SQL 到底跑了多久?YMatrix 源码里藏着三块“秒表”

前置知识

在正式介绍原理之前，我们需要对相关的术语和知识有一个基本的了解：

• QD：Query Dispatcher，即主节点 Master，负责建立与管理会话连接，解析 SQL 语句以及分发查询计划和汇总最终结果

• QE：Query Executor，即计算节点 Segment，负责执行查询以及数据存储

• Motion：数据移动，数据按照一定规则分散存储在各个计算节点，因此计算过程中会涉及到数据的移动

• Slice：为了提高查询执行并行度和效率，YMatrix 把一个完整的分布式执行计划分割成多个 Slice，每个 Slice 负责查询计划的一部分

• Gang：在不同 Segment 上执行同一个 Slice 的所有 QE 进程称为 Gang，Gang 用来表示一组进程

我们先来看看三个不同时间是如何进行统计的。

第一块秒表，是 EXPLAIN ANALYZE 中最顶层算子的 actual time。例如 Gather Motion 3:1 (actual time=12.315..18.742 rows=100 loops=1)，这个时间来自计划节点自身的 instrumentation。简单来说，它统计的是这个节点在执行器中被调用、产生元组的耗时。

在源码层面，节点执行会被类似这样的逻辑包裹：

InstrStartNode(node->instrument);result = node->ExecProcNodeReal(node);InstrStopNode(node->instrument, TupIsNull(result) ? 0.0 : 1.0);

也就是说，顶层算子的 actual time 关注的是“这个节点自己被拉取数据期间花了多久”。

第二块秒表，是 EXPLAIN ANALYZE 最后的 Execution Time。例如 Execution Time: 1280.531 ms，这个时间不是某一个算子的时间，而是整条语句在 EXPLAIN ANALYZE 框架下的总耗时。它包含更外层的执行阶段，例如：

• ExecutorStart

• ExecutorRun

• ExecutorFinish

• ExecutorEnd

• QD 等待 QE 返回统计

• dispatcher / interconnect 收尾

• snapshot、QueryDesc 等资源清理

所以它可能比最顶层算子的 actual time 更大。

第三块秒表，是客户端的 \timing。比如在 psql 客户端中

\timing onselect ...

它测量的是客户端视角下“一条 SQL 从发出到返回完成”的耗时。它不仅包含数据库服务端执行时间，还可能包含网络传输、结果集返回、客户端处理和展示等时间。

• 如果 SQL 返回几百万行，\timing 看到的时间可能明显大于数据库内部执行时间。

• 如果 SQL 因为 LIMIT 很快返回了少量数据，\timing 又可能小于 EXPLAIN ANALYZE 的执行时间。

所以，本质上三块秒表不是互相打架，而是在回答三个不同的问题：

• 顶层算子 actual time 表示计划树最顶层节点执行了多久

• Execution Time 表示 EXPLAIN ANALYZE 这次完整诊断执行花了多久

• \timing 表示客户端感知 SQL 返回用了多久

这是很多数据库工程师最容易混淆的地方。按直觉理解，最顶层算子应该代表整棵计划树的耗时。既然它已经在计划最上方，为什么还会和 Execution Time 差很多？根本原因在于计划节点的执行时间，不等于 SQL 语句的完整生命周期。

在 YMatrix 中，EXPLAIN ANALYZE 的执行流程大致是：创建 QueryDesc -> 初始化统计上下文 -> ExecutorStart -> ExecutorRun -> 等待 QE 完成并收集结果 -> ExecutorFinish -> 打印执行计划 -> ExecutorEnd -> 释放资源 -> 输出 Execution Time。

顶层算子的 actual time 主要发生在 ExecutorRun 期间。而 Execution Time 覆盖的范围明显更大。尤其在 YMatrix 这样的 MPP 架构中，下面这些时间都可能被计入 Execution Time，但不一定体现在最顶层算子里，比如：

• 分发计划到 QE 的时间；

• 创建 gang、连接 segment 的时间；

• 初始化 interconnect 的时间；

• 等待所有 QE 返回执行统计的时间；

• 触发器、约束、DML 收尾的时间；

• ExecutorEnd 中 dispatcher、interconnect、snapshot 等资源释放时间；

• 某些 initplan 预执行或后处理时间。

因此如果当我们看到顶层算子和 Execution time 相差很多的时候，这不一定说明执行计划打印错了。它更可能说明：真正耗时的部分不在顶层算子的 tuple 拉取阶段，而在执行前后的分布式调度、等待、收尾或统计回收阶段。

