Leistungsverbesserungen 2026¶

Wichtig

Leistungsverbesserungen zielen oft auf bestimmte Abfragemuster oder Workloads ab. Diese Verbesserungen können erhebliche Auswirkungen auf einen bestimmten Workload haben, müssen es aber nicht.

Die folgenden Leistungsverbesserungen wurden 2026 eingeführt:


Release	Beschreibung	Auswirkung
April 2026	Verbessertes Laufzeitkürzen von Ausdrücken mit TIMESTAMP_TZ-Datentypen. Snowflake schneidet Mikropartitionen nun bei zeitstempelbasierten Filterprädikaten effektiver ab.	Verbessert die Performance von Zeitreihenabfragen mit Timestamp-Filtern, indem deutlich mehr irrelevante Mikro-Partitionen übersprungen werden, was I/O und Ausführungszeit reduziert.
April 2026	Weitere Verbesserungen bei der Behandlung von Verzerrungen bei Hash-Verknüpfungen, um Engpässen bei der Verarbeitung durch ungleich verteilte Daten weiter zu reduzieren.	Verbessert die Ausführungszeit von Join-Abfragen mit Datenverzerrung, indem die Neuverteilung auf der Grundlage der Warehouse-Konfiguration dynamisch angepasst wird.
April 2026	Performance Explorer wendet jetzt eine granulare Zugriffssteuerung an und richtet die Sichtbarkeit an Ihren Berechtigungen für Warehouses, Datenbanken und Snowflake-Datenbankrollen aus.	Mehr Benutzer können auf den Performance Explorer zugreifen, um langsame Abfragen zu identifizieren und Fehler zu beheben, ohne ACCOUNTADMIN-Berechtigungen zu benötigen.
April 2026	Aktualisierungsgrenzen für dynamische Tabellen mit `DYNAMIC_TABLE_REFRESH_BOUNDARY()`. Entkoppelt die Aktualisierungen dynamischer Tabellen vor- und nachgelagert, sodass jede Pipeline unabhängig aktualisiert wird.	Vermeidet unnötige kaskadierte Aktualisierungen, wodurch die Computekosten und die Aktualisierungslatenz für mehrstufige dynamische Tabellen-Pipelines reduziert werden.
März 2026	Richtlinie zur Überschneidung von Task-Graphen. Aufgaben unterstützen``ALLOW_CHILD_OVERLAP``- und``ALLOW_ALL_OVERLAP``-Richtlinien, die gleichzeitige Task-Graph-Ausführungen erlauben.	Erhöht den Durchsatz für aufgabenbasierte Datenpipelines, indem parallele Ausführung anstelle von nur serialer Planung ermöglicht wird.
März 2026	Verbessertes paralleles Scannen für Abfragen, die durch Query Acceleration Service (QAS) beschleunigt werden.	Verbessert die Ausführungszeit von QAS-beschleunigten Abfragen, indem während Scan-Operationen mehr parallele I/O-Vorgänge ermöglicht werden.
März 2026	Cortex Search-Aktualisierungen (Allgemeine Verfügbarkeit): Suche mit mehreren Indizes und Suchservice-Auswahl für Agenten, wodurch Latenz und Kosten durch Abfragen eines Dienstes anstelle aller ersetzt werden.	Verringern der Latenz und der Kosten für Anwendungen und Agenten, die auf Cortex Search basieren.
März 2026	Dynamisches </user-guide/dynamic-tables-about>```SCHEDULER`-Tabellenattribut (Allgemeine Verfügbarkeit). Legen Sie `SCHEDULER = DISABLE` für eine nur manuelle Aktualisierung fest; Manuelle Aktualisierungen wirken sich nicht kaskadenartig durch die Pipeline aus.	Reduziert unnötige Aktualisierungsberechnungen, wenn externe Orchestratoren (wie dbt) den Aktualisierungszeitpunkt steuern.
März 2026	MIN_BY und MAX_BY werden bei der dynamischen inkrementellen Aktualisierung von Tabellen unterstützt (Allgemeine Verfügbarkeit)	Dynamischer Tabellen-Pipelines können bei der inkrementellen Aktualisierung bleiben, anstatt auf weniger effiziente Pfade für die vollständige Aktualisierung zuzugreifen.
März 2026	Passt die Größe der Netzwerkmeldungen basierend auf dem Ausführungsplan dynamisch an, um den Datentransfer zwischen den Verarbeitungsknoten zu optimieren.	Verbessert die Ausführungszeit von interaktiven und Latenz-empfindlichen Workloads durch Reduzierung des Netzwerk-Overheads. Profitiert vor allem von Abfragen mit kurzer Ausführungszeit und von Szenarios mit hoher Parallelität.
März 2026	Verbessert die Erstellung des Scansets, um Lock-Contention während der parallelen Abfrageausführung zu reduzieren.	Verbessert die Ausführungszeit von Abfragen, die mehrere Scan-intensive Abfragen erfordern, insbesondere bei größeren Warehouses mit hoher Parallelität. Reduziert CPU-Overhead bei der Koordination paralleler Scans.
