Page 273 - 《软件学报》2026年第3期

1236 软件学报 2026 年第 37 卷第 3 期

30
28 MySQL
26 MySQL+HybridJIT 20.89
24 18.73 20
22 15.48
Execution time (s) 18 −1.56 2.62 10 Reduction in execution time (%)
20
16
14
12
10
8 0
6 −8.44
4 −10
2
0
10 50 100 400 800 1 600
Data amount
图 6 混合编译测试结果

4.4 阈值 K 的选取与验证

如本文第 3.1.2 节所述, 阈值 K 是 JIT 编译决策的核心依据. 为了验证阈值 K 的合理性, 明确其临界范围并为
实际部署提供参考依据. 本节基于 TPC-H 基准测试框架, 通过动态调整 Q6 查询的复杂度与数据量, 系统化分析阈
值 K 的临界范围及其对性能的影响. 实验通过修改 Q6 的 WHERE 子句中的谓词表达式数量构造不同复杂度的查
5 7 N×M 乘积对 JIT 编译性能的边际效益.
询, 同时调整数据量使 N×M 的乘积覆盖 1×10 至 1×10 , 观测不同
如图 7 所示, 当 N×M 低于 3×10 时, JIT 编译因编译开销占比过高导致性能收益为负; 当 N×M 高于 3×10 时,
6
6
性能的提升趋于稳定, 这表明此时编译开销可被大规模数据处理的效率优势完全覆盖. 这一临界范围的确定为实
际部署提供了重要参考, 确保编译决策始终适配当前负载特征, 从而在保障稳定性的同时最大化 JIT 编译的收益
边界.

MySQL
800
MySQL+JIT
700
Execution time (ms) 500
600

400
300
200
100
0
1×10 5 5×10 5 1×10 6 2×10 6 3×10 6 4×10 6 5×10 6 1×10 7
N×M value
图 7 阈值 K 的临界值决策

4.5 TPC-H 测试
本节将展示 TPC-H 基准测试的实验结果. 在第 4.2.1 节中已证明, 数据量的增大与 JIT 编译性能提升成正比.
因此, 本节固定 TPC-H 的比例因子为 4 (即 4 GB 数据), 重点分析在复杂 OLAP 类查询中启用 JIT 编译系统的性能
提升效果. 此外, 我们还将探讨在结合谓词下推的场景下, 查询条件的选择率对 JIT 编译系统性能的影响.
4.5.1 谓词下推对 JIT 编译的影响
本节将展示 JIT 编译与谓词下推结合的效果. 如图 8 所示, 仅启用 JIT 编译即可使大多数查询的执行时间减