hash join必須使用cbo（因此必須表分析）
NLJ：
根據連線鍵，把小表的每一行，和大筆的每一行做對比。 一般情況下會對大表連線鍵上建index。
成本計算：讀小表的行+（小表的每一行×讀取大表的行）
根據連線鍵，把小表的每一行，和大筆的每一行做對比。 一般情況下會對大表連線鍵上建index。
成本計算：讀小表的行+（小表的每一行×讀取大表的行）
SMJ:
讀取小表和大表讀的行，根據連線鍵排序，然後根據排序後的資料集（小表的和大表的）合進行連線。
理想狀態：2個表的排序操作都能在記憶體hash進行
常規情況：2階段進行：
1.sort run階段：資料讀取到記憶體，排序，寫出到臨時表空間。直到所有的row sourse完成排序。
2.merge階段：之前每次寫到臨時表空間的資料（即sort run）被重新讀入到記憶體，進行merge。
成本計算：讀取小表的行+寫小表的run sort到temp表空間+
讀取大表的行+寫大表的run sort到temp表空間+
cpu對小表和大表的排序消耗
讀取小表和大表讀的行，根據連線鍵排序，然後根據排序後的資料集（小表的和大表的）合進行連線。
理想狀態：2個表的排序操作都能在記憶體hash進行
常規情況：2階段進行：
1.sort run階段：資料讀取到記憶體，排序，寫出到臨時表空間。直到所有的row sourse完成排序。
2.merge階段：之前每次寫到臨時表空間的資料（即sort run）被重新讀入到記憶體，進行merge。
成本計算：讀取小表的行+寫小表的run sort到temp表空間+
讀取大表的行+寫大表的run sort到temp表空間+
cpu對小表和大表的排序消耗
join連線中的並行機制：
能在NLJ和SMJ中使用。併發查詢的執行計劃是一個樹形結構（DFO），每個樹上的DFO節點是一個sql操作過程，並且能把該操作過程能指派到一個query slave程式中。
能在NLJ和SMJ中使用。併發查詢的執行計劃是一個樹形結構（DFO），每個樹上的DFO節點是一個sql操作過程，並且能把該操作過程能指派到一個query slave程式中。
Hash Join：
用在條件為等號的環境下，hash連線的效率要比SMJ和NLJ要高（如果索引的blevel比較高），且hash join不要求一定要有索引。
hash join的基本演算法是在記憶體中建立hash table，小表叫做build input，理想狀態下，build input在記憶體中；大表叫做probe input。
在實際的情況下，build input不一定能完全放在記憶體中，此時，和probe input一樣，build input的溢位部分，會在磁碟上用hash函式分割成小的不連續的分割槽。
hash連線分2個階段進行：
1.partitioning階段：即在記憶體中存放build input，若放不下，則和probe input一樣，在磁碟上利用hash函式將input分割成小的不連續的分割槽。
1.join階段：在相同的鍵值上，將build input和probe input的分割槽進行一一配對，並且join。
以上的hash連線的演算法也叫grace join。
hash演算法的限制：該演算法是假設hash之後連線值傾斜度（skew）不高，使得每個partition上保持大約相同數量的rows。但是事實上不可能保證每個partition有大約相同數量的rows。
hybrid hash join是在oracle 7.3之後應用的比較高效的hash演算法，它是在grace join的基礎上，儘量在記憶體在搭建build input。
但是由於不可能在每個partition中保證相同的rows，後來有出來一些技術如bit-vector filtering、role reversal和histograms。我們將在後面的章節講到這些技術。
分割槽的數量，我們叫做fan-out。fan-out太多會導致partition較多，從而影響IO，但是如果fan-out太少又會造成數量較少的大partition，這些大partition無法放在hash記憶體中。因此選擇一個合適的fan-out和partition 大小，是hash join調優的關鍵。
當partitioning之後，build input或者probe input如果在記憶體中無法放下，hash table的溢位部分將會做nested-loops hash join。
hash table是由部分（在記憶體內的）build input partition和所有的probe input連線構成。剩餘的不在記憶體中的build input將透過迭代的方式繼續獲取，直到所有的build input被迭代完。
hash join 規則：
假設有2個表：
S = { 1, 1, 1, 3, 3, 4, 4, 4, 4, 5, 8, 8, 8, 8, 10 }
