yuanwen:http://blog.csdn.net/javacoffe/article/details/5578206
Oracle直方圖解析
一、 何謂直方圖：
直方圖是一種統計學上的工具，並非Oracle專有。通常用於對被管理對象的某個方面的質量情況進行管理，通常情況下它會表現為一種幾何圖形表，這個圖形表是根據從實際環境中所收集來的被管理對象某個方面的質量分布情況的數據所繪制成的，通常會畫成以數量為底邊，以頻度為高度的一系列連接起來的矩形圖，因此直方圖在統計學上也稱為質量分布圖。比如下圖所示，是一個以關學生化學考試成績分數分布情況繪制的直方圖：
二、 Oracle中直方圖的作用：
既然直方圖是一種對被管理對象某一方面質量進行管理的描述工具，那么在Oracle中自然它也是對Oracle中某個對象質量的描述工具，這個對象就是Oracle中最重要的東西——“數據”。
在Oracle中直方圖是一種對數據分布質量情況進行描述的工具。它會按照某一列不同值出現數量多少，以及出現的頻率高低來繪制數據的分布情況，以便能夠指導優化器根據數據的分布做出正確的選擇。在某些情況下，表的列中的數值分布將會影響優化器使用索引還是執行全表掃描的決策。當 where 子句的值具有不成比例數量的數值時，將出現這種情況，使得全表掃描比索引訪問的成本更低。這種情況下如果where 子句的過濾謂詞列之上上有一個合理的正確的直方圖，將會對優化器做出正確的選擇發揮巨大的作用，使得SQL語句執行成本最低從而提升性能。
三、 Oracle中使用直方圖的場合：
在分析表或索引時，直方圖用於記錄數據的分布。通過獲得該信息，基於成本的優 化器就可以決定使用將返回少量行的索引，而避免使用基於限制條件返回許多行的索引。直方圖的使用不受索引的限制，可以在表的任何列上構建直方圖。
構造直方圖最主要的原因就是幫助優化器在表中數據嚴重偏斜時做出更好的規划：例如，如果一到兩個值構成了表中的大部分數據(數據偏斜)，相關的索引就可能無法幫助減少滿足查詢所需的I/O數量。創建直方圖可以讓基於成本的優化器知道何時使用索引才最合適，或何時應該根據WHERE子句中的值返回表中80％的記錄。
通常情況下在以下場合中建議使用直方圖：
（1）、當Where子句引用了列值分布存在明顯偏差的列時：當這種偏差相當明顯時，以至於 WHERE 子句中的值將會使優化器選擇不同的執行計划。這時應該使用直方圖來幫助優化器來修正執行路徑。（注意：如果查詢不引用該列，則創建直方圖沒有意義。這種錯誤很常見，許多 DBA 會在偏差列上創建柱狀圖，即使沒有任何查詢引用該列。）
（2）、當列值導致不正確的判斷時：這種情況通常會發生在多表連接時，例如，假設我們有一個五項的表聯接，其結果集只有 10 行。Oracle 將會以一種使第一個聯接的結果集（集合基數）盡可能小的方式將表聯接起來。通過在中間結果集中攜帶更少的負載，查詢將會運行得更快。為了使中間結果最小化，優化器嘗試在 SQL 執行的分析階段評估每個結果集的集合基數。在偏差的列上擁有直方圖將會極大地幫助優化器作出正確的決策。如優化器對中間結果集的大小作出不正確的判斷，它可能會選擇一種未達到最優化的表聯接方法。因此向該列添加直方圖經常會向優化器提供使用最佳聯接方法所需的信息。
四、如何使用直方圖：
（1）、創建直方圖：
通過使用早先的analyze命令和最新的dbms_stats工具包都可以創建直方圖。Oracle推薦使用后者來創建直方圖，而且直方圖的創建不受任何條件限制，可以在一張表上的任何你想創建直方圖的列上創建直方圖。我們這里主要介紹如何通過dbms_stats包來創建直方圖。
Oracle 通過指定 dbms_stats 的 method_opt 參數，來創建直方圖。在method_opt 子句中有三個相關選項，即 skewonly、repeat 和 auto。
“skewonly” 選項，它的時間性很強，因為它檢查每個索引中每列值的分布。如果 dbms_stats 發現一個索引中具有不均勻分布的列，它將為該索引創建直方圖，以幫助基於成本的 SQL 優化器決定是使用索引還是全表掃描訪問。示例如下：
begin
dbms_stats. gather_table_stats (
ownname => '',
tabname=>''，
estimate_percent =>dbms_stats.auto_sample_size,
method_opt => 'for all columns size skewonly',
cascade=>true,
degree => 7);
end;
其中degree指定了並行度視主機的CPU個數而定，estimate_percent指定了采樣比率，此處使用了auto目的是讓oracle來決定采樣收集的比率，繪制直方圖時會根據采樣的數據分析結果來繪制，當然也可以人為指定采樣比率。如：estimate_percent=>20指定采樣比率為20%，cascade=>true指定收集相關表的索引的統計信息，該參數默認為false，因此使用dbms_stats收集統計信息時抹人事部收集表的索引信息的。
