性能调优:理解Set Statistics Time输出

性能调优:理解Set Statistics Time输出
原文:性能调优:理解Set Statistics Time输出

在性能调优:理解Set Statistics IO输出我们讨论了Set Statistics IO,还有如何帮助我们进行性能调优。这篇文章会讨论下Set Statistics Time,它会告诉我们执行一个查询需要的时间。

我们用一个例子来开始。

 1 USE AdventureWorks2008r2
 2 GO
 3             DBCC dropcleanbuffers
 4             DBCC freeproccache
 5 
 6 GO
 7 SET STATISTICS TIME ON
 8 GO
 9 SELECT * 
10     FROM Sales.SalesOrderHeader SOH INNER JOIN  Sales.SalesOrderDetail SOD ON
11             SOH.SalesOrderID=SOD.SalesOrderID 
12     WHERE ProductID BETWEEN 700 
13         AND 800
14 GO
15 SELECT * 
16     FROM Sales.SalesOrderHeader SOH INNER JOIN  Sales.SalesOrderDetail SOD ON
17             SOH.SalesOrderID=SOD.SalesOrderID 
18     WHERE ProductID BETWEEN 700 
19         AND 800

在例子里有2个SELECT语句。第1个在清空缓存后执行。我们来看看输出。

SQL Server 分析和编译时间:

当我们提交了一个查询给SQL Server去执行时,它需要为任何语法错误进行分析并编译,然后优化器生成最优计划去执行。SQL Server分析和编译时间指的是完成进行这些预执行步骤所花的时间。我们来看第2个执行的输出,在SQL Server分析和编译时间环节,CPU时间是0毫秒,占用时间是21毫秒。这表示SQL Server没有花任何时间在分析和编译上,因为执行计划已经在缓存里。CPU时间值的花在CPU上的时间,占用时间指的是完成分析和编译所占用的总时间。CPU时间和占用时间两者之间的区别可能是在CPU周期队列里的等待,或者在等待IO操作完成。这些时间在性能调优里并不重要,因为每次执行都会不一样。如果你在这个环节看到的时间基本是一致的,很可能你在使用重编译选项运行存储过程。

SQL Server 执行时间:

这个指的是SQL Server完成执行编译好计划的时间。CPU时间指的是花在CPU上的实际时间,占用时间指的是包括信号等待时间(signal wait time)在内的完成执行的总时间,等待时间是完成IO操作和输出结果传送给客户端的时间。CPU时间可以作为性能调优的基线。这个值多次执行后不会有太大改变,除非你修改查询或数据有变动。在服务器上的负载不会影响这个值。请注意这里显示的时间单位都是毫秒。对于同个数据的同个查询CPU时间值在反复执行后可能会不同,但也是1/100秒内。占用时间就取决于很多因素了,例如服务器工作量,IO加载,服务器与客户端之间的网络带宽。因此在性能调优时,我们可以把CPU时间作为基线。 

posted on 2015-06-02 09:49 NET未来之路 阅读(...) 评论(...) 编辑 收藏

转载于:https://www.cnblogs.com/lonelyxmas/p/4545588.html

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/492178.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Nature Communications:实时记录神经系统,解开大脑秘密

来源:神经科技人的大脑中大概有一千亿个神经元,每一个神经元都连接到数以百计的神经元邻居。分析大脑中的神经活动和致此活动的原因,一直是科学家们研究的目标。现在,一组科学家设计出整个神经系统高速映射神经元放电的成像技术&a…

图像变换(Image transformations)

1 图像变换和图像滤波(image filtering)的区别 1.1 图像滤波 图像滤波改变像素点的灰度值,不改变像素点的坐标,如下图所示。 用函数可表示为: 其中f(x)表示原图,h(x)表示滤波器 1.2 图像变换 图像变换改…

图像对齐(image alignment)

1、图像对齐的步骤 已知图像A和B,图像对齐的步骤: 提取图像A和B的特征匹配图像A和B中的特征求解图像A和B的对齐矩阵2 使用最小二乘求解对齐矩阵的问题 使用最小二乘求解对齐矩阵容易受到outliers的影响, 误差会很大。 3 RANSAC(random sa…

巴黎不哭!十亿点数据“重建”巴黎圣母院

来源:大数据文摘摘要:目前,尽管现实中的大教堂已经无法恢复,但被数字化的“巴黎圣母院”仍然精确地留存在人类世界。而通过这一数据留存,重建巴黎圣母院成为可能,后人也仍然可以一览它曾经的雄伟。即使这一…

照相机的成像变换

1 变换过程 照相机的成像变换过程可以分为3步:世界坐标系——>相机坐标系——>图像坐标系——>像素坐标系 2 世界坐标系——>相机坐标系 景物从世界坐标系转换到相机坐标系需要使用到刚体变换(物体不发生变形,对一个几何物体做…

我国芯片各细分领域龙头名单

来源:机械前沿芯片的分类:日常生活中,我们可以发现芯片的种类比如有通信芯片、人工智能芯片、LED芯片、电脑芯片等等。芯片的产业链是这样的:根据产业链划分,芯片从设计到出厂的核心环节主要包括 6 个部分:…