B = { 0, 0, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 3, 8, 9, 9, 9, 10, 10, 11}
首先會根據hash_area_size確定小表是否能做build table。如果build input不能完全的在記憶體中，那麼build input就被會分割槽，分割槽的數量我們稱為fan-out，
fan-out是由hash_area_size和cluster size決定的，cluster size是指分割槽中還沒被寫出到臨時表空間的連續塊的數量。
cluster size=db_block_size * hash_multiblock_io_count，hash_multiblock_io_count在oracle9i中是隱含引數
hash演算法會把S和B表的連線列分成不連線的桶（bucket），桶也叫做分割槽（partition），hash演算法是儘量的減少資料的傾斜度，使得資料儘量均勻的分佈。
以上面的S表和B表為例，如果我們簡單的假設hash演算法是取餘，則：
S的分割槽為:{0,1,3,4,5,8}
B的分割槽為:{0,1,2,3,8,9}
經過這樣的分割槽之後，只需要相應的分割槽之間做join即可（也就是所謂的partition pairs），如果有一個分割槽為NULL的話，則相應的分割槽join即可忽略。即他們可以在0,1,3,8上做連線。
相應的如果我們用SMJ或者NLJ，在連線上的消耗要高很多。
當build input被讀入hash area記憶體準備進行分割槽的時候，build input表中的唯一列值被作為連線鍵構建起來，即所謂的點陣圖向量（bitmap vector）。
按照上面的例子，bitmap vector為：{1,3,4,8,10}。
bitmap vector用來決定在partitioning 階段和大表（probe input）進行連線的時候，哪些行是需要的，哪些是不需要的，不需要的將被丟棄，這就是我們上面說的bit-vector filtering技術。
當對B表進行分割槽時，將每一個連線鍵上的值與點陣圖向量相比較，如果不在其中，則將其記錄丟棄。在我們這個例子中，B表中以下資料將被丟棄
這個例子中，B表中以下資料將被丟棄{0,0,2,2,2,2,2,2,9,9,9,9,9}。
當第一個S分割槽和B分割槽做完連線後，需要將第i個S分割槽和B分割槽讀入記憶體中做連線，此時會根據分割槽的大小，自動的選擇哪個做build input，哪個做probe input。這就是動態角色轉換技術，即我們前面所說的role reversal。
用在條件為等號的環境下，hash連線的效率要比SMJ和NLJ要高（如果索引的blevel比較高），且hash join不要求一定要有索引。
hash join的基本演算法是在記憶體中建立hash table，小表叫做build input，理想狀態下，build input在記憶體中；大表叫做probe input。
在實際的情況下，build input不一定能完全放在記憶體中，此時，和probe input一樣，build input的溢位部分，會在磁碟上用hash函式分割成小的不連續的分割槽。
hash連線分2個階段進行：
1.partitioning階段：即在記憶體中存放build input，若放不下，則和probe input一樣，在磁碟上利用hash函式將input分割成小的不連續的分割槽。
1.join階段：在相同的鍵值上，將build input和probe input的分割槽進行一一配對，並且join。
以上的hash連線的演算法也叫grace join。
hash演算法的限制：該演算法是假設hash之後連線值傾斜度（skew）不高，使得每個partition上保持大約相同數量的rows。但是事實上不可能保證每個partition有大約相同數量的rows。
hybrid hash join是在oracle 7.3之後應用的比較高效的hash演算法，它是在grace join的基礎上，儘量在記憶體在搭建build input。
但是由於不可能在每個partition中保證相同的rows，後來有出來一些技術如bit-vector filtering、role reversal和histograms。我們將在後面的章節講到這些技術。
分割槽的數量，我們叫做fan-out。fan-out太多會導致partition較多，從而影響IO，但是如果fan-out太少又會造成數量較少的大partition，這些大partition無法放在hash記憶體中。因此選擇一個合適的fan-out和partition 大小，是hash join調優的關鍵。
當partitioning之後，build input或者probe input如果在記憶體中無法放下，hash table的溢位部分將會做nested-loops hash join。
