Améliorations des performances 2025¶

Important

Les améliorations de performance visent souvent des modèles de requêtes ou des charges de travail spécifiques. Ces améliorations peuvent ou non avoir un impact matériel sur une charge de travail spécifique.

Les améliorations de performance suivantes ont été introduites en 2025.


Sortie	Description	Impact
Décembre 2025	Tables interactives et entrepôts interactifs (Mise à disposition générale) Un nouveau type de table et un nouveau type d’entrepôt optimisés pour les charges de travail interactives à faible latence et à forte concurrence telles que les tableaux de bord en temps réel et les APIs alimentées par les données.	Fournit des performances d’interrogation à faible latence pour les charges de travail interactives. Meilleures performances lors de l’interrogation de tables interactives avec des entrepôts interactifs.
Décembre 2025	Volumes de stockage en bloc SPCS : IOPS configurable jusqu’à 80 000 et débit jusqu’à 2 GB/s sur AWS (Mise à disposition générale).	Améliore les performances d’E/S pour les charges de travail conteneurisées qui nécessitent un débit de stockage élevé.
Décembre 2025	Tables dynamiques : Prise en charge des entrepôts doubles, permettant des entrepôts séparés pour les initialisations intensives par rapport aux actualisations normales.	Optimise les performances et les coûts de maintenance des tables dynamiques en isolant la réinitialisation exigeante en ressources des actualisations incrémentielles régulières.
Décembre 2025	Snowflake Data Clean Rooms : L’optimisation de la politique de colonne réduit la latence lors de l’ajout d’une politique de colonne avec plusieurs colonnes.	Application de politiques plus rapide pour les collaborations en salles blanches de données impliquant des tables larges.
Novembre 2025	Projets dbt sur Snowflake (Mise à disposition générale). Comprend des chargements de résultats dbt ~8 à 10x plus rapides par rapport à la version en prévisualisation.	Exécution de projets dbt significativement plus rapide au sein de Snowflake, réduisant ainsi les délais de pipeline de bout en bout.
Novembre 2025	Service d’accélération des requêtes (QAS) amélioré pour déterminer intelligemment quand des requêtes avec des clauses LIMIT peuvent être accélérées.	Davantage de requêtes avec des clauses LIMIT (y compris celles sans ORDER BY) sont désormais éligibles à l’accélération. QAS détermine automatiquement lorsque l’accélération de ces requêtes améliore les performances, en élargissant le champ des requêtes qui bénéficient de QAS.
Novembre 2025	Estimation de cardinalité plus précise pour les expressions et les fonctions, conduisant à de meilleures décisions en matière d’ordre de jointure et de distribution.	Améliore la qualité du plan de requête pour les requêtes impliquant des expressions de fonction dans des clauses join ou group-by. Réduit le temps d’exécution des requêtes affectées par des inexactitudes d’estimation précédentes.
Novembre 2025	Amélioration de l’estimation de la cardinalité au sein de l’optimiseur de requêtes grâce à l’utilisation de structures de données probabilistes, permettant d’obtenir des estimations plus rapides et plus précises lors des opérations de regroupement.	Réduit le temps de compilation et améliore l’estimation de la sélectivité des groupes, conduisant à de meilleurs plans de requête. Avantage particulier pour les requêtes avec des modèles de regroupement et d’agrégation complexes.
Novembre 2025	Amélioration du pushdown des filtres de Bloom, permettant une élimination précoce des données lors du traitement des requêtes de type SELECT etDML (UPDATE ,DELETE ,MERGE).	Améliore le temps d’exécution des requêtes de jointure et des opérations DML en appliquant des filtres plus en amont dans le plan de requête, réduisant ainsi le volume de données traitées.
Novembre 2025	Snowpipe Streaming avec une architecture haute performance sur Azure et GCP (Mise à disposition générale)	L’ingestion haut débit et faible latence est désormais disponible sur les trois principales plateformes Cloud.
Octobre 2025	Insights sur la performance des requêtes fournis dans Snowsight (mise à disposition générale).	Vous pouvez utiliser ces insights de requêtes pour identifier les requêtes où vous pouvez améliorer les performances.
