EasyBase - Uma Ferramenta Para Auxiliar

na Otimização de Coleta de Estatı́stica no SGBD Oracle

Vinicius Irale Cavalheiro

Orientadora: Tanisi Pereira de Carvalho

Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul - Campus Porto Alegre (IFRS)

CEP 90.030-040 - Av Cel Vicente, 281, Porto Alegre, RS – Brasil

viniirale@[Link], [Link]@[Link]

Resumo: Os sistemas gerenciadores de banco de dados estão aumentando cada vez mais
sua complexidade em virtude de sua ampla adoção em larga escala, com regras cada vez
mais complexas neste meio. Isto faz com que administradores, desenvolvedores, estudantes
e professores de cursos da área de tecnologia da informação, acabem encontrando barreiras
em otimizar os processos de seu banco de dados devido às ferramentas e regras complexas
existentes. Tendo em vista estas dificuldades no dia-a-dia de quem trabalha neste segmento,
o sistema proposto pelo EasyBase tem por objetivo integrar-se diretamente ao banco de
dados Oracle do cliente, e com o uso de inteligência artificial, sugerir coleta de estatı́sticas
com base nas estruturas das tabelas e histogramas. Dentre suas funcionalidades, destaca-se
a sugestão de inserção e alteração de ı́ndices, notificações para a coleta de estatı́sticas e
histogramas, fazendo uso das práticas de otimização baseadas em custo. O objetivo central é
fornecer uma ferramenta que, além de executar otimizações, também exponha para o usuário
os processos executados que o levaram até essa otimização, exibindo práticas recomendadas
para uma melhor manutenção de desempenho dos bancos Oracle.

Palavras-chave: CBO, Oracle, Otimização Por Custo, SQL, Tuning, UX.

1 Introdução

A criação e modelagem de bancos de dados utilizando Structured Query Language

(SQL) é uma atividade executada comumente pelos desenvolvedores de sistemas e administrado-
res de banco de dados - Database Administrator (DBA). Estes profissionais visam pela aplicação
de boas práticas e otimização de desempenho das operações de um banco de dados, atividades
estas que se tornam complexas e desafiadoras em virtude dos relacionamentos presentes nas
bases de dados. (Poletto; Santos; Júnior, 2013).
Os Sistemas Gerenciadores de Banco de Dados (SGBD) atuais possuem documentações
extensas e complexas, com muitos processos e regras especı́ficas, constantemente atualizadas.
Isso requer profissionais altamente qualificados e especializados, o que, segundo Poletto, dificulta
a entrada e o aprendizado de novos profissionais. Mesmo com ferramentas de manuseio para
banco de dados, com diversas otimizações e configurações, como SQL Developer e DBeaver,
ainda se tem um deficit de orientação e melhores práticas no manuseio de SGBD (Bryla; Loney,
2009).

1
 Tendo em vista os problemas citados acima, este trabalho tem como proposta desenvol-
ver uma ferramenta para auxiliar os usuários especializados, como desenvolvedores e DBAs na
otimização de consulta a partir de coleta de estatı́sticas no SGBD Oracle de forma instrutiva,
denominado EasyBase. Este programa tem como propósito indicar falhas estruturais no banco de
dados, como ı́ndices faltantes, falta de chaves estrangeiras e outras inconsistências. Além disso,
ele exibe os comandos necessários para monitorar e melhorar as estatı́sticas do banco de dados,
sugerindo o melhor horário para a coleta de estatı́sticas, de acordo com volume de tráfego do
SGBD, processando os dados coletados com a inteligência artificial da OpenAI e gerando um
relatório com base nas estatı́sticas do SGBD para o usuário especializado.
Com as funcionalidades descritas acima, o DBA terá um maior controle da sua base de
dados, garantindo a manutenibilidade do SGBD, gerando insights relevantes para que a coleta de
estatı́sticas seja realizada com o menor impacto possı́vel aos usuários deste banco.
O artigo está organizado da seguinte forma: a seção 2 apresenta conceitos de bancos
de dados SQL e Oracle, expondo a importância do tuning de consultas e os diferentes tipos de
otimizadores deste tipo de operação. A seção 3 apresenta a comparação das aplicações analisadas
em contraste com o EasyBase. Em seguida, a seção 4 descreve a metodologia utilizada para
o desenvolvimento e elaboração deste trabalho de conclusão. Na seção 5 , serão descritas as
tecnologias, modelagem do sistema e objetivos empregados no desenvolvimento da ferramenta
proposta. Após, na seção 6 é exibida uma coleta de métricas relacionada a consultas ao banco de
dados para observar os resultados obtidos com a aplicação proposta. E por ultimo, a conclusão
deste trabalho se encontra na seção 7.