求解相机参数Camera Calibration

1 主要思想 使用黑白棋盘格,记录世界坐标系中关键点的坐标,然后使用手机拍照,记录相应点像素点的坐标。 这样就得到了许多3D-2D的配对点 2 详细过程 由 上一篇博客 内容可知, 其中 P‘ 为像素坐标, Pw为世界坐标系的…

超壮观!10只波士顿动力机器狗,拖动大卡车,步伐整齐划一如同仪仗队

来源:量子位整整10只SpotMini机器狗,可以做什么?波士顿动力的答案是:拉卡车。对,不是狗拉雪橇,是狗拉体积大得多、质量重得多的大卡车。画面中,出现了并排走的一对机器狗。后面还有另一对机器狗…

立体视觉(Stereo Vision)-本征矩阵(essential matrix)和基本矩阵(fundamental matrix)

1 物体深度 问题描述:从不同的位置拍摄相同物体的两张图片,恢复其深度 这里假设摄像机的镜头平行 由相似三角形: 由上面第一、二等式可得: 深度与视差成反比 2 如何配对左右图片的点 问题描述:已知两张图像&#xff…

重磅:苹果高通和解!英特尔退出5G基带市场,高通股价暴涨超20%,华为依然淡定...

来源:新浪、量子位等,物联网智库整理摘要:没有永恒的朋友,只有永恒的利益。前一阵子还是“牛夫人”,今天就变成“小甜甜”了。没有永恒的朋友,只有永恒的利益。前一阵子还是“牛夫人”,今天就变…

计算图像的景深

在 上一篇 博客中,景深与视差成反比,其公式为: 为焦距, 为左右相机的距离,分别为两张图像的点距离各自中心点的距离。 对于左图像的每一个像素点 ,求图像景深可以分为以下几步, 在右图中&…

地球是否健康,最新“诊断报告”来了

中国南极中山站附近的冰盖、冰川与冰山。新华社发来源:光明日报4月13日,河北安平,游客在畅游油菜花海。新华社发对地球气候变化的科学诊断,要依赖一些数据指标:全球平均温度、海平面高度、南极冰川厚度等。4月初&#…

Structure from motion 问题

1 问题描述 已知一个图像库,里面有很多从不同角度不同具体拍摄同一物体的照片,求 构建该物体的3D模型找出这些图像的拍照位置 如下图所示: 2 用数学语言描述问题 输入:一批图像,隐含着许多对应点 输出:…

Nature新研究:猪脑死亡4小时后,科学家成功恢复脑细胞功能

来源:DeepTech深科技4 月 18 日 Nature 发表了耶鲁大学研究人员的一篇最新成果,科学家们成功在猪脑死亡 4 小时后恢复其脑循环和部分细胞功能。这一发现挑战了长期以来关于死后某些脑功能停止的时间和不可逆转性质的假设。哺乳动物大脑对于供氧水平下降极…

集成方法Ensemble Method(bagging, AdaBoost)

1 主要思想 将原始数据分成几个组训练一组分类器,里面有很多种弱分类器每个分类器的标签看作一次投票,投票最多的标签为最终标签 其架构如下所示: 2 为什么集成方法可行 假设这里有25个训练的弱分类器,且这些分类器独立工作&…

深度解析“中国制造2025”VS德国“工业4.0”,一场没有硝烟战争

来源:世界科技创新论坛摘要:“中国制造2025”与德国“工业4.0”都是在新一轮科技革命和产业变革背景下针对制造业发展提出的一个重要战略举措。比较两个战略可以看出各有特点,除了技术基础和产业基础不同之外,他们还存在战略思想等…

Imbalanced class problem(ROC, Confusion Matrix)

1 何为 Imbalanced class problem 在分类问题中,有时候一种类别的数据会远远的多于另外一种类别, 但正是这些少量的类别的数据,往往又是极其重要的。 比如信用卡欺诈事件,该事件远远地小于信用卡未被欺诈的事件。 要从信用卡操…

浅谈 EHT 黑洞照片拍摄原理

来源:东晓科学网博客前几天,EHT (Event Horizon Telescope)(事件水平线望远镜)研究团队发布重大新闻,公布了人类首次拍到的黑洞“照片“”,同时公布了7篇由200多名科学家署名的相关论文。所谓黑…

积分图像(Integral image)

1 问题起源 给定一幅灰度图像,其灰度值如下图所示, 要计算图中深色区域的所有像素点的灰度值之和。 最直接,简单的方法就是将这9个像素值直接相加。 如果深色区域扩大,里面包含成千上万个像素,这种算法的时间复杂度…

vue3(七)-基础入门之事件总线与动态组件

一、事件总线 事件总线使用场景&#xff1a; 两个兄弟组件之间的传参&#xff0c;或者两个没有关联的组件之间的传参 html &#xff1a;引入 publicmsg 与 acceptmsg 自定义组件 (自定义组件名称必须小写) <body><div id"app"><publicmsg></…