在對表實施監視 (alter table xxx monitoring;) 時使用 auto 選項，它基於數據的分布以及應用程序訪問列的方式（例如由監視所確定的列上的負載）來創建直方圖。示例如下：
begin
dbms_stats.gather_ table _stats(
ownname => '',
tabname=>''，
estimate_percent => dbms_stats.auto_sample_size,
method_opt => 'for all columns size auto',
cascade=>true，
degree => 7
);
end;
重新分析統計數據時，使用repeat選項，重新分析任務所消耗的資源就會少一些。使用repeat選項時，只會為現有的直方圖重新分析索引，不再生成新的直方圖。示例如下：
dbms_stats.gather_ table _stats(
ownname => '',
tabname=>''，
estimate_percent => dbms_stats.auto_sample_size,
method_opt => 'for all columns size repeat',
cascade=>true，
degree => 7
);
end;
（2）、創建直方圖的考慮因素：
如果想為某一列創建直方圖，示例如下：
dbms_stats.gather_ table _stats(
ownname => '',
tabname=>''，
estimate_percent => dbms_stats.auto_sample_size,
method_opt => 'for columns size 10 列名',
cascade=>true，
degree => 7
);
end;
其中size 10指定的是直方圖所需的存儲桶(bucket)數，所謂存儲桶可以理解為存儲數據的容器，這個容器會按照數據的分布將數據盡量平均到各個桶里，如一張表如果有6000條記錄，那么每個桶中平均就會有600條記錄，但這只是一個平均數，每個桶中的記錄數並不會相等，它會將高頻出現記錄集中在某一些桶中，低頻記錄會存放在少量桶中，因此如果存儲桶(bucket)數合適的增加就會減少高頻記錄使用的桶數，統計結果也會更加准確（可以避免被迫將低頻記錄存入高頻桶中，影響優化器生成准確的執行計划）。所以我們最后得到的直方圖信息的准確性就由兩個數值決定，一個是BUCTET的個數，一個NUM_DISTINCT的個數。所以創建直方圖時首先要正確地估計存儲桶(bucket)數。默認情況時，Oracle的直方圖會產生75個存儲桶。可以把SIZE的值指定在1~254之間。
（3）、刪除直方圖信息：
在oracle中要刪除直方圖信息就是設置bucket的數據為1，可以使用如下兩個命令來實現：
Analyze table 表 compute statistics for table for columns id size 1；
exec dbms_stats.gather_table_stats('用戶', '表',cascade=>false, method_opt=>'for columns 列size 1');
五、 Oracle直方圖的種類：
Oracle利用直方圖來提高非均勻數據分布的選擇率和技術的計算精度。但是實際上Oracle會采用另種不同的策略來生成直方圖：其中一種是針對包含很少不同值的數據集；另一種是針對包含很多不同的數據集。Oracle會針對第一種情況生成頻率直方圖，針對第二種情況生成高度均衡直方圖。通常情況下當BUCTET < 表的NUM_DISTINCT值得到的是HEIGHT BALANCED（高度平衡）直方圖，而當BUCTET = 表的NUM_DISTINCT值的時候得到的是FREQUENCY（頻率）直方圖。由於滿足BUCTET = 表的NUM_DISTINCT值概率較低，所以在Oracle中生成的直方圖大部分是HEIGHT BALANCED（高度平衡）直方圖。在Oracle 10GR2之前如果使用dbms_stats包來創建直方圖，那么如果指定需要創建的直方圖的桶的數目與表的NUM_DISTINCT值相等，那么幾乎無法創建出一個FREQUENCY（頻率）直方圖，此時為了得到頻率直方圖只能使用analyze命令的“for all columns size表的NUM_DISTINCT值”，這在某種程度上來說是一個退步，但這個問題在Oracle 10GR2后被修正。但是如果列中有180 - 200個不同值時，還是無法創建FREQUENCY（頻率）直方圖.此時需要手工建立直方圖,並寫入數據字典方能完成FREQUENCY（頻率）直方圖的創建。
對於含有較少的不同值而且數據分布又非常不均勻的數據集來說，創建FREQUENCY（頻率）直方圖將會更加合適，因為它不存在會將低頻出現的記錄存入高頻桶中的情況，而HEIGHT BALANCED（高度平衡）直方圖在存儲桶(bucket)數分配不合理時就可能會出現這種情況。因此一定要在創建直方圖前確定使用何種直方圖，並且要合理估計存儲桶(bucket)數。
（1）、頻率直方圖：