März 2026	Identifiziert Möglichkeiten, Aggregationen früher im Abfrageplan auszuführen, wenn Common Table Expressions (CTEs) vorhanden sind.	Verbessert die Ausführungszeit komplexer Abfragen mit CTEs, indem das in späteren Phasen des Abfrageplans verarbeitete Datenvolumen reduziert wird.
März 2026	Verbessert Pushdown der Extraktion durch Ansichtsspalten, was eine effizientere Scan- und Metadatennutzung für Unterspalten ermöglicht, auf die über Ansichten zugegriffen wird.	Verbessert die Ausführungszeit von Abfragen, die über Ansichten auf Unterspalten zugreifen.
Februar 2026	Cortex CodeCLI Fähigkeit zur Abfrageoptimierung (Allgemeine Verfügbarkeit). Verwenden Sie natürliche Sprache, um AI-gestützte Empfehlungen zur Abfrageoptimierung zu erhalten.	Hilft Benutzern, langsame Abfragen zu identifizieren und zu korrigieren, indem Optimierungsvorschläge über die Cortex Code-Befehlszeilenschnittstelle bereitgestellt werden.
Februar 2026	Leistungsverbesserungen des Datei-Pruners, wodurch der Overhead beim Pruning pro Datei bei Abfragen, die viele Dateien scannen, reduziert wird.	Schnellere Verkürzungsentscheidungen bei Kompilierung und Ausführung, insbesondere bei Abfragen, die Tabellen mit vielen Mikropartitionen durchsuchen.
Februar 2026	Verbessertes bereichsbasiertes Pruning von Mikropartitionen für mehr Abfragemuster.	Sowohl die Kompilierungs- als auch die Ausführungszeit von Abfragen mit Bereichsprädikaten wurden reduziert, indem mehr irrelevante Mikropartitionen übersprungen werden.
Februar 2026	Effizientere Aggregationsverarbeitung, wenn Daten auf einen einzigen Serverknoten passen, wodurch unnötiger verteilter Verarbeitungsaufwand vermieden wird.	Verbessert die Performance von Abfragen, bei denen das Datenvolumen keine verteilte Verarbeitung erfordert.
Januar 2026	AI_FILTER (Allgemeine Verfügbarkeit). Enthält eine Abfrageoptimierung der Engine, die qualifizierende AI_FILTER-Muster über optimierte Ausführungspfade weiterleitet.	Bis zu 2-10-fache Beschleunigung und ca. 60 % geringere Token-Nutzung bei geeigneten Abfragen.
Januar 2026	AI_AGG und AI_SUMMARIZE_AGG (Allgemeine Verfügbarkeit). Mengenbasierte AI-Aggregationsfunktionen, die Gruppen nativ verarbeiten, anstatt zeilenweise AI_COMPLETE-Aufrufe auszuführen.	Bis zu etwa doppelt so hoher Durchsatz bei großen Aggregations-Workloads im Vergleich zu entsprechenden zeilenweisen AI_COMPLETE-Mustern.
Januar 2026	Suchoptimierung: Unterstützung von strukturierten Datentypen Die Suchoptimierung kann die Leistung von Punktabfragen und Teilstring-Abfragen für ARRAY-, OBJECT- und MAP-Spalten in Standard- und Apache-Iceberg™-Tabellen verbessern.	Verbessert die Abfrageleistung von Abfragen, die nach strukturierten Datenspalten filtern.
Januar 2026	Verbesserte -Abfrageleistung mit Snowflake Optima Metadata, was Ihre Workload-Muster kontinuierlich analysiert und Metadaten erstellt, um das Bereinigen nicht genutzter Mikropartitionen zu optimieren. Snowflake Optima ist nur auf Snowflake Standard-Warehouses der 2. Generation (Gen2) verfügbar.	Verbessert die Verarbeitungsleistung von Abfragen durch Erstellen von Metadaten für ein effizienteres Verkürzen.
Januar 2026	Verbessertes Verkürzen (Pruning) für Abfragen verknüpfen mit Ungleichheitsprädikaten. Die folgende Join-Abfrage verwendet zum Beispiel den `>`-Operator in einem Ungleichheitsprädikat: SELECT * FROM employees e, managers m WHERE e.employee_id = m.employee_id AND e.salary > m.salary AND m.level = 'M5'; Bei dieser Abfrage löscht Snowflake die Mikropartitionen aus der Tabelle `employees`, in der alle Gehälter unter den niedrigsten `M5`-Managergehältern liegen.	Verbesserung der Leistung von Verknüpfungsabfragen, die Ungleichheitsprädikate haben.
Januar 2026	Schnelleres JSON-Parsen für PARSE_JSON-Operationen.	Verbessert die Ausführungszeit von Abfragen, die JSON-Daten parsen. Abfragen mit umfangreicher JSON-Verarbeitung können erheblich beschleunigt werden.
Januar 2026	Verbessert die Kompilierungsleistung für Abfragen mit tief verschachtelten CASE-Ausdrücken, indem diese während des gesamten Kompilierungsprozesses in einer vereinfachten Form gehalten werden.	Reduziert die Kompilierungszeit von Abfragen mit großen CASE-Ausdrücken, insbesondere solche mit vielen Verzweigungen.