2 Fundamentação Teórica

Nesta seção serão explicadas as especificações e conceitos dos bancos de dados SQL,
Oracle, assim como os dois tipos de otimizadores baseado em regra e custo e do software de
inteligência artificial utilizado.

2.1 Banco de dados SQL

De acordo com Silberschatz, Sundarshan & Korth (2016) o SQL foi criado no começo
dos anos 1974 por pesquisadores da International Business Machines Corporation (IBM),
Raymond Boyce e Donald Chamberlin com intuito de implementar relações entre dados. Isso
possibilitou definir regras de negócios atreladas aos dados e realizar um armazenamento de
forma eficiente (Silberschatz; Sundarshan; Korth, 2016).
Um banco de dados SQL é uma coleção de dados organizada e estruturada armazenados
em um sistema de computador de acordo com Miletto et al. (2014), Oracle (2024b). Ele é
controlado por um SGBD onde se utiliza a linguagem SQL. Esta linguagem conta com processos
de tuning que significa otimizar o uso dos recursos do banco para aprimoramento da performance
e tem como objetivos:

• Minimizar o tempo de resposta e recuperação de dados;

• Minimizar a concorrência de acesso aos dados;

• Otimizar a taxa de transferência;

• Otimizar a capacidade de carga do Banco de Dados;

• Utilização de histogramas para melhorar o otimizador.

2
 Além disto, o SQL possuı́ diferentes SGBDs à sua disposição, como Oracle, MySQL,
PostgreSQL, etc. E como mostrado no DB-Engines (2024), o Oracle é o banco de dados mais
utilizado do mundo, sendo este o fator de escolha para avaliação deste SGBD neste trabalho.

2.2 Banco de dados Oracle

O banco de dados Oracle é um SGBD relacional criado em 1977 por Larry Ellison,
Bob Miner e Ed Oates. O objetivo era a criação de um software empresarial com foco no modelo
de bancos de dados relacionais que na época, não era tão comercializado (Oracle, 2024a) e
somente desenvolvedores altamente treinados da época conseguiam utilizar sistemas e softwares
complexos para gerenciar os dados.
Após a sua criação, a Oracle teve uma grande adesão no mundo todo por ser uma
solução mais acessı́vel em comparação aos seus concorrentes da época (Oracle, 2024a). Este
dispõe de uma documentação de SQL tuning, onde vemos um guia atualizado de boas práticas
e execução de processos para aumentar a performance do seu banco de dados SQL, existem
diferentes guias dependendo da versão do seu Banco Oracle.
Para aumentar a performance nas consultas, o Oracle implementou otimizadores de
consulta cuja função é decidir o melhor plano de execução para a instrução SQL, essenciais
para o tuning. No Oracle existem dois tipos de otimizadores, o Rule-Based Optimizer (RBO)
e o Cost-Based Optimizer (CBO) (Nunes, 2009; Oracle, 2023), os quais iremos apresentar no
capı́tulo a seguir.

2.3 Otimizadores baseados em regras (RBO)

O RBO leva em consideração regras internas para decidir o melhor caminho de execução.
Ao encontrar a primeira rota possı́vel, executa-a, ignorando outras direções viáveis, sem verificar
se existem alternativas que oferecem melhor eficiência. RBO não realiza cálculo de custo, não
utiliza estatı́sticas nem histogramas. Nunes (2009) adverte que a Oracle deixou de oferecer
suporte ao RBO desde a versão Oracle 10g em 2003 e o fornece somente ao CBO. Entretanto, o
Oracle mantém a funcionalidade de RBO para os usuários especializados que a utilizam,para
não ter problema de compatibilidade.

