生产环境中的sql语句执行时间是很关键的性能指标,如果某个sql语句执行几个小时,优化以后几分钟，几十秒的话。会有很大的成就感，同时如果某个sql语句执行10秒，能够优化到1秒，感觉提升的幅度不是很大，但是如果这条语句执行极为频繁的话，那这种调优还是更有成就感的。
执行时间是sql调优的一把标尺，但是同时也需要考虑到系统资源的平衡。
今天在系统中发现一条sql语句执行时间很长。平均一个查询要执行一个半小时左右，而且系统的资源消耗极大。
需要说明的service_details 是数据量过亿的表。ch_distribute 是千万级的表，subscriber是百万级的表。
payment是千万级的表,paychannel是百万级的表。
查看执行计划，倒看不出有明显的异常，这也就是执行计划的一个误区了，我们不能总是参考执行计划来进行调优，很多时候发现执行计划几乎是完美的，但是执行效率却很长。
sql语句如下所示。
SELECT cd.target_pcn, se.agreement_no, s.subscriber_no, s.prim_resource_val
FROM ch_distribute CD, service_details SE, subscriber S
WHERE cd.target_pcn IN
(SELECT
cp.pym_channel_no
FROM paychannel cp, payment pym
WHERE cp.pym_channel_no IN
(SELECT cd.target_pcn
FROM ch_distribute cd
WHERE (cd.agreement_no, cd.soc, cd.soc_seq_no) IN
(SELECT sg.agreement_no, sg.soc, sg.soc_seq_no
FROM service_details sg
WHERE sg.soc_status = 'A'
AND sg.agreement_no IN
(SELECT
sg.agreement_no
FROM service_details sg, subscriber s
WHERE s.subscriber_no = sg.agreement_no
AND sg.soc = 50412
AND sg.soc_status = 'A'
AND sg.soc_sts_rsn_cd =
(SELECT param_values
FROM small_table
WHERE param_name =
'XXXXXXXX1'
AND job_name = 'XXXXXX') --bottleneck
AND s.subscriber_type IN
(SELECT param_values
FROM small_table
WHERE param_name = 'XXXXXXXX2'
AND job_name = 'XXXXXX')
))
AND expiration_date IS NULL)
AND cp.ban = pym.account_id
AND (pym.transaction_id >
(SELECT param_values
FROM small_table
WHERE param_name = 'XXXXXXXX3'
AND job_name = 'XXXXXX') AND
pym.transaction_id
AND se.agreement_no = cd.agreement_no
AND s.subscriber_no = se.agreement_no
GROUP BY cd.target_pcn,
se.agreement_no,
s.subscriber_no,
s.prim_resource_val
猛一看这个查询语句还是挺臃肿的,可以明显的看到反复引用了大表service_details,chg_distribute.
我先把这个问题发给一个性能调优的哥们，他在不改动sql语句的前提下，加了几个Hint,执行时间就从1个半小时降低到4分钟左右，猛一看这是一个极大的提升，看似不用修改sql语句了。
我看了下他建议的hint,从执行时间来说，是很大的提升，但是从系统的资源消耗来看，还存在一定的隐患，建议的Hint如下：
SELECT /*+parallel(pym,4) full(pym) use_hash(pym)*/
cp.pym_channel_no
SELECT /*+PARALLEL(S,4) full(S) FULL(SG) PARALLEL(SG,4) USE_HASH(S,SG)*/
sg.agreement_no
FROM service_details sg, subscriber s
两个Hint本身也没有什么问题，对于大表的关联用hash_join效率比nested loop要高很多。加上并行，如果查询执行不够频繁，涉及的表不多，确实是很好的选择。
我个人的观点还是从语句本身入手，先来看看有什么可以从结构中的改进，先在头脑中有一个基本的思路，然后主要查找数据的性能瓶颈到底在哪，因为根据在备份库上的测试，这个查询返回的数据条数在几千条左右，从上亿条，上千万的数据中排查出几千条肯定是有一些关键的过滤条件。
使用并行固然好，如果在不使用并行的条件下，高效的使用索引是更好的选择。如果实在条件所限，对个别做表全表扫描速度也是很快的。
在分析了数据的统计信息，索引情况之后，在备份库中进行了简单的数据筛查。
首先定位了性能瓶颈，是如下的这个查询条件。通过如下的条件能够过滤掉99%以上的数据，剩下的数据和其它大表关联，都是可以使用到索引的，速度就会快很多。
select *from agreement_no from service_details sg
where
sg.soc = 50412 and sg.soc_status = 'A'
有了这个思路，修改起来就轻松多了.
有了主要的改进，其他的改进就可以锦上添花了。
还有两个需要修改的部分。
一个是简化sql语句的表关联，可以看到很多的表出现了多次，这对查询本身来说也不是必须的，个人认为这个sql语句是在开发人员边开发，变修改导致了查询语句嵌套了很多重复的关联。
一个是关于子查询的优化。有几个子查询会关联到一个小表，对小表中的数据进行反复关联。这对子查询而言，执行频率是极高的。
SELECT param_values
FROM small_table
WHERE param_name =
'XXXXXXXX1'
AND job_name = 'XXXXXX'
对于这种特别的子查询，可以考虑使用with语句来替代。改进后的语句如下，这样看就清晰多了。
with ssrc as (SELECT param_values
FROM small_table
WHERE param_name = 'XXXXXXXX1'
AND job_name = 'XXXXXX') ,
sub_type as (SELECT param_values
FROM small_table
WHERE param_name = 'XXXXXXXX2'
AND job_name = 'XXXXXX'),
hr_pay_trx as (SELECT param_values
FROM small_table
WHERE param_name = 'XXXXXXXX3'
AND job_name = 'XXXXXX')
SELECT
cp.pym_channel_no,sg.agreement_no, s.subscriber_no, s.prim_resource_val
FROM service_details sg, subscriber s,chg_distribute chg,paychannel cp,sub_type,ssrc
WHERE s.subscriber_no = sg.agreement_no
AND sg.soc = 50412
AND sg.soc_status = 'A'
AND sg.soc_sts_rsn_cd =
ssrc.param_values --bottleneck
AND s.subscriber_type =sub_type.param_values
and sg.agreement_no=chg.agreement_no
and sg.soc=chg.soc
and sg.soc_seq_no=chg.soc_seq_no
and chg.expiration_date is null
and cp.pym_channel_no=chg.target_pcn
and exists(
select 1 from ar1_payment pym,hr_pay_trx
where cp.ban = pym.account_id
AND (pym.transaction_id > hr_pay_trx.param_values
AND
pym.transaction_id
可以看到from后面跟了好几个大表，但是性能瓶颈在service_details上所以为了保险起见，我们可以使用hint来指定表的访问顺序。先过滤到99%以上的数据，剩下的就可以自然的走索引扫描了。
添加的Hint如下,对于表service_details,因为没法使用到索引，所以就对这一个表进行全表扫描，走个并行。
SELECT /*+leading(ssrc,sub_type,sg,s,chg,cp) parallel(sg 4) full(sg)*/
cp.pym_channel_no,sg.agreement_no, s.subscriber_no, s.prim_resource_val
最后在备份库中测试，效果果然很明显，备份库中速度从优化后的4分钟降低到2分钟。
在生产环境中执行，速度更快，稳定在40秒左右。