Oracle中的頻率直方圖是按照累積某一列值的出現次數來生成數據分布描述的。我們舉一個例子如下所示：我們創建一張表表t1，其中包含一個skew列，我們規定如下數據填充策略：skew=1出現一次，skew=2出現兩次......skew=80出現80次。因此代碼如下：
create table t1 (
skew not null,
padding
)
as
with generator as (
select --+ materialize
rownum id
from all_objects
where rownum <= 5000
)
select
/*+ ordered use_nl(v2) */
v1.id,
rpad('x',400)
from
generator v1,
generator v2
where
v1.id <= 80
and v2.id <= 80
and v2.id <= v1.id
order by
v2.id,v1.id;
收集生成frequency histograms：
begin
dbms_stats.gather_table_stats(
user,
't1',
cascade => true,
estimate_percent => null,
method_opt => 'for all columns size 120'
);
end;
/
收集后查詢user_table_histograms：
select
endpoint_number, endpoint_value
from
user_tab_histograms
where
column_name = 'SKEW'
and table_name = 'T1'
order by
endpoint_number;
結果如下：
ENDPOINT_NUMBER ENDPOINT_VALUE
--------------- --------------
1 1
3 2
6 3
10 4
15 5
21 6
..................
..................
..................
ENDPOINT_NUMBER ENDPOINT_VALUE
--------------- --------------
3081 78
3160 79
3240 80
我們可以看出頻率直方圖對t1里每一個distinct都保留了一行（所以才說frequency histograms是只能用在distinct key <255的表上，因為histograms的最大bucket數是254）從這個輸出里面我們可以看到等於1的值有一個，等於1和2的值有3個（因此等於2的值有2個），等於1/2/3的值有6個。。。。。。因此從這個角度來說，我們常常把frequency histograms稱為累計的frequency histograms。
在Oracle 10GR2之前用dbms_stats來收集統計信息的時候，你會發現如果你使用的bucket是80，你不會得到一個frequency histograms的統計信息，而會得到一個height balanced histograms的統計信息，因此只能使用analyze命令的for all columns size 80來得到frequency histograms的統計信息。經過多次實驗你會發現對於表t1，如果你想得到frequency histograms，你的bucket至少得設置為107，這個問題在Oracle10GR2后得到了修正，但是因為histograms的最大bucket為254個，所以對於distinct key是大於180的話，用dbms_stats還是永遠得不到frequency histograms的，這時候必須使用analyze。或者自己來生成統計信息並且在生成后更新數據字典。
接下來我們看一下頻率直方圖對於查詢語句成本的影響。在討論這個話題前我們要先明晰一個概念——查詢基數，所謂查詢基數可以簡單的理解為一個查詢語句將要預計返回的查詢結果的行數，計算基數的基本公式為：總記錄數*選擇率，對於選擇率的計算比較復雜，不同情況下回采用不同的計算方法，但通常都會參照表的num_distinct值，在有些使用綁定變量的情況下甚至直接用1/num_distinct值來作為選擇率。在得到基數后優化器會使用基數來生成查詢成本，因此基數對於查詢成本來說非常重要。因此按照對於SKEW列的不同過濾條件會生成不同得基數如下所示：
Select * from t1 where SKEW=40;該語句基數會得到40，因為SKEW=40的值共出現了40次；
Select * from t1 where SKEW between 1 and 2; 該語句基數會得到3, 因為SKEW=1和2 的值共出現了3次；
Select * from t1 where SKEW=40.5; 該語句基數會得到1，因為SKEW=40.5的值不存在。CBO在我們認為是0行的地方統一的看作是1行，實際上除非你的條件里面加入1=0這樣的條件，否則CBO一般是不允許cardinality為0的。
Select * from t1 where SKEW between 20.5 and 24.5;對於t1表該語句將會得到與Select * from t1 where SKEW between 21 and 24;相同的基數。