2.4 Otimizadores baseados em custo (CBO)

O CBO utiliza estatı́sticas e histogramas disponibilizados pelo SGBD, onde contém
dados estatı́sticos de tabelas, colunas, ı́ndices e informações do sistema, como processador e
memória, que estão armazenados no banco de dados (Nunes, 2009). Com base nos histogramas e
dados estatı́sticos gerados, o otimizador gera um conjunto de planos de execução para comparar
e escolher o que possui o menor custo Oracle (Nunes, 2009; Prado, 2024).
Este tipo de otimizador conta com um recurso de histograma, um recurso exclusivo
do CBO, que ajuda o otimizador de consultas a estimar com mais precisão a cardinalidade, ou
seja, o número de linhas que uma consulta ou um filtro especı́fico retornará. Uma estimativa de
cardinalidade precisa é essencial para o Oracle escolher o melhor plano de execução (Nunes,
2009; Prado, 2024). O histograma pode ser definido somente nas colunas que possuem ı́ndices,
onde ele analisa a distribuição dos dados nas colunas. Caso a distribuição de uma coluna for
altamente irregular, ou seja, que contenha muitos valores diferentes (conhecido como distribuição
com skew), é mais provável que o Oracle decida criar um histograma para essa coluna (Prado,
2024). Conforme explicado por Prado (2024), o otimizador baseado em custo executa uma
consulta 44,4% mais rápida em comparação ao otimizador baseado em regra. Ele também

3
adverte que as estatı́sticas devem estar atualizadas para que o SGBD Oracle siga um plano de
execução eficiente.

2.5 Chat Generative Pre-trained Transformer (ChatGPT)

ChatGPT é um chatbot que utiliza inteligência artificial desenvolvido pela OpenAI,
um laboratório de pesquisa de inteligência artificial(IA) estadunidense, que conduz pesquisas
visando promover e desenvolver uma IA de fácil entendimento (OpenAI, 2024). Atualmente o
ChatGPT dispõe de uma Interfaces de Programação de Aplicação - Application Programming
Interface(API) - e é uma das mais utilizadas segundo Forbes (2024).
A configuração da API do chatGPT fornecida OpenAI, conforme Alves (2023) mostra
suas funcionalidades, contando com uma versão gratuita que dá acesso à versão GPT-3.5 e
outra versão paga que dá acesso às versões GPT-4 e GPT-4o que realizam análises de dados
mais avançados. As aplicações relacionadas utilizam a API referente ao GPT-3.5 para diversos
propósitos e o EasyBase fornece dados das estatı́sticas do SGBD do usuário especializado para
a API da OpenAI, que processa os dados, e então o SGBD coleta estes dados para gerar um
relatório personalizado.

3 Aplicações Relacionadas

Ao realizar o levantamento de aplicações relacionadas, foram encontrados quatro

aplicativos com funcionalidades similares a desta proposta que serão apresentados a seguir.
O AskYourDatabase é uma plataforma com foco no ambiente empresarial, oferecendo
funcionalidades como dashboards, códigos para criação de banco de dados e report pautado
em regras de negócio. Disponı́vel nas versões web e desktop, ambas com interface intuitivas, a
plataforma permite que o usuário especializado execute tarefas por meio de comandos inseridos
no prompt. O serviço não possui uma versão gratuita ou de testes, e seus planos de assinatura
variam entre $29 e $49 mensais, que variam conforme a versão da API do OpenAI utilizada.
Além de ser compatı́vel com banco de dados relacionais SQL, ele também suporta banco de
dados não relacionais.
O [Link] além de oferecer otimização de consulta, ele também gera códigos SQL
a partir de textos digitados pelo usuário, cria gráficos informativos a partir das consultas SQLs
digitadas no sistema, além de possuir o diferencial de sempre utilizar a API do GPT-4 em
todas as suas requisições, gerando um resultado mais eficaz que a versão base do GPT-3.5. Este
aplicativo possui um plano de teste de sete dias e com preços mais acessı́veis, variando entre $6
à $18 dólares mensais. Ele também suporta Oracle e outros tipos de bancos relacionais e não
relacionais.
Já DB Sensei gera automaticamente consultas complexas, corrige erros, explica o
funcionamento das consultas e formata o código para melhor legibilidade, além de permitir a
importação ilimitada de bancos de dados. Ele possui uma versão de teste de sete dias e três
opções pagas, onde os preços variam entre $9 à $29 dólares mensais. DB Sensei é compatı́vel
com diversos bancos de dados além do Oracle.
EverSQL é uma ferramenta que otimiza consultas utilizando IA e algoritmos próprios.
Além disso, oferece a possibilidade do usuário especializado exportar informações do banco
manualmente como estruturas do seu esquema, relatório das consultas, envio de estatı́sticas e
histogramas, onde a partir destas informações ele realiza recomendações para reduzir custos
como a remoção de ı́ndices redundantes e otimizações de esquema. Apesar de existir um plano
gratuito limitado, os planos pagos começam em $129 dólares podendo ultrapassar $2000 mensais
nos seus planos mais avançados, contudo, o aplicativo não possuı́ integração para o Oracle.

