背景
查询缓存（Query Cache）是数据库执行层的一个加速查询的特性，用来缓存一条查询语句的结果集，如果后续再有相同的查询，直接从结果集缓存中读取结果，而不用再重新执行而极大提升查询性能。
但Query Cache在实际业务使用中存在较多的局限性，首先能够命中Query Cache的规则非常严格，必须是完全相同的SQL语句，并且被查询的表的数据不能有任何的修改，有任意规则不符合要求都会造成cache失效。其次，Query Cache必须缓存完整的查询结果，如果查询结果集比较大，缓存需要占据较大的内存或者写入磁盘。如果用户业务场景是数据更新不频繁，又有不少重复的SQL语句，那提升效果会非常的显著，但显然，这样的用户场景并不多，大部分线上业务数据都有实时的写入或更新，Query Cache的命中率很难得到保证。
但在一条查询语句中内部，同样存在一些算子会被反复计算的情况（比如Correlated subquery，NestLoopJoin），即便是驱动算子执行的相关参数项有完全重复的情况，这些算子也依然需要被执行多次，而这些算子一般执行代价都较高，重复计算造成了大量资源的浪费。如果能将这些需要重复计算的算子的结果集缓存起来，优先查看缓存中是否已经存在，来尽量避免算子的重复计算，就可以极大提升查询效率。
鉴于结果集缓存能够带来非常可观的加速效果，我们在PolarDB-MySQL引入了一个适用范围更广的算子级别结果集缓存的新特性Partial Result Cache，简称PTRC。
什么是PTRC
Partial result Cache，是针对一个查询内部算子级别粒度的结果集缓存特性，比如缓存Correlated subquery或NestLoopJoin等算子执行的临时结果，后续再次执行该算子时，如果结果集缓存中已存在，则无需再重复执行该算子。
PTRC中的Partial有两层含义：
-
PTRC缓存的不是整个查询的结果集，而是查询内部某个或某几个算子执行的中间结果的缓存。
-
并不一定缓存算子所有的中间结果，而是根据内存限制可能只缓存部分中间结果。
相较于传统的Query Cache，PTRC的缓存粒度更小，针对的是查询内部某些算子进行加速，并且可以看出PTRC的生命周期也是跟随查询一起开始和结束的。基于上述原理可以看出，PTRC的适用范围会更广，因为只针对查询内部算子的优化，不存在跨查询的数据一致性的问题，只要一个算子符合要求（即算子执行时依赖的参数不变，执行结果也不会变）就可以使用PTRC，当然我们在选择PTRC时不仅靠规则，还会基于代价决策是否使用PTRC。
PTRC的工作原理
PTRC的核心思想是利用中间结果缓存避免某些算子的重复执行，那哪些算子可以被PTRC加速呢？可以被PTRC加速的算子需要满足如下条件：
-
算子执行是有相关性参数（Correlated Parameters）的依赖，并且会被反复多次执行，比如NestLoopJoin、相关子查询；
-
算子的相关性参数保持不变，无论执行多少次，算子执行的结果是稳定不变的；比如算子中不能有random, now, udf等影响算子重复执行结果稳定性的函数，不然缓存会影响结果正确性。
解释下算子执行的Correlated Parameters，本质就是算子执行所依赖的外部参数，例如 t1 join t2 on t1.a = t2.a，t1表作为驱动表，t1表的每一行都要和t2表完成一次join操作，而 t1.a 则被认为是该NestLoopJoin的Correlated Parameters。如果t1.a 在t1表中存在较多的重复值，那PTRC将会减少这部分的重复计算。
再比如correlated subquery，子查询的每一次执行，都依赖于父查询的一次扫描的结果的基础上作为驱动参数，我们以TPCH-Q17示例说明下PTRC的基本工作原理。
TPCH-Q17:
select
sum(l_extendedprice) / 7.0 as avg_yearly
from
lineitem,
part
where
p_partkey = l_partkey
and p_brand = 'Brand#34'
and p_container = 'MED BOX'
and l_quantity < (
select
0.2 * avg(l_quantity)
from
lineitem
where
l_partkey = p_partkey
);
PTRC中会以算子的Correlated Parameters作为key，算子的执行结果作为value存储在缓存中，故Q17中PTRC的缓存存储格式为：key= p_partkey, value = [true/false] 。
Q17中相关子查询的PTRC的主要执行流程如下图所示，当每次要对相关子查询求值时，根据Correlated Parameters (p_partkey)的值在PTRC中查找是否命中，如果未命中，需要真正执行子查询进行求值，并将新求值的结果记录到PTRC的缓存中；如果命中缓存，直接将结果返回，则避免了一次子查询的重复执行。因为Q17是part表join lineitem表后再执行子查询，join之后的结果中p_partkey重复项非常多，而p_partkey又是子查询的correlated parameters，所以Q17的PTRC命中率会很高，性能提升会非常显著。