Octobre 2025	Amélioration de la logique de dérivation des prédicats pour augmenter la couverture de la propagation des filtres sur davantage de modèles de requêtes, en générant des prédicats dérivés supplémentaires qui permettent l’élimination antérieure des données.	Améliore le temps d’exécution des requêtes avec des modèles de jointure et de filtrage complexes en propageant davantage de filtres plus en amont dans le plan de requête.
Octobre 2025	Amélioration de l’élagage de jointure côté probe (sonde) sur les colonnes numériques utilisant des structures d’approximation plus grandes qui représentent mieux la distribution des données côté build (construction).	Améliore les performances des requêtes de jointure en ignorant davantage de fichiers de données non pertinents, ce qui réduit les E/S et le temps d’exécution. Cette amélioration bénéficie particulièrement aux jointures dont le côté « build » est clusterisé ou présente une faible cardinalité.
Octobre 2025	Simplifie le plan de requête en supprimant les expressions de regroupement redondantes basées sur les dépendances fonctionnelles.	Améliore le temps d’exécution des requêtes contenant des clauses GROUPBY avec des colonnes fonctionnellement dépendantes, réduisant ainsi les calculs inutiles.
Octobre 2025	Amélioration du pushdown des filtres via les fonctions de fenêtre, permettant d’appliquer des filtres avant le calcul de la fonction de fenêtre.	Améliore le temps d’exécution des requêtes où les fonctions de fenêtre bloquaient auparavant le pushdown des filtres, réduisant ainsi le volume de données traitées par l’opération de fenêtre.
Octobre 2025	Dérive des prédicats de filtre supplémentaires à partir des contraintes de la clé de jointure pour permettre l’élimination précoce des données. Lorsqu’une clé de jointure a une seule valeur constante, cette valeur est propagée en tant que filtre du côté opposé à la jointure.	Améliore les performances des requêtes de jointure en appliquant des filtres dérivés plus tôt, réduisant ainsi les données traitées dans les opérations suivantes.
Octobre 2025	Amélioration de l’ordre des jointures à l’aide d’une optimisation basée sur les coûts. L’optimiseur évalue désormais les alternatives à l’ordre de jointure en utilisant un modèle de coût pour les requêtes avec jointures multiples.	Améliore les temps d’exécution des requêtes complexes comportant plusieurs jointures. Les requêtes qui disposaient auparavant d’ordres de jointure sous-optimaux peuvent présenter des améliorations de performances significatives.
Octobre 2025	Simplification améliorée des conditions de jointure et des clauses HAVING en factorisant des expressions communes.	Améliore le temps d’exécution des requêtes avec des conditions de jointure complexes ou des clauses HAVING qui contiennent des expressions redondantes ou factorisables.
Octobre 2025	Simplifie les agrégats contenant des expressions arithmétiques simples pour permettre des optimisations supplémentaires, y compris des analyses de table réduites.	Améliore le temps d’exécution des requêtes comportant des agrégations sur les expressions calculées.
Octobre 2025	Amélioration de l’estimation de la sélectivité des prédicats LIKE, permettant un calcul plus précis du coût des plans d’exécution.	Améliore l’ordre de jointure et les décisions de planification pour les requêtes avec des prédicats LIKE.
Octobre 2025	Optimisation de la table pour les tables Apache Iceberg™ gérées par Snowflake (Mise à disposition générale), y compris le compactage automatique des données.	Améliore les performances des requêtes sur les tables Iceberg en compactant automatiquement les petits fichiers en fichiers plus volumineux et plus faciles à analyser.
Octobre 2025	Écritures partitionnées pour les tables Apache Iceberg™ (Mise à disposition générale).	Accélère les requêtes de lecture à partir de moteurs Iceberg externes (Spark, Trino et autres) en écrivant des données dans une mise en page partitionnée.
Octobre 2025	Définissez une:ref:`taille du fichier cible <label-tables_iceberg_target_file_size>` pour les tables Apache Iceberg™ (Mise à disposition générale).	Améliore les performances des requêtes inter-moteurs en produisant des fichiers Parquet plus volumineux, réglés pour des moteurs tels que Spark, Delta et Trino.
Octobre 2025	Ordre de jointure imposé avec les jointures dirigées (Mise à disposition générale)	Permet de contrôler l’analyse et l’ordre de jointure pour les scénarios de réglage des performances et de migration lorsqu’un ordre d’exécution spécifique est requis.