4
 Tendo em vista os principais pontos de otimização por custo abordados pelo Nunes
(2009), foram escolhidas as seguintes funcionalidades a serem comparadas no Quadro 1.

Quadro 1 – Quadro comparativo

Funcionalidades AskYourDatabase [Link] DB Sensei EverSQL EasyBase
Integração com banco de dados
Sugestão de melhorias de ı́ndices
Monitoramento e sugestão de estatı́sticas
Compatı́vel com banco Oracle
Todas as funcionalidades gratuitas

Fonte: Elaborado pelo autor (2024).

O AskYourDatabase, [Link] e DB Sensei possuem conexão com o banco de dados do

cliente diretamente. Com exceção do EverSQL, os outros aplicativos não fazem uma otimização
sugerindo coletas de dados, análise de estatı́sticas e histogramas das tabelas. Entre os quatro
aplicativos, todos estão disponı́veis somente na lı́ngua inglesa, além deles oferecerem a sugestão
de melhorias de ı́ndices.
Dessa forma, o aplicativo EasyBase se destacará por ser projetado para ser simples,
realizando a otimização com poucas instruções e disponibilizando explicações claras sobre os
processos executados, voltadas para o usuário especializado. Além disso, será relevante por ser
uma opção totalmente gratuita e disponibilizada em português.

4 Metodologia

Para o desenvolvimento do EasyBase, foi realizada uma pesquisa exploratória do

Google Acadêmico, utilizando um protocolo de revisão bibliográfica. Foram levantados estudos
sobre otimização baseada em custo, tuning de consultas no banco de dados Oracle e artigos
que fundamentaram o trabalho, como o de Nunes (2009) que explica os ganhos do uso de
otimizadores baseado em custo, comparando-os com os otimizadores baseado em regra. Além
disso, realizou-se uma pesquisa exploratória na internet para identificar aplicativos similares ao
EasyBase.
Com base na pesquisa descrita, deu-se inicio ao levantamento de requisitos funcionais
que vão estar no aplicativo EasyBase, seguido da elaboração do diagrama de casos de uso na
Figura 1, levando em conta o tempo disponı́vel para a elaboração das entregas de funcionalidades
do EasyBase.

4.1 Tecnologias utilizadas

Entre as tecnologias que estão empregadas no desenvolvimento do aplicativo EasyBase,
estão a codificação através da Integrated Software Environment (IDE) Visual Studio Code,
onde o programa foi codificado utilizando a linguagem Python com o framework Django para
desenvolvimento do Front-end e do Back-end. A escolha do Django se justifica por sua excelente
conectividade com o banco de dados Oracle e pela disponibilidade nativa de uma interface de
login, o que facilita o desenvolvimento da aplicação.
Além disso, foi utilizada a API do OpenAI ChatGPT 3.5 que pode ser acessada gratui-
tamente, embora com limitações de uso. O banco de dados escolhido, o Oracle, está alinhado
com os objetivos propostos no artigo. O diagrama de casos de uso foi elaborado com o uso
da ferramenta online DrawIo e, para o gerenciamento de projeto e versionamento, foi usado o
GitHub.

5
5 O Aplicativo EasyBase

Este capı́tulo detalha o projeto da ferramenta EasyBase, suas principais funcionalidades,

a proposta de modelagem do sistema e o funcionamento do programa disponı́vel com diagrama
de caso de uso.

Figura 1 – Diagrama de casos de uso do sistema

Fonte: Elaborado pelo autor (2024).

O diagrama de casos de uso possui o cliente e a API do OpenAI como atores, onde o
cliente pode realizar seu cadastro, autenticação e alteração de senha para ter suas funcionalidades
de gerenciamento de conta. O cliente será capaz de gerenciar suas conexões e verificar suas
estatı́sticas de desempenho de cada banco, obtendo informações de possı́veis otimizações a partir
do sistema. Já o ator da API, realiza a coleta de informações das estatı́sticas e histogramas e
retorna possı́veis melhorias ao usuário especializado.

