为什么对倾斜的数据集而言，轮询发行版更好？

Question

我有一个倾斜的数据集，其中大多数行属于我的最佳候选分发键的最大10个值。我的数据是由两个大表组成的，它们只共享两个键--我最好的候选密钥，加上另一个，但其中一个在80%的情况下是空的，所以我将其作为一个选项进行了折扣。

传统观点认为，如果数据有偏差，我应该使用循环分布。查看表上的联接所产生的解释计划，我看到我的候选列是洗牌的键。这使我怀疑是否应该将分发版从循环更改为散列分发，从而节省每次执行时移动数据所需的时间。

我的逻辑正确吗？在使用分布式sql时，我觉得这违背了传统的观点。我不希望在不需要此连接的地方进行任何查询，因此这可能是其他人看到好处的地方。

Answer 1

由于数据的性质，循环总是需要数据移动，但它不一定会对您的性能造成灾难性影响。将其用于倾斜数据的原因是，当您按散列分发时，会为每个值生成唯一的散列，并相应地在60个分发版中分布行。在您的示例中，大多数数据将以一个(或少数几个)分布(S)结束，因此您没有利用可供您使用的计算。假设您只有机会利用您可以使用的20%的计算资源，而其余的资源则处于空闲状态。

好的哈希列的要求是:它们不应该是可更新的，而不是NULLable，应该有大量不同的值，甚至是分布。

您有从其他人创建连接密钥的选项吗？这可以帮助创建一个更均匀的发行版，并且只要在两个表之间的联接中使用它，就会很有用。

只是其他一些建议，为您的关键查询设计，使用SQL中的其他一些功能，如正确的DWU、资源类、非聚集索引、自动统计。请注意，SQL的第二代现在是可用的。

HTH