hash table是由部分（在記憶體內的）build input partition和所有的probe input連線構成。剩餘的不在記憶體中的build input將透過迭代的方式繼續獲取，直到所有的build input被迭代完。
hash join 規則：
假設有2個表：
S = { 1, 1, 1, 3, 3, 4, 4, 4, 4, 5, 8, 8, 8, 8, 10 }
B = { 0, 0, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 3, 8, 9, 9, 9, 10, 10, 11}
首先會根據hash_area_size確定小表是否能做build table。如果build input不能完全的在記憶體中，那麼build input就被會分割槽，分割槽的數量我們稱為fan-out，
fan-out是由hash_area_size和cluster size決定的，cluster size是指分割槽中還沒被寫出到臨時表空間的連續塊的數量。
cluster size=db_block_size * hash_multiblock_io_count，hash_multiblock_io_count在oracle9i中是隱含引數
hash演算法會把S和B表的連線列分成不連線的桶（bucket），桶也叫做分割槽（partition），hash演算法是儘量的減少資料的傾斜度，使得資料儘量均勻的分佈。
以上面的S表和B表為例，如果我們簡單的假設hash演算法是取餘，則：
S的分割槽為:{0,1,3,4,5,8}
B的分割槽為:{0,1,2,3,8,9}
經過這樣的分割槽之後，只需要相應的分割槽之間做join即可（也就是所謂的partition pairs），如果有一個分割槽為NULL的話，則相應的分割槽join即可忽略。即他們可以在0,1,3,8上做連線。
相應的如果我們用SMJ或者NLJ，在連線上的消耗要高很多。
當build input被讀入hash area記憶體準備進行分割槽的時候，build input表中的唯一列值被作為連線鍵構建起來，即所謂的點陣圖向量（bitmap vector）。
按照上面的例子，bitmap vector為：{1,3,4,8,10}。
bitmap vector用來決定在partitioning 階段和大表（probe input）進行連線的時候，哪些行是需要的，哪些是不需要的，不需要的將被丟棄，這就是我們上面說的bit-vector filtering技術。
當對B表進行分割槽時，將每一個連線鍵上的值與點陣圖向量相比較，如果不在其中，則將其記錄丟棄。在我們這個例子中，B表中以下資料將被丟棄
這個例子中，B表中以下資料將被丟棄{0,0,2,2,2,2,2,2,9,9,9,9,9}。
當第一個S分割槽和B分割槽做完連線後，需要將第i個S分割槽和B分割槽讀入記憶體中做連線，此時會根據分割槽的大小，自動的選擇哪個做build input，哪個做probe input。這就是動態角色轉換技術，即我們前面所說的role reversal。
總體說來，hash演算法為如下步驟（以下考慮的是hash area size不夠大，需要寫出到磁碟的情況）：
1.決定fanout的數量，即分割槽的數量。分割槽數量×cluster大小<=記憶體中能用的hash area比例×hash area size大小
2.讀取S表，根據內部的hash演算法（我們暫時稱作hash_fun_1），將連線列上的值map到分割槽。在此步驟，還利用另一個hash函式（我們稱作hash_fun_2）產生另一個hash值，和連線鍵一起存放。該值將在後續的構建hash table中用到。
3.為S表的獨立的連線鍵形成的bitmap向量
4.根據partition的大小排序，使得儘量多（也就是儘量小的partition進入記憶體。這也就是之前要根據partition大小排序的原因）的分割槽放入記憶體來構建hash table。如果記憶體不夠放下所有的parittion，則輸出到temp segment上）。
5.利用之前的hash值，構建S表的hash table。
6.讀取B表，根據點陣圖向量過濾，如果透過hash演算法後B的值與點陣圖向量比較不在其中，則丟棄該行。
7.將過濾後B表的行，利用內部的hash_fun_1和連線鍵，形成partition。
8.如果B表的行能在記憶體中形成分割槽，就利用內部的hash_fun_2執行連線，並且形成合適的hash桶。
9.如果不能在記憶體中形成分割槽，則將S的分割槽、連線鍵、B表的剩餘行寫出到磁碟。
10.從磁碟中讀取未處理的S表和B表的分割槽。利用內部hash_fun_2值，構建hash table，在構建時將使用動態角色轉換技術。在第一次迴圈中，最佳化器將先使用小表做build input，大表做probe input，角色轉換技術僅在第一次迴圈後使用。
