现象描述

t1的表定义为：

create table t1(a int, b int, c int) distribute by hash(a);

假设agg下层算子所输出结果集的分布列为setA，agg操作的group by列为setB，则在Stream框架下，Agg操作可以分为两个场景。

1. setA是setB的一个子集。

   对于这种场景，直接对下层结果集进行汇聚的结果就是正确的汇聚结果，上层算子直接使用即可。如下图所示：

   explain select a, count(1) from t1 group by a;
    id |          operation           | E-rows | E-width | E-costs  
   ----+------------------------------+--------+---------+---------
     1 | ->  Streaming (type: GATHER) |     30 |       4 | 15.56   
     2 |    ->  HashAggregate         |     30 |       4 | 14.31   
     3 |       ->  Seq Scan on t1     |     30 |       4 | 14.14   
   (3 rows)

2. setA不是setB的一个子集。

   对于这种场景，Stream执行框架分为如下三种计划形态：

   hashagg+gather(redistribute)+hashagg

   redistribute+hashagg(+gather)

   hashagg+redistribute+hashagg(+gather)

   GaussDB 200提供了guc参数best_agg_plan来干预执行计划，强制其生成上述对应的执行计划，此参数取值范围为0，1，2，3

   • 取值为1时，强制生成第一种计划。
   • 取值为2时，如果group by列可以重分布，强制生成第二种计划，否则生成第一种计划。
   • 取值为3时，如果group by列可以重分布，强制生成第三种计划，否则生成第一种计划。
   • 取值为0时，优化器会根据以上三种计划的估算代价选择最优的一种计划生成。

   具体影响请看下述图片

   set best_agg_plan to 1;
   SET
   explain select b,count(1) from t1 group by b;
    id |            operation            | E-rows | E-width | E-costs 
   ----+---------------------------------+--------+---------+---------
     1 | ->  HashAggregate               |      8 |       4 | 15.83   
     2 |    ->  Streaming (type: GATHER) |     25 |       4 | 15.83   
     3 |       ->  HashAggregate         |     25 |       4 | 14.33   
     4 |          ->  Seq Scan on t1     |     30 |       4 | 14.14   
   (4 rows)
   set best_agg_plan to 2;
   SET
   explain select b,count(1) from t1 group by b;
    id |                operation                | E-rows | E-width | E-costs 
   ----+-----------------------------------------+--------+---------+---------
     1 | ->  Streaming (type: GATHER)            |     30 |       4 | 15.85   
     2 |    ->  HashAggregate                    |     30 |       4 | 14.60   
     3 |       ->  Streaming(type: REDISTRIBUTE) |     30 |       4 | 14.45   
     4 |          ->  Seq Scan on t1             |     30 |       4 | 14.14   
   (4 rows)
   set best_agg_plan to 3;
   SET
   explain select b,count(1) from t1 group by b;
    id |                operation                | E-rows | E-width | E-costs 
   ----+-----------------------------------------+--------+---------+---------
     1 | ->  Streaming (type: GATHER)            |     30 |       4 | 15.84   
     2 |    ->  HashAggregate                    |     30 |       4 | 14.59   
     3 |       ->  Streaming(type: REDISTRIBUTE) |     25 |       4 | 14.59   
     4 |          ->  HashAggregate              |     25 |       4 | 14.33   
     5 |             ->  Seq Scan on t1          |     30 |       4 | 14.14   
   (5 rows)

优化说明

通常优化器总会选择最优的执行计划，但是众所周知代价估算，尤其是中间结果集的代价估算一般会有比较大的偏差，这种比较大的偏差就可能会导致agg的计算方式出现比较大的偏差，这时候就需要通过best_agg_plan进行agg计算模型的干预。

一般来说，当agg汇聚的收敛度很小时，即结果集的个数在agg之后并没有明显变少时（经验上以5倍为临界点），选择redistribute+hashagg执行方式，否则选择hashagg+redistribute+hashagg执行方式。