總結如下：
.基本查詢基數會采用作為過濾條件列的不同值數量作為基數；
.對於綁定變量如果對於等值比較如：column=:bind的選擇率會直接使用1/num_distinct值，然后在用選擇率*數據行數得到基數，對於范圍比較的綁定變量，選擇率會固定為5%，如使用
column between :bind1 and :bind2那么選擇率將等於5%*5%=0.25%；
.如果生成直方圖的關鍵列值作了修改發生了變化，那么要重新生成直方圖，否則得到的數據描述將會是過時的；
.對於頻率直方圖我們可以看出，對於走出最大值/最小值范圍的區間謂詞CBO會得到更好的結果；
（2）、高度均衡直方圖：
當我們給出的bucket數目不夠大的時候，Oracle會以height balanced的方式記錄histograms，也就是按照buckets的值把所有的數據平分，如果bucket是50，就把所有的數據平分為50等份，再告訴我們處於每個邊界的值。如下所示：
create table t1 (
skew not null,
padding
)
as
with generator as (
select --+ materialize
rownum id
from all_objects
where rownum <= 5000
)
select
/*+ ordered use_nl(v2) */
v1.id,
rpad('x',400)
from
generator v1,
generator v2
where
v1.id <= &m_demo_size
and v2.id <= &m_demo_size
and v2.id <= v1.id
order by
v2.id,v1.id
;
create index t1_i1 on t1(skew);
然后我們以bucket為75建立histograms信息。
begin
dbms_stats.gather_table_stats(
user,
't1',
cascade => true,
estimate_percent => null,
method_opt => 'for all columns size 75'
);
end;
/
查詢histograms的信息：
ENDPOINT_NUMBER ENDPOINT_VALUE
--------------- --------------
0 1
1 9
2 13
3 16
4 19
5 21
..................
..................
..................
62 73
64 74
65 75
67 76
69 77
71 78
73 79
75 80
59 rows selected.
發現查詢user_tab_histograms只有59行輸出，在仔細看看發現Oracle確實是產生了75個bucket，因為ENDPOINT_NUMBER的最大值是75，只不過在記錄統計的信息Oracle進行了壓縮，省略了一些bucket的輸出。上面的輸出其實可以展開成如下形式：
ENDPOINT_NUMBER ENDPOINT_VALUE
60 72
61 73
62 73
63 74
64 74
65 75
66 76
67 76
68 77
69 77
70 78
71 78
72 79
73 79
74 80
75 80
在進一步解釋其他關於histograms的信息之前，我們要先介紹一個數據density的概念。Density的出現就是為了分析高頻率出現的值的影響。沒有histograms信息的時候，DENSITY永遠等於1/NUM_DISTINCT，但是當我們統計了histograms之后，DENSITY就會發生改變。
2.1 DENSITY的計算方法如下：
如果想計算一張表的DENSITY，首先運行下列語句收集信息：
select min(minbkt),
maxbkt,
substrb(dump(min(val), 16, 0, 32), 1, 120) minval,
substrb(dump(max(val), 16, 0, 32), 1, 120) maxval,
sum(rep) sumrep,
sum(repsq) sumrepsq,
max(rep) maxrep,
count(*) bktndv,
sum(case
when rep = 1 then
1
else
0
end) unqrep
from (select val,
min(bkt) minbkt,
max(bkt) maxbkt,
count(val) rep,
count(val) * count(val) repsq
from (select
/*+
cursor_sharing_exact
use_weak_name_resl -- 10g hint
dynamic_sampling(0)
no_monitoring
*/
目標列 val, ntile(10) over(order by目標列) bkt
from 目標表名 t
where目標列is not null)