5.1 Requisitos funcionais

O intuito do EasyBase é auxiliar o usuário especializado na otimização de sua consulta,
executando o processo de otimização e expondo as etapas processadas, sendo assim, a ferramenta
deve atender os seguintes requisitos:
a) Integração do banco de dados do cliente com o EasyBase;
b) Sugestão de melhoria de consulta, tendo conhecimento das estruturas atuais do
banco de dados do usuário especializado, como tabelas, ı́ndices, estatı́sticas;
c) Sugestão de inserção e alteração de ı́ndices, baseado nas estatı́sticas das colunas;
d) Envio de notificações para realizar a coleta de estatı́stica com base na data da última
coleta além de sugerir a melhor janela de execução da coleta de estatı́stica, conforme
o tráfego do SGBD;

5.2 Modelagem do sistema

O EasyBase conecta-se no SGBD do usuário especializado via string de conexão, onde
os dados são armazenados consoante o modelo de banco de dados descrito no diagrama lógico,
apresentado na Figura 2.

6
 Figura 2 – Diagrama lógico da aplicação com o banco do usuário especializado.

Fonte: Elaborado pelo autor (2024).

O diagrama lógico representa as tabelas do aplicativo EasyBase, onde cada usuário

especializado possui uma ou mais conexões de banco de dados seguindo a cardinalidade 1:N. A
conexão se mostra necessária, pois o EasyBase utiliza informações do SGBD do usuário para
a coleta de estatı́sticas e fornece essas informações para a API da OpenAI, onde processa os
dados e retorna relatórios das estatı́sticas com sugestões de melhorias, como inserção de ı́ndices,
aprimoramento em consultas que estão gerando sobrecarga para o banco, além do resumo das
estatı́sticas das tabelas e colunas.

Figura 3 – Esquema do sistema

Fonte: Elaborado pelo autor (2024).

O esquema do sistema descrito na Figura 7 exibe o funcionamento do sistema, onde o

usuário especializado acessa o EasyBase, cadastra o seu SGBD para que a aplicação execute os
comandos SQLs, para obter os dados do banco do usuário especializado. Então, os dados são
enviados para a API da OpenAI para serem processados e, a partir daı́, são gerados relatórios
sobre o SGBD. Em seguida, o EasyBase retorna para o usuário os comandos necessários para
efetuar a coleta de estatı́sticas e outras informações para otimizar suas consultas.

7
5.3 Códigos SQLs utilizados
Para o EasyBase obter as informações das últimas coletas de estatı́sticas das tabelas, ele
executa os seguintes comandos SQL no banco de dados do usuário especializado, conforme a
Figura 4.

Figura 4 – Comando a ser executado pelo EasyBase para a coleta de informações das estatı́sticas
e tamanho das tabelas:

-- Este comando obtem informacoes das ultimas estatisticas

SELECT owner , table_name, last_analyzed
FROM DBA_TAB_STATISTICS
WHERE object_type = ’TABLE’; -- seleciona somente os objetos do tipo TABELA

--Este comando exibe os horarios onde o SGBD possui menos carga

WITH horas AS (
SELECT LEVEL - 1 AS HORA
FROM DUAL
CONNECT BY LEVEL <= 24)
SELECT
LPAD([Link], 2, ’0’) || ’-’ || NVL(SESSION\_COUNT.SESSIONS, 0)
AS "HORAS|SESSOES"
FROM horas
LEFT JOIN ( SELECT TO_CHAR(LOGON_TIME, ’HH24’) AS HORA,
COUNT(*) AS SESSIONS
FROM V$SESSION GROUP BY TO_CHAR(LOGON_TIME, ’HH24’)) SESSION_COUNT
ON [Link] = SESSION_COUNT.HORA
ORDER BY [Link];

--este comando obtem informacoes sobre histogramas das colunas

SELECT owner, table_name, column_name , num_distinct , histogram, last_analyzed
FROM DBA_TAB_COL_STATISTICS;

-- Este comando obtem o numero de linhas contendo na tabela

SELECT count(*)
FROM <nome_tabela>;

Fonte: Elaborado pelo autor (2024).