Septembre 2025	Fonctions AI Cortex prises en charge dans l’actualisation incrémentielle des tables dynamiques. Des fonctions telles que AI_COMPLETE, AI_CLASSIFY, AI_FILTER, et AI_TRANSLATE peuvent désormais s’exécuter de manière incrémentielle.	Les tables dynamiques utilisant les fonctions AI Cortex peuvent être actualisées de manière incrémentielle au lieu de nécessiter une actualisation complète, ce qui réduit les coûts de calcul et la latence d’actualisation.
Septembre 2025	:doc:` AI_TRANSLATE.</sql-reference/functions/ai_translate>.` Plus de 20 % de jetons d’entrée en moins pour les phrases typiques, en particulier les phrases courtes.	Réduction du coût par demande de traduction, en particulier pour les charges de travail de traduction à haut volume.
Septembre 2025	Distribution plus efficace de la charge de travail.	Améliore le temps exécution des requêtes en détectant et en redistribuant de manière adaptative les charges de travail entre les nœuds de l” entrepôt, sans intervention de l’utilisateur.
Septembre 2025	Amélioration de la dérivation de prédicats afin de propager les conditions de filtrage à travers les limites des jointures externes	Améliore les performances des requêtes comportant des jointures externes en appliquant des filtres plus en amont dans le plan de requête, réduisant ainsi le volume de données traitées dans les opérations suivantes.
Septembre 2025	Snowpipe Streaming avec une architecture haute performance sur AWS (Mise à disposition générale)	Ingestion haut débit (jusqu’à 10 GB/s par table) avec une faible latence d’intégration à la requête.
Août 2025	Estimations NDV plus efficaces et plus précises qui conduisent à des plans de requête plus efficaces.	Améliore les temps de compilation et d’exécution des requêtes, en particulier pour les instructions DML.
Août 2025	Des filtres améliorés qui éliminent rapidement les données non pertinentes, réduisant ainsi le volume de données qui doivent être mises en mémoire tampon ou stockées. Ces filtres réduisent la quantité de données traitées avant leur utilisation dans une sous-requête ou une expression de table commune (CTE).	Améliore les performances des requêtes complexes où les mêmes données sont nécessaires dans différentes parties du plan de requête. Les opérations de filtrage ultérieures sont plus efficaces, ce qui permet de gagner du temps et d’économiser des ressources de calcul.
Août 2025	Amélioration des performances des requêtes grâce à l’:doc:` indexation Snowflake Optima </user-guide/snowflake-optima>`, qui analyse en permanence vos modèles de charge de travail et crée et maintient automatiquement des index d’optimisation de recherche en arrière-plan. Snowflake Optima est uniquement disponible sur les entrepôts standard Snowflake de deuxième génération (Gen2).	Améliore les performances des requêtes qui incluent des modèles de prédicats sélectifs fréquemment utilisés, telles que les requêtes répétitives de recherche de points sur une table. Aucune configuration utilisateur ou coût supplémentaire requis.
Août 2025	Redistribution adaptative des données asymétriques pendant l’exécution de la requête. Snowflake détecte désormais lorsque les données sont inégalement réparties entre les nœuds de traitement lors des jointures et redistribue automatiquement le travail pour éviter les goulots d’étranglement. S’applique aux opérations SELECT et DML.	Améliore le temps d’exécution des requêtes et des opérations DML qui rencontrent une asymétrie des données pendant les opérations de jointure. S’applique largement à toutes les charges de travail.
Août 2025	Snowflake ML : Entraînement multi-modèles et fonction de partition distribuée. Entraînez plusieurs modèles ML et traitez les données en parallèle sur les partitions et les nœuds.	Entraînement de modèle et traitement de données plus rapides en répartissant le travail entre partitions et nœuds de calcul.
Août 2025	L’actualisation incrémentielle des tables dynamiques prend désormais en charge UNION (les sémantiques UNION ALL et UNION avec DISTINCT).	Davantage de pipelines de tables dynamiques peuvent rester sur une actualisation incrémentielle au lieu de revenir à une actualisation complète, ce qui réduit les coûts de calcul et la latence d’actualisation.
Juillet 2025	Amélioration de la dérivation de prédicats pour propager les conditions de filtrage au-dessus des projections, générant des filtres dérivés supplémentaires pour les opérations en aval.	Améliore le temps d’exécution des requêtes comportant des projections au-dessus des jointures filtrées en dérivant davantage de filtres plus tôt.