11.如果probe input或者build input中（已經經過角色轉換了）較小的那個還是不能放入到記憶體中，則將讀取較小的那個build input到記憶體chunk中，並且迴圈的和probe input做hash 連線。這我們叫做nested hash loops join。
1.決定fanout的數量，即分割槽的數量。分割槽數量×cluster大小<=記憶體中能用的hash area比例×hash area size大小
2.讀取S表，根據內部的hash演算法（我們暫時稱作hash_fun_1），將連線列上的值map到分割槽。在此步驟，還利用另一個hash函式（我們稱作hash_fun_2）產生另一個hash值，和連線鍵一起存放。該值將在後續的構建hash table中用到。
3.為S表的獨立的連線鍵形成的bitmap向量
4.根據partition的大小排序，使得儘量多（也就是儘量小的partition進入記憶體。這也就是之前要根據partition大小排序的原因）的分割槽放入記憶體來構建hash table。如果記憶體不夠放下所有的parittion，則輸出到temp segment上）。
5.利用之前的hash值，構建S表的hash table。
6.讀取B表，根據點陣圖向量過濾，如果透過hash演算法後B的值與點陣圖向量比較不在其中，則丟棄該行。
7.將過濾後B表的行，利用內部的hash_fun_1和連線鍵，形成partition。
8.如果B表的行能在記憶體中形成分割槽，就利用內部的hash_fun_2執行連線，並且形成合適的hash桶。
9.如果不能在記憶體中形成分割槽，則將S的分割槽、連線鍵、B表的剩餘行寫出到磁碟。
10.從磁碟中讀取未處理的S表和B表的分割槽。利用內部hash_fun_2值，構建hash table，在構建時將使用動態角色轉換技術。在第一次迴圈中，最佳化器將先使用小表做build input，大表做probe input，角色轉換技術僅在第一次迴圈後使用。
11.如果probe input或者build input中（已經經過角色轉換了）較小的那個還是不能放入到記憶體中，則將讀取較小的那個build input到記憶體chunk中，並且迴圈的和probe input做hash 連線。這我們叫做nested hash loops join。
hash join的成本計算：
1.最簡單的情況，hash area足夠大能放下S表分割槽後的所有的build input：
cost（HJ）=read（S）+build hash table in memory（cpu）+read（B）+perform in memory join（cpu）
如果忽略cpu的成本，cost（HJ）無限接近於 read（s）+read（b）
2.當hash area（後面用M表示）不夠大，不能容納build input，S，它將會寫出到磁碟。當然了，表B也會寫出到磁碟：
total cost 無限接近於 cost（HJ迴圈1）+cost（HJ迴圈2）
其中cost（HJ迴圈1） 無限接近於 read（S）+read（B）+write（（S-M）+（B-B*M/S））
即上述2至9步。
由於HJ迴圈2使用了nested hash loops join，hash join的演算法處理Si和Bi分割槽。當每個build input的chunk被讀取時，probe input將被多次讀。
因此cost（HJ迴圈2） 無限接近於 read（（S-M）+n×（B-B*M/S））
即上述10至11步。
n為進行nested hash loops join的次數，n一般在10以上，也就是需要構建的partition大於10倍的hash area。
1.最簡單的情況，hash area足夠大能放下S表分割槽後的所有的build input：
cost（HJ）=read（S）+build hash table in memory（cpu）+read（B）+perform in memory join（cpu）
如果忽略cpu的成本，cost（HJ）無限接近於 read（s）+read（b）
2.當hash area（後面用M表示）不夠大，不能容納build input，S，它將會寫出到磁碟。當然了，表B也會寫出到磁碟：
total cost 無限接近於 cost（HJ迴圈1）+cost（HJ迴圈2）
其中cost（HJ迴圈1） 無限接近於 read（S）+read（B）+write（（S-M）+（B-B*M/S））
即上述2至9步。
由於HJ迴圈2使用了nested hash loops join，hash join的演算法處理Si和Bi分割槽。當每個build input的chunk被讀取時，probe input將被多次讀。
因此cost（HJ迴圈2） 無限接近於 read（（S-M）+n×（B-B*M/S））
即上述10至11步。
n為進行nested hash loops join的次數，n一般在10以上，也就是需要構建的partition大於10倍的hash area。