Onde:
a) owner: Nome do proprietário da tabela;
b) table name: Nome da tabela;
c) last analyzed: Última coleta de estatı́stica ou do histograma;
d) object type: para retornar somente objetos do tipo Tabela;
e) column name: Nome da coluna;
f) num distinct: Retorna o numero de dados distintos da coluna, o que vai influenciar
no tipo de histograma que pode ser criado;
g) histogram: Valor que retorna o tipo de histograma, que pode ser hı́brido, frequência,
balanceado ou vazio, caso a coluna não tenha um histograma definido;
h) count: Retorna o número de registros da tabela.
Essas informações são fundamentais, pois o primeiro script SQL apresentado na Figura
4 serve para verificar quando foi executada a última coleta de estatı́stica. Este código procura
verificar a data e o horário da última coleta de estatı́sticas realizada. O segundo script gera uma
lista contendo a média de acessos por intervalo de tempo, permitindo ao usuário especializado
identificar o perı́odo de menor carga no Sistema de Gerenciamento de Banco de Dados (SGBD).
Isso possibilita a recomendação de uma janela de execução para a coleta de estatı́sticas, caso o

8
tempo desde a última execução seja elevado. Na execução do terceiro script, o programa fornece
informações sobre a presença de histogramas nas colunas das tabelas e os valores distintos de
cada coluna. No Oracle, o tipo de histograma é definido automaticamente durante a coleta de
estatı́sticas, visando otimizar o desempenho das consultas. E por último, o quarto script realiza a
contagem do número de registros em uma tabela especı́fica, dado que essa informação é essencial
para obter a estimativa de tempo necessário para a execução da coleta de estatı́sticas.
Após a execução dos scripts, o EasyBase fornece ao usuário especializado uma recomendação
sobre o comando de coleta mais adequado, uma estimativa do tempo de execução e a melhor
janela de tempo para minimizar o impacto sobre o desempenho do SGBD.

Figura 5 – Comando a ser executado pelo usuário especializado para executar a coleta de es-
tatı́sticas

DECLARE -- Este comando obtem a coleta de estatisticas

nome_schema VARCHAR2(30) := ’SCHEMA_EXEMPLO’;
nome_tabela VARCHAR2(30) := ’TABELA_EXEMPO’;
BEGIN
DBMS_STATS.GATHER_TABLE_STATS(
ownname => nome_schema,
tabname => nome_tabela,
cascade => TRUE,
method_opt => ’FOR ALL COLUMNS SIZE AUTO’,
degree => DBMS_STATS.DEFAULT_DEGREE,
granularity => ’AUTO’,
estimate_percent => DBMS_STATS.AUTO_SAMPLE_SIZE,
no_invalidate => FALSE);
DBMS_OUTPUT.PUT_LINE(’Estatisticas coletadas.’);
EXCEPTION --Tratamento de excecoes
WHEN OTHERS THEN
DBMS_OUTPUT.PUT_LINE(’Erro ao coletar estatisticas: ’||SQLERRM);
END;/

Fonte: Elaborado pelo autor (2024).

Onde:
a) ownname: Nome do proprietário da tabela;
b) tabname: Nome da tabela;
c) cascade: Quando TRUE, também coleta estatı́sticas dos ı́ndices da tabela;
d) method opt: Define as opções de coleta de estatı́sticas para colunas, o parâmetro
FOR ALL COLUMNS SIZE AUTO coleta estatı́sticas de todas as colunas e o
Oracle decide automaticamente quais colunas terão histogramas e quantos buckets
serão usados;
e) degree: define o grau de paralelismo. DBMS [Link] DEGREE usa o
grau de paralelismo padrão;
f) granularity: define a granularidade da coleta. AUTO permite que o Oracle determine
a granularidade;
g) estimate percent: especifica a porcentagem de linhas a serem amostradas para a co-
leta de estatı́sticas. Quando você define em DBMS [Link] SAMPLE SIZE,
permite que o Oracle determine a melhor porcentagem de amostragem para garantir
a coleta de estatı́sticas precisas sem afetar significativamente o desempenho. O
Oracle usa algoritmos internos para decidir a amostragem, balanceando precisão e
custo de coleta;

9
 h) no invalidate: quando FALSE, invalida os cursores dependentes após a coleta de
estatı́sticas.
Após a execução dos scripts de coleta de dados das tabelas, nos dados coletados, dados
de histogramas e outras informações do banco, o EasyBase junta as informações e formula uma
frase de entrada padrão para enviar à API do OpenAI. Esta entrada será melhor detalhada na
próxima seção, mostrando a geração de insights e recomendações personalizadas para o ambiente
do banco de dados do cliente.
O EasyBase lista todas as colunas, depois exibe se elas são ı́ndices ou não, juntamente
com suas métricas de uso baseadas nos planos de execuções de todos os usuários do banco de
dados. Além disso, ele mostra a quantidade de valores distintos que a coluna possui naquele
momento, baseado em sua coleta de estatı́stica, como indicado na Figura 6.
Figura 6 – Consulta de uso de ı́ndice