在大多数时候，Gang 的创建效率是重要因素之一，我们可以调整 gp_vmem_idle_resource_timeout、gp_cached_segworkers_threshold 等 GUC 以节省数据库创建 Gang 的开销，循环利用，但是代价是会导致更多的空闲进程无法被及时回收。

这也是为什么分析 YMatrix / GPDB / PostgreSQL 类数据库问题时，不能只盯着计划树第一行。第一行很重要，但它不是全部。

这是另一个容易和前一个问题混在一起的现象。在某客户环境中，笔者曾遇到过另一个奇怪的现象：直接执行 SQL，\timing 显示 200 ms；但当执行 explain analyze 的时候却足足用了 5 秒。

这是不是说明数据库执行计划有问题？其实并不是，根本在于，EXPLAIN ANALYZE 和直接执行 SQL 的目的不同。

• 直接执行 SQL 的目标是尽快把用户需要的结果返回。

• EXPLAIN ANALYZE 的目标是执行 SQL，并尽可能完整地收集计划节点、QE、slice、Motion、buffer、memory 等诊断信息。

在 YMatrix 此类 MPP 场景下，这个差异非常关键。举个例子：

• 对于一条带 LIMIT 的 SQL，普通执行时，QD 只要拿够结果，就可以进入收尾流程，并通过 squelch 机制通知下游节点或 QE：不用继续执行了。

• 但 EXPLAIN ANALYZE 为了拿到完整统计，需要等待 QE 完成并回收执行信息。这样它看到的是“完整诊断执行”的成本，而不是“业务取到足够结果”的成本。

从数据库内核原理出发的话：

• 普通执行在 ExecutorEnd 会触发 dispatch DISPATCH_WAIT_FINISH，接收到足够的数据之后主动发送 query finish 消息，让各个 QEs 尽快停止工作;

• explain analyze 在 ExecutroRun 之后，会 dispatch DISPATCH_WAIT_NONE，等待所有的 QEs 完成自己的工作，所以会造成时间上的差异。

于是，这就会出现一个很经典的现象：

select ... limit 10;                 -- 很快explain analyze select ... limit 10; -- 可能慢很多

这其实并不是 bug，而是观测方式改变了系统行为。就好像给赛车装上传感器、摄像头、遥测设备之后，车还是那辆车，但它已经不再是纯粹的比赛状态。

在真实场景中，我们建议这样理解：

• 如果客户说“某个页面慢”或者“某个接口慢”，在这种情况下，\timing 或应用侧耗时更接近用户真实感受。它回答的是：用户等待结果花费了多久？

• 而 Execution Time，用于判断一次 EXPLAIN ANALYZE 的完整诊断成本。它适合回答：这次带统计的执行，从数据库内部看完整花了多久？但值得注意的是，它不是普通 SQL 的纯业务耗时。尤其在 LIMIT、部分取数、游标、数据倾斜、结果集很小但下游很重的场景下，Execution Time 和直接执行 SQL 可能差异明显。

• 看顶层算子 actual time，判断计划树执行主路径。它适合回答：数据从计划树最顶层节点产出，用了多久？

但如果我们发现和 Execution Time 差异很大，就应该继续排查：

• 是否有 gang 创建或 segment 连接慢？

• 是否有 dispatch 等待？

• 是否有某些 QE 拖尾？

• 是否发生了 squelch？

• 是否有 DML trigger 或后处理？

• 是否有 initplan？

• 是否有 Motion 等待或 interconnect 收尾？

• 是否有自定义算子统计没有完全覆盖？

换句话说，顶层算子时间适合看计划内，Execution Time 适合看语句内，\timing 适合看端到端。

在对数据库进行性能诊断时，我们需要全面辩证地看待这三块“秒表”：

• EXPLAIN ANALYZE 顶层算子不是全部。

• Execution Time 也不是普通 SQL 的用户体感。

• \timing 更不是数据库内核纯执行时间。

它们本质上是分别站在不同位置观察同一条 SQL。

真正的诊断能力，不是记住哪个数字最权威，而是知道每个数字背后的计时边界。在 YMatrix 中，这一点尤其重要，因为 YMatrix 面向的是大规模分析、时序写入、实时数仓、HTAP 和 AI 数据底座等复杂场景。SQL 的执行不只是单机上的算子调用，而是一个跨 QD、QE、slice、Motion、interconnect、存储引擎和执行器的协同过程。

当你看到三个时间不一致时，不要把它当成异常。它往往是数据库在提醒你：这条 SQL 的时间，不能只用一块秒表来解释。