使用explain可以查看计划发生的变化，在子查询真正执行前多了一个Partial Result Cache算子，则说明该子查询正式引入了PTRC，如下图所示：
基于代价选择PTRC
从PTRC执行流程可以了解到，引入PTRC也并不是多多益善，关键是取决于PTRC的命中率，如果命中率不高，引入PTRC也会带来额外的性能开销，比如每一次都要Check Cache，以及额外的内存占用开销等。
为避免不必要的开销，优化器会基于代价的选择是否使用PTRC，主要考虑两个维度：
-
当查询整体cost高于partial_result_cache_cost_threshold时，才考虑引入PTRC；
-
评估算子使用PTRC的命中率，命中率高于partial_result_cache_low_hit_rate时，才考虑引入PTRC；
优化器会先检查partial_result_cache_cost_threshold，当查询的整体cost低于该阈值时，我们认为该查询的执行代价比较低，本身应该就是一个短查询，即便引入PTRC后提升也会比较有限，且额外的Check Cache等操作可能还会对高并发下的短事务类查询的latency造成负面影响，所以提供了一个总的代价阈值控制是否完全忽略PTRC。而且当该阈值不满足时，优化器阶段枚举所有表达式寻找是否使用PTRC的开销也省掉了。
当查询cost满足partial_result_cache_cost_threshold时，优化器会遍历检查所有可能满足PTRC规则的算子，并对满足规则的算计估算它的PTRC 命中率，计算公式为 hit_rate = （fanout - ndv）/ fanout。
命中率估算相关概念：
-
fanout, 一个算子需要被重复执行的总次数。
-
ndv，PTRC的key的唯一值的个数，也就是Correlated Parameters所有参数组合值的唯一值个数。
当评估出的hit_rate低于partial_result_cache_low_hit_rate时，这个算子就不再考虑使用PTRC。但在Mysql已有代价模型中，它的统计信息非常依赖于表的索引或直方图，如果Correlated Parameters这些相关的列上没有索引或直方图，很难评估出非常准的ndv，在这种情况下我们会尽量引入PTRC，然后交给PTRC执行阶段的动态反馈机制来动态检查是否有必要继续使用PTRC。
PTRC的动态反馈机制
在PTRC执行阶段，每次Cache是否命中都会记录到统计信息中，动态反馈机制负责对PTRC的真实命中率进行计算，如果发现实际命中率低于partial_result_cache_low_hit_rate时，则会直接在执行阶段禁掉PTRC，恢复到没有引入PTRC前的执行状态，用来避免低效的PTRC带来的额外开销。
partial_result_cache_check_frequency 是控制PTRC动态检测命中率频率的参数，它的含义是累计出现cache miss的次数，比如默认值为200，每当cache miss的次数累计达到200次后，就会触发一次动态反馈检测。
因为结果集是缓存在内存中，当PTRC的内存使用量达到上限时，同样也会触发动态反馈机制，但此时的动态反馈不仅要检查命中率是否过低，还会做数据淘汰或者是否转储到Disk的决策。
当内存达到上限时的动态反馈策略为：
-
当hit_rate低于partial_result_cache_low_hit_rate时，认为命中率过低，直接禁用PTRC;
-
当hit_rate高于partial_result_cache_high_hit_rate时，命中率大于高水位，会将内存中缓存数据转存至Disk存储，认为即便是转为Disk存储，依然会有可预期的性能提升；
-
当hit_rate处于低水位和高水位之间时，则会触发LRU数据淘汰，将命中率不符合预期的数据清理掉，后续重新缓存新的数据；若新缓存数据后再次触发内存不足，重复上述几个步骤的检测；
partial_result_cache_max_mem_size 是限制单个查询PTRC最大使用内存的配置参数，因为单个查询内部可能有多个算子使用PTRC，这些PTRC需要共享累计所占用的全部内存空间，一旦查询内总的内存使用超过限制，所有的PTRC都将会触发上述的动态反馈机制。
PTRC的参数配置
下面详细介绍一下PTRC相关的几个配置参数：
PTRC性能表现
通过前述基于代价选择PTRC的描述，可以看出影响PTRC的加速效果的主要有如下两个因素：
-
使用PTRC加速的算子的执行代价要足够大，如果算子本身执行代价不高，缓存加速的提升空间就有限；
-
缓存命中率，PTRC的缓存命中率越高，加速效果越明显；
我们再以TPCH-Q17测试为例：
相关子查询引入PTRC后的查询计划后：
经过测试统计信息计算，TPCH-Q17相关子查询引入PTRC的缓存命中率达96%，缓存加速效果非常明显，测试数据如下图：
总结
PTRC是一种缓存优化，针对的是单个查询内部的具有相关性参数依赖的复杂算子，通过缓存算子执行的中间结果集来避免这些复杂算子的重复计算，只要命中率足够，就可以获得非常可观的加速效果。目前查询中Correlated Subquery, Nested Loop Join (包含Inner join, Outer join, Semi join, Anti join) 等多种算子均可以使用PTRC进行加速，PTRC新特性将在PolarDB for MySQL 8.0.2.2.10版本开始支持，欢迎大家使用。