-- Este comando coleta informacoes de uso de indice

WITH indexedcolumns AS
( SELECT c.column_name,
CASE WHEN i.column_name IS NOT NULL THEN ’S’ ELSE ’N’ END AS indice
, c.num_distinct
, c.last_analyzed FROM dba_tab_columns c
LEFT JOIN user_ind_columns i ON c.table_name = i.table_name
AND c.column_name = i.column_name
WHERE c.table_name = ’TABELA_EXEMPO’
),
indexusage AS
( SELECT ic.column_name
, COUNT(*) AS usage_count
FROM dba_ind_columns ic
JOIN v$sql_plan p ON ic.index_name = p.object_name
WHERE
ic.table_name = ’TABELA_EXEMPO’
AND p.object_owner = ’SCHEMA_EXEMPLO’
GROUP BY ic.column_name
),
predicateusage AS
( SELECT c.column_name
, COUNT(*) AS usage_count FROM dba_tab_columns c
JOIN v$sql_plan p ON (
p.filter_predicates LIKE ’%’|| c.column_name || ’%’
OR p.access_predicates LIKE ’%’ || c.column_name || ’%’
) WHERE c.table_name = ’TABELA_EXEMPO’
AND p.object_owner = ’SCHEMA_EXEMPLO’
GROUP BY c.column_name
)
SELECT ic.column_name AS "NOME DA COLUNA"
, [Link]
, CASE WHEN [Link] = ’S’ THEN NVL(iu.usage_count, 0) ELSE NVL(pu.usage_count, 0)
END AS "USO DA COLUNA"
, ic.num_distinct AS "VALORES DISTINTOS"
, ic.last_analyzed AS "ULTIMA ANALISE DA COLUNA" FROM
indexedcolumns ic
LEFT JOIN indexusage iu ON ic.column_name = iu.column_name
LEFT JOIN predicateusage pu ON ic.column_name = pu.column_name
ORDER BY ic.column_name

Fonte: Elaborado pelo autor (2024).

10
 Figura 7 – Tela Apresentando o Resultado das Colunas

Fonte: Elaborado pelo autor (2024).

O usuário especializado pode tomar a decisão de inserir ou remover um ı́ndice, baseado

nas informações fornecidas pelo EasyBase.

5.4 Comunicação com o GPT

A partir dos scripts mencionados na seção anterior, o EasyBase estrutura os prompts
para enviá-los a API do ChatGPT. Nota-se que o prompt irá mudar caso o usuário tiver acesso
administrativos do banco de dados, onde ele terá uma gama maior de comandos para retornar
informações, como o horário mais indicado para realizar a coleta de estatı́stica.

Figura 8 – Código utilizado para estruturar o prompt do GPT

Fonte: Elaborado pelo autor (2024).

11
 As telas do aplicativo com o resultado gerado pela API encontram-se esquematizadas
no apêndice A. Após clicar para exibir o relatório do GPT, o EasyBase informa que a tabela
selecionada possuı́ um número grande de dados na tabela que as estatı́sticas foram coletadas 3
meses atrás, porém não houve inserção ou alteração de dados então ele recomenda não fazer
a coleta de estatı́stica. Apesar disto, ele indica o comando caso o usuário especializado queira
executar manualmente.

6 Métricas Coletadas

Para demonstrar a importância da coleta de estatı́stica, usamos de exemplo a tabela

”[Link]”onde constava 4 registros diferentes, após a inserção de um milhão de registros,
o plano de execução continua como se estivesse apenas com 4 valores, o que pode fazer o Oracle
tomar uma decisão ruim e gerar uma consulta mais lenta.

Figura 9 – Plano de execução antes da coleta de estatı́stica

Fonte: Elaborado pelo autor (2024).

Após a execução da coleta de estatı́stica, vimos que os valores de custo, cardinalidade e
bytes foram devidamente atualizados nas figuras 10 e 11.

12
 Figura 10 – Execução da Coleta de Estatı́stica

Fonte: Elaborado pelo autor (2024).

Figura 11 – Plano de execução após coleta

Fonte: Elaborado pelo autor (2024).