group by val)
group by maxbkt
order by maxbkt;
通過上面收集的信息計算densitiy：
（1）、基本公式：
(Sum(sumrepsq)-sum(maxrep(i)*maxrep(i))/(sum(sumrep)*(sum(sumrep)-sum(maxrep(i))))
注：i表示只有某些特定的行從查詢結果中選出來計算maxrep值，這些行必須滿足條件：
maxbkt>min(minbkt)+1
或者
min(val)=max(val)
（2）、簡化公式（在沒有高頻值出現的情況下使用）：
Sum(sumrepsq)/(sum(sumrep)*sum(sumrep))
2.2 使用高度均衡直方圖成本計算方法：
在知道了densitiy的概念后我們再回頭關注我們的表t1的histograms信息，我們尤其關注一下ENDPOINT_VALUE=75的情況，之所以關注75是因為我們發現75周圍的數值（比如74）都在輸出當中出現了多次，只有75只出現了一次，我們自己知道75其實出現的次數應該是不比74在表里出現的次數少的，但不巧的是75在統計Histograms的時候處在了一個特殊的位置，如下圖所示：
這種不巧會導致Oracle使用不同的機制來計算skew=75的基數，在oracle看來當把histograms數據完全展開成上面查詢結果的形式后，凡是在histograms信息里面出現2次或2次以上的數據都是常見的數據，叫做popular的數據，只出現一次或沒出現的數據都是un-popular的數據。
對於popular的數據，對於=的條件，計算基數的公式是：
基數=總行數*（出現次數/bucket總數）
比如我們上面的74的基數= 3240 * （2/75) = 86.4，和我們下面的實驗相符：
SQL> select count(*) from t1 where skew=74;
Execution Plan
----------------------------------------------------------
0 SELECT STATEMENT Optimizer=ALL_ROWS (Cost=1 Card=1 Bytes=3)
1 0 SORT (AGGREGATE)
2 1 INDEX (RANGE SCAN) OF 'T1_I1' (NON-UNIQUE) (Cost=1 Card=86 Bytes=258)
對於un-popular的數據，對於=的條件，計算基數的公式是：
總行數*DENSITY，這里就是3240*0.013885925=44.99：
SQL> select count(*) from t1 where skew=75;
Execution Plan
----------------------------------------------------------
0 SELECT STATEMENT Optimizer=ALL_ROWS (Cost=1 Card=1 Bytes=3)
1 0 SORT (AGGREGATE)
2 1 INDEX (RANGE SCAN) OF 'T1_I1' (NON-UNIQUE) (Cost=1 Card=45 Bytes=135)
range scan的公式是：
如果不跨整個的bucket:
選擇率 = (required range) / (high value - low value) + 2 * density
基數=每個bucket的行數*選擇率
如果跨整個的bucket：
選擇率= (required range) / (high value - low value) + 2 * density + 整個的bucket的個數
基數=每個bucket的行數*選擇率
我們一個實例來說明：
create table t1
as
/*
with generator as (
select --+ materialize
rownum n1
from all_objects
where rownum <= 5000
)
*/
select
/*+ ordered use_nl(v2) */
3000 + trunc(2000 * dbms_random.normal) n1,
lpad(rownum,10) small_vc,
rpad('x',100) padding
from
generator v1,
generator v2
where
rownum <= 10000;
insert into t1
select
500 * (1 + trunc((rownum-1)/500)),
lpad(rownum,10),
rpad('x',100)
from
t1;
commit;
begin
dbms_stats.gather_table_stats(
user,
't1',
cascade => true,
estimate_percent => null,
method_opt => 'for all columns size 250'
);
end;
/
histograms的信息大致如下：
.......
