DB2的查询优化器在生成执行计划时，高度依赖统计信息和数据分布特征。对于超大表而言，收集完整的列统计信息可能需要扫描数十亿行数据，耗时数小时甚至更久，而且频繁的统计收集本身也会占用大量系统资源。为了解决这一矛盾，DB2引入了部分数据模拟机制，通过opt_enable_partial_data_simulation参数控制。该参数允许优化器在统计信息缺失或数据量极为庞大的场景下，仅基于表的部分样本数据来模拟整体的数据分布，从而快速估算不同查询路径的成本。
理解这个参数之前，需要先区分两个概念：统计信息收集（RUNSTATS）和优化器模拟。RUNSTATS是对真实数据的统计分析，结果存储在系统目录表中；而部分数据模拟发生在优化器内部，它利用已有的统计信息和辅助结构（如分布统计、频繁值列表）来推测未扫描部分的数据特征。当表的数据量超过一定阈值，或者用户明确指定使用部分数据模拟时，优化器会放弃对全部数据的精确扫描，转而采用抽样或推断的方式完成基数估计。
opt_enable_partial_data_simulation参数的基本机制
opt_enable_partial_data_simulation是DB2数据库配置参数或注册表变量，用于控制优化器是否允许使用部分数据模拟来估算查询成本。在默认情况下，该参数的值取决于DB2的版本和数据库配置。当启用时，优化器会在以下情况触发部分数据模拟：表的数据量超过num_freqvalues与num_quantiles所能覆盖的有效范围；或者表上没有收集完整的列分布统计信息，但存在直方图或频繁值列表；又或者用户通过优化配置文件显式请求模拟。
该参数的底层逻辑建立在DB2的基数估计模型之上。优化器会先读取系统目录中已有的统计信息，然后根据采样比例或数据分布模型，推算出整个表的行数和列的基数。例如，一张订单表有5亿行，RUNSTATS只收集了前1000万行的分布数据。如果启用部分数据模拟，优化器会假设后4.9亿行的数据分布与前1000万行相似，并使用缩放因子进行外推。这种方式虽然减少了统计收集的时间，但也引入了一定的误差，尤其是当数据分布存在严重倾斜时，模拟结果可能与真实情况偏差较大。
需要注意的是，opt_enable_partial_data_simulation并不直接控制RUNSTATS的行为，而是影响优化器在规划阶段如何处理已有的统计信息。如果一张表完全没有统计信息，即使启用了该参数，优化器也无法凭空模拟，此时会退回到默认的过滤因子估算方式。因此，该参数更适合那些已经有一定统计基础、但无法承担全量扫描成本的超大表。
如何启用和验证部分数据模拟
启用部分数据模拟通常有两种方式。第一种是通过数据库配置参数进行全局设置，使用如下命令：
UPDATE DB CFG FOR SAMPLE USING opt_enable_partial_data_simulation YES;
上述命令将数据库SAMPLE的该参数设为YES。设置后需要断开并重新连接数据库，或者执行db2 terminate使配置生效。第二种方式是通过注册表变量进行实例级别的控制，适用于需要对多个数据库启用该功能的场景：
db2set DB2_OPTPARTIAL=YES db2stop db2start
这里需要说明的是，opt_enable_partial_data_simulation对应的注册表变量名称在不同DB2版本中可能有所差异，建议使用db2set -all查看当前实例支持的变量。配置完成后，可以通过db2 get db cfg查看参数是否生效：
db2 get db cfg for SAMPLE | grep -i partial
验证优化器是否真正使用了部分数据模拟，可以借助EXPLAIN输出中的优化器信息。执行一条针对大表的查询，并加上EXPLAIN选项，然后查看执行计划中的基数估算是否明显偏离实际行数。例如，如果表的总行数为5亿，但优化器估算的扫描行数只有8000万，且执行计划中出现了基于采样的提示，则说明部分数据模拟已经生效。另外，还可以在EXPLAIN输出中查找PARTIAL相关的标记。
从实践角度看，部分数据模拟最典型的应用场景是查询调优。假设一个数据仓库中的事实表每天新增数亿条记录，统计信息收集窗口有限，而某些报表查询的响应时间突然变长。此时，DBA可以临时启用部分数据模拟，让优化器基于已有的分区统计信息快速生成执行计划，并通过对比不同查询改写方案的EXPLAIN结果来定位问题。不过，正式上线前仍需进行真实数据上的性能测试，因为模拟结果可能与实际执行存在差异。
部分数据模拟的常见误区与注意事项
第一个常见误区是认为启用部分数据模拟后就不再需要RUNSTATS。实际上，该参数并不能替代统计信息收集。如果没有基本的列统计信息或分布统计，模拟机制没有数据来源，优化器只能使用默认的过滤因子假设，反而可能导致更差的执行计划。正确做法是：对关键列定期收集分布统计，同时启用部分数据模拟来处理那些数据量增长过快、无法频繁全量收集的表。
第二个误区是将部分数据模拟等同于数据采样。虽然两者都涉及样本数据，但数据采样通常指的是在RUNSTATS时使用TABLESAMPLE选项仅扫描部分行来收集统计信息；而部分数据模拟发生在优化器内部，它利用已有的统计结果进行推断和缩放。前者影响统计信息的准确性，后者影响优化器对统计信息的使用方式。两者可以结合起来使用，但概念上不应混为一谈。
第三个需要注意的点是，部分数据模拟在数据分布极度不均匀的列上可能产生误导。例如，一个状态列90%的值为“已完成”，剩余10%分散在其他几十个状态值中。如果只对前10%的数据进行模拟，优化器可能低估“已完成”这个值的频率，进而错误估计过滤条件的选择性。在这种情况下，建议为这类列手动收集精确的频率值列表，并关闭对应列的部分数据模拟，或者使用优化配置文件对该列设置固定的选择率。
此外，部分数据模拟对参数化查询和动态SQL同样有效，但在涉及跨表连接时，模拟误差可能会被放大。因为连接基数的估算依赖于两端输入行数估计，如果任一端的估算出现偏差，最终连接结果集的估算偏差会成倍增加。因此，在复杂多表连接场景下启用该参数时，建议配合db2expln工具仔细检查连接顺序和连接方法的合理性。
最后强调一点，opt_enable_partial_data_simulation并不是万能的性能调优开关。它更适合在统计信息收集成本高、表数据量极大且用户能容忍一定估算误差的场景中使用。对于中小型表或对执行计划稳定性要求极高的核心业务表，保持默认关闭状态并依赖准确的RUNSTATS通常更为可靠。数据库管理员应根据实际环境测试该参数的效果，并结合SQL性能监控数据做出决策。
DB2opt_enable_partial_data_simulation部分数据模拟修改时间：2026-08-24 03:44:37