 1.1) को इस तरह से लेबल किया जाता है। कुछ भी जल्दी नहीं रुकता है या अन्यथा विशेष रूप से संभाला जाता है या ऑप्टिमाइज़र कोड के भीतर अलग होता है जब यह कारण दिखाई देता है।
मेमोरी सीमा पार होने के बावजूद, क्वेरी ट्यूनिंग या प्रदर्शन विश्लेषण के लिए 'प्रारंभिक समाप्ति कारणों' में से कोई भी बहुत अधिक (यदि कुछ भी हो) का मतलब नहीं है। मैं आमतौर पर उनकी अनदेखी करता हूं।
सलाह
वास्तविक प्रदर्शन मीट्रिक (व्यतीत समय, सीपीयू / मेमोरी उपयोग, ... जो भी संदर्भ में महत्वपूर्ण है) के आधार पर लक्षित क्वेरी ट्यूनिंग प्रयास। यदि कोई क्वेरी अपने इच्छित उद्देश्य के लिए बहुत धीमी है, तो इसे तेजी से बनाने में समय व्यतीत करें। वास्तविक प्रदर्शन को मापें, आधारभूत और इतिहास के साथ तुलना करें, और महत्वपूर्ण संस्करण में ट्यूनिंग प्रयास को लक्षित करें।
उपयोगी आँकड़ों और अनुक्रमित और अच्छी तरह से लिखित, अनुकूलक-अनुकूल प्रश्नों के साथ एक उचित संबंधपरक स्कीमा में गारंटीकृत-स्वच्छ डेटा संग्रहीत करें।
