基于规则与基于代价优化的选择率决策逻辑

物理优化要为代数优化产出的每个逻辑运算挑选具体的执行算法，有两条 路径。基于规则的优化（RBO）靠一套预先定好的启发式规则直接选算法， 不需要临时计算代价：条件是”主码=值”这类等值查询直接走主码索引， 结果最多一条记录；条件是”非主属性=值”且该属性有索引时，先估算 选择率（满足条件的记录占比），选择率低于10%就用索引扫描，否则 索引扫描反而不划算，改用全表扫描（因为索引扫描每条命中记录都要 多付出一次跳转开销，命中记录太多时这些额外开销累加起来会超过省下 的全表遍历成本）；用OR连接的析取条件因为难以用单一索引覆盖所有 分支，通常直接全表扫描。基于代价的优化（CBO）更进一步：不满足于 “规则大致合理”，而是用数据字典里维护的统计信息（每张表的记录数、 每个字段的不同值个数和取值分布、每个索引的高度和叶子节点数等） 和代价模型，对每种可能的执行方案分别算出精确的代价估计，选代价 最低的方案——这也解释了为什么10%这个选择率阈值不是绝对的，而是 一个经验起点，真正精确的判断要靠实际统计信息算出来。因为统计信息 的维护本身有开销，数据库系统通常在系统负载较低时才更新统计信息， 这意味着CBO依赖的统计数据并不总是最新、最精确的，是这套方法固有 的一个局限。