13
7 Conclusão

O EasyBase cumpre com seu propósito de oferecer recomendações assertivas e baseadas

em dados concretos, melhorando a tomada de decisão do usuário especializado. Podemos
observar na seção 6 que seguindo os passos sugeridos pela aplicação, houve melhoria nos
processos de consulta ao banco de dados. A facilidade de uso do programa é um de seus pontos
fortes, além de incentivar seus usuários no uso de otimização de estatı́sticas e histogramas de
acordo com as boas práticas do tuning guide da Oracle. Tendo em vista que a aplicação também
faz as sugestões de horários para a coleta de estatı́stica, é garantido que o processo de coleta para
a otimização das consultas terá seu impacto minimizado, evitando problemas de acesso/lentidão
a base de dados e, portanto, garantindo uma boa prática segura.
Conforme recebemos novas funcionalidades nos SGBDs e atualizações em seus proces-
sos, é importante garantirmos que o processo de atualização tecnológica não impacte o dia-a-dia
do trabalho de um DBA. Neste sentido, ferramentas de caráter assistencialista como o EasyBase
devem ganhar força nesse cenário, agilizando processos e garantindo a manutenibilidade de
SGBDs de forma fácil, prática e segura.

14
Referências

ALVES, A. Introdução à API da OpenAI. 2023. Disponı́vel em: [Link]

publication/374165121 Introducao a API da OpenAI. Acesso em: 03 nov. 2024.
ASKYOURDATABASE. AskYourDatabase Página Inicial. 2024. Disponı́vel em:
[Link] Acesso em: 16 jul. 2024.
BRYLA, B.; LONEY, K. Oracle Database 11g: manual do DBA. Biblioteca do Instituto de
Informática UFRGS Porto Alegre, RS: Bookman Editora, 2009.
DB-ENGINES. DB-Engines Ranking Database. 2024. Disponı́vel em: [Link]
en/ranking. Acesso em: 16 jul. 2024.
EVERSQL. EverSQL Página Inicial. 2024. Disponı́vel em: [Link]
Acesso em: 16 jul. 2024.
FORBES. 10 AI Tools In 2024. 2024. Disponı́vel em: [Link]
ai-tools/. Acesso em: 16 jul. 2024.
MILETTO, E. M.; BERTAGNOLLI, S. D. C.; HUBLER, P. N.; CARVALHO, T. P. D.;
NICOLAO, M. Desenvolvimento de Software II: Introdução ao Desenvolvimento Web
com HTML, CSS, JavaScript e PHP-Eixo: Informação e Comunicação-Série Tekne.
[S.l.]: Bookman Editora, 2014. Disponı́vel em: [Link]
263220660 Desenvolvimento de Software II - Introducao ao Desenvolvimento Web com
HTML CSS JavaScript e PHP. Acesso em: 03 nov. 2024.
NUNES, J. P. G. Diferenças entre os otimizadores de consulta do banco de
dados Oracle baseado em regras e baseado em custo. 2009. Disponı́vel em:
[Link] Acesso em: 03 nov. 2024.
OPENAI. About us OpenAI. 2024. Disponı́vel em: [Link] Acesso em: 13
dez. 2024.
ORACLE. SQL Tuning Guide. 2023. Disponı́vel em: [Link]
oracle/oracle-database/21/tgsql/[Link]. Acesso em: 16 jul. 2024.
ORACLE. Defying Conventional Wisdom. 2024. Disponı́vel em: [Link]
corporate/profit/[Link]. Acesso em: 13 dez. 2024.
ORACLE. O que é um Banco de Dados? 2024. Disponı́vel em: [Link]
database/what-is-database/. Acesso em: 16 jul. 2024.
POLETTO, A. S. R. de S.; SANTOS, E. C.; JÚNIOR, J. R. de A. Avaliação do grau
de difuldade do aprendizado da modelagem de banco dados. 2013. Disponı́vel em:
[Link] [Link]. Acesso em: 03 nov. 2024.
PRADO, F. Coletando estatı́sticas para o otimizador de queries do Oracle. 2024. Disponı́vel
em: [Link] Acesso em: 05 ago.
2024.
SENSEI, D. DB Sensei Página Inicial. 2024. Disponı́vel em: [Link] Acesso em:
16 jul. 2024.

15
SILBERSCHATZ, A.; SUNDARSHAN, S.; KORTH, H. Sistema de banco de dados.
[S.l.]: Elsevier Brasil, 2016. Disponı́vel em: [Link]
374165121 Introducao a API da OpenAI. Acesso em: 03 nov. 2024.

16
Apêndices
APÊNDICE A

Fonte: Elaborado pelo autor (2024).

18
 APÊNDICE A

19
Fonte: Elaborado pelo autor (2024).