ENDPOINT_NUMBER ENDPOINT_VALUE
--------------- --------------
8 -120
9 17
10 117
11 251
12 357
13 450
19 500
20 520
21 598
22 670
首先如果不跨整個的bucket:
select
small_vc
from t1
where n1 between 100 and 200;
Execution Plan
----------------------------------------------------------
0 SELECT STATEMENT Optimizer=ALL_ROWS (Cost=53 Card=63 Bytes=945)
1 0 TABLE ACCESS (FULL) OF 'T1' (Cost=53 Card=63 Bytes=945)
按照公式計算：
選擇率 = (required range) / (high value - low value) + 2 * density =
(200–117)/(251-117) + (117-100)/(117-17) + 2 * 0.000177746 =
0.619403 + 0.17 + .000355486 =
0.789047508
基數 = 選擇率 * number of rows IN A BUCKET =
0.789047508 * 80 = 63.1238
如果跨多個bucket：
select
small_vc
from t1
where n1 between 400 and 600;
Execution Plan
----------------------------------------------------------
0 SELECT STATEMENT Optimizer=ALL_ROWS (Cost=53 Card=685 Bytes=10275)
1 0 TABLE ACCESS (FULL) OF 'T1' (Cost=53 Card=685 Bytes=10275)
按照公式計算：
選擇率 = (required range) / (high value - low value) + 2 * density + 整個的bucket的個數
該查詢中共垮了從13-21的8個bucket，因此計算結果如下：
(450 - 400) / (450 - 357) + (600 - 598) / (670 - 598) + 2 * 0.000177746 + 8 =
50 / 93 + 2 / 72 + 0.000355486 +8 =
0.537634 + 0.0277778 + 0.000355486 + 8=
8.565768
基數 = 基數 * number of rows IN A BUCKET =
8.565867 * 80 = 685.3
六、手工生成頻率直方圖：
上面我們曾經講過，如果一張表中的不同值超過了180，那么是無法生成頻率直方圖的，因此在這種情況下我們要手動生成頻率直方圖，手動生成頻率直方圖的代碼如下：
declare
m_statrec dbms_stats.statrec;
m_val_array dbms_stats.numarray;
-- m_val_array dbms_stats.datearray;
-- m_val_array dbms_stats.chararray; -- 32 byte char max
-- m_val_array dbms_stats.rawarray; -- 32 byte raw max
m_distcnt number;
m_density number;
m_nullcnt number;
m_avgclen number;
begin
dbms_stats.get_column_stats(ownname =>目標用戶,
tabname => '目標表',
colname => '目標列',
distcnt => m_distcnt,
density => m_density,
nullcnt => m_nullcnt,
srec => m_statrec,
avgclen => m_avgclen);
--
-- Load column information into the two critical arrays
--
select 目標列, count(*) bulk collect
into m_val_array, m_statrec.bkvals
from 目標表
group by 目標列
order by 目標列;
m_statrec.epc := m_val_array.count;
--
-- Should terminate here if the count exceeds 254
--
dbms_stats.prepare_column_values(srec => m_statrec,
numvals => m_val_array);
select 1 / (2 * count(*)) into m_density from 目標表;
dbms_stats.set_column_stats(ownname =>目標用戶,
tabname => '目標表',
colname => '目標列',
distcnt => m_distcnt,
density => m_density,
nullcnt => m_nullcnt,
srec => m_statrec,
avgclen => m_avgclen);
end;
該方法通過dbms_stats.get_column_stats包來收集需要創建直方圖的目標表和目標列信息，然后通過1 / (2 * num_rows)來生成頻率直方圖的density，最后通過dbms_stats.set_column_stats將收集的信息和計算結果更新到存放統計信息數據字典中。
在頻率直方圖中有一些特殊的需要注意之處，在頻率直方圖中density始終等於1 / (2 * num_rows)，對於查詢返回的行數來說density非常關鍵。如果直方圖中存在一個特定值一共有X行，但是如果X小於density*（user_tables.num_rows-user_tables_columns.num_nulls），那么優化器將采用后者來取代X。
七、 直方圖與綁定變量：
我們知道當我們擁有了histograms的統計信息之后我們就可以使用這些信息計算我們的選擇率和基數。但是如果我們使用了綁定變量的時候，情況總會有所改變。
首先，在Oracle9i里面新引入了bind variable peeking的功能，這個功能我們前面講過，是一個帶綁定變量的SQL第一次parse的時候，讓CBO可以根據綁定的具體的值來決定所要使用的執行計划，而以后如果遇到同樣的SQL，即使綁定變量的值不一樣，也不會在peek綁定變量的值，而是使用已經生成的計划。這里的一個潛在的問題就是如果我們有了histograms信息，而且我們的數據分布是一小部分數據的分布和其他部分的分布相差很遠，那么當我們在做bind variable peeking，如果很不幸運的peek到了那一小部分的數據，就會導致以后所有的同樣的SQL都使用了不恰當的執行計划。
當然這個bind variable peeking有時候也有意外，那就是如果我們存在shared pool里的執行計划信息或其他相關的信息由於某種原因失效了或者被age out of shared pool，那當我們再次運行這個SQL的時候，就會重新peek綁定變量的值，從而重新生成計划。關於執行計划信息或其他相關的信息的失效或age out，可以通過v$sql的reloads和invalidations字段獲得。
和綁定變量有關的另一個就是參數cursor_sharing，cursor_sharing這個參數有三個取值：FORCE、EXACT、SIMILAR。
有時候，很可能是在OLTP的系統中，為了最大限度的減少SQL PARSE的消耗，讓類似的SQL可以盡可能的重用，我們會考慮設置cursor_sharing為force。當cursor_sharing被設置為force的時候，優化器會用系統指定的綁定變量來替代SQL里面所有的literal constants，然后以此為基礎判斷我們的shared pool里面是不是有可以重用的cursor。按照我們上面的討論，設置cursor_sharing為force對histograms影響最大的，因為系統指定的綁定變量替換后很可能與histograms收集的數據分布不符。
這個問題可以有兩個解決辦法,一是在我們認為影響會很到的SQL里面加上hint /*+ cursor_sharing_exact */，這回告訴CBO對於這個SQL采用cursor_sharing=exact的策略。另一個解決方法是設置cursor_sharing=similar，按照Oracle文檔的說法，設置cursor_sharing為similar也會首先把SQL里的literals替換為綁定變量，並且也會在第一次分析SQL的時候做bind variable peeking，但是當以后重新運行類似的SQL的時候，CBO會查看如果發現新的綁定變量會影響到執行計划（當然，之所以會產生不同的執行計划往往是因為存在histograms），就會重新生成執行計划。經過一些實驗，我們可以發現，當設置cursor_sharing=similar的時候，如果我們的條件是range scan或等於的條件，並且條件涉及的列上有histograms信息的時候，CBO會在分析SQL的時候對綁定變量做檢查，如果發現新的綁定變量有可能影響SQL的執行計划，則會重新評估並生成新的計划。
但是往往我們在優化系統的一個方面的時候會導致其他方面的問題，cursor_sharing=similar就是一個很典型的例子，當我們這樣的設置的時候，首先優化器的壓力會變大，因為CBO要做很多的重新優化。更嚴重的問題在於cursor_sharing=similar會導致同樣的SQL（除了綁定變量的值不一樣之外）在library cache里面擁有很多不同的執行計划，因為我們知道一個SQL下面的所有執行計划都是被一個latch保護的，所以cursor_sharing=similar會導致更嚴重的latch 爭用。因此當我們使用cursor_sharing=similar的時候，除非必要，無需統計histograms信息，因為我們要保證我們為了解決一個問題不會導致其他的更嚴重的問題。
八、 使用直方圖的注意事項：
（1）、Oracle不能保證在join中可以充分使用histograms，如果你有一個列col，Oracle只有你明確的指定了col operation(<,>,=,in,between等等) 常量（這個常量當然也可以是通過bind variable peeking獲得的）的時候，才會使用histograms。如下所示：
select
t1.v1, t2.v1
from
t1,
t2
where
t1.n2 = 99
and t1.n1 = t2.n1;
如果我們在t1和t2上都有histograms，Oracle會在t1.n2=99這個條件上使用histograms，但Oracle不能在and t1.n1 = t2.n1這個條件上使用histograms，當然如果我們的條件改成：
t1.n2 = 99
and t1.n2 = t2.n1
這時候histograms就可以使用了，因為Oracle會自己把這個SQL改寫成：
t1.n2 = 99
and
t2.n1 = 99
（2）、Oracle在分布式查詢中，即通過DBLINK查詢遠程數據庫表，此時不會使用遠程表的histograms信息
（3）、在創建高度均衡直方圖時的例外情況：
即使在粒度最細的情況下，一個桶也只能大約表示某個值所對應行的1/1250（0.4%）。如果表中存在大於250個不同值時，那么直方圖肯定會漏掉一些值。實際情況會更糟糕，如果某一行可能會跨接近兩個桶（行數目的0.8%），是無法被Oracle認定為高頻出現值的。更糟糕的是，如果存在某個出現頻率非常高的值所跨越的桶數超過了平均數，此時就會導致Oracle遺漏掉許多本來會被認定為高頻出現的數據行。因此確切估計桶數和選擇創建直方圖列對於高度均衡直方圖來說非常重要。