Juillet 2025	Amélioration du regroupement d’agrégations pour les requêtes avec des clauses LIMIT, réduisant ainsi les analyses de table inutiles.	Améliore les performances des requêtes d’agrégation avec la clause LIMIT en ignorant les analyses complètes des tables lorsque cela est possible.
Juillet 2025	Amélioration de la gestion de l’asymétrie côté « probe » dans les jointures de hachage, étendant la couverture à davantage de modèles de requêtes.	Améliore le temps d’exécution des requêtes qui rencontrent une asymétrie des données côté « probe » pendant les opérations de jointure.
Juillet 2025	Exécution plus rapide grâce au partage de fragments de plan pour éviter les calculs redondants dans les opérations DML utilisant des expressions de table communes.	Améliore le temps d’exécution pour les opérations DML (INSERT ,UPDATE ,MERGE) qui font référence aux mêmes données plusieurs fois via des CTEs.
Juillet 2025	Amélioration de l’estimation de la sélectivité pour les prédicats de filtre dérivés, conduisant à de meilleures décisions en matière d’ordre de jointure.	Améliore le temps d’exécution des requêtes avec prédicats dérivés en fournissant des estimations de coûts plus précises à l’optimiseur.
Juin 2025	Extension de la couverture du service d’accélération des requêtes (QAS) aux tables Apache Iceberg™.	QAS peut désormais améliorer la performance des requêtes sur les tables Iceberg.
Juin 2025	Élagage à l’exécution pour les requêtes avec des prédicats géospatiaux utilisant le filtrage par boîtes englobantes.	Améliore les performances des requêtes géospatiales en supprimant les micropartitions basées sur l’intersection spatiale, ce qui réduit le volume d’analyse.
Juin 2025	Exécution plus rapide des requêtes utilisant des modèles de correspondance de préfixes (clauses LIKE) en réécrivant les prédicats pour un élagage plus efficace.	Améliore le temps d’exécution des requêtes utilisant LIKE avec des modèles de préfixes, en activant la suppression des micro-partitions, ce qui n’était pas possible auparavant.
Juin 2025	Amélioration de la dérivation des filtres de Bloom pour les jointures externes, permettant des opportunités de filtrage précoce sur le côté étendu par des valeurs nulles qui n’étaient pas exploitables auparavant.	Améliore le temps d’exécution des requêtes où les jointures externes constituent un goulot d’étranglement, en permettant l’élimination précoce des données.
Juin 2025	Exploration plus efficace de l’espace de recherche basé sur les coûts pendant l’optimisation des requêtes, réduisant ainsi les frais généraux de l’optimiseur pour les requêtes complexes.	Améliore le temps de compilation et d’exécution des requêtes avec de nombreuses alternatives de plans possibles.
Juin 2025	Exécution plus rapide en supprimant les colonnes de regroupement inutiles dans les opérations DML basées sur une analyse des dépendances fonctionnelles.	Améliore le temps d’exécution pour les opérations DML avec les clauses GROUPBY qui contiennent des colonnes redondantes.
Juin 2025	Snowflake Data Clean Rooms : L’analyse par le fournisseur s’exécute plus rapidement après avoir exigé le montage du journal avant la soumission.	Réduction du temps d’exécution de l’analyse pour les workflows de salle blanche gérés par les fournisseurs.
Mai 2025	:doc:`Débit provisionné Cortex </user-guide/snowflake-cortex/provisioned-throughput>`(Mise à disposition générale) Réservez le débit des inférence pour les charges de travail AI gérées.	Débit garanti pour les charges de travail d’inférence AI, éliminant les pics de latence liés aux conflits.
Mai 2025	Entrepôts standard de deuxième génération (Gen2) (Mise à disposition générale) Optimisations matérielles et logicielles plus rapides pour les DML et opérations d’analyse.	La plupart des requêtes sont traitées plus rapidement sur les entrepôts Gen2. Les gains de performance dépendent de la charge de travail.
Mai 2025	Mise à jour de l’optimisation de la recherche : Prise en charge des tables Apache Iceberg™.	Amélioration de la performance des requêtes sur les tables Iceberg.
Mai 2025	L’actualisation incrémentielle des tables dynamiques prend désormais en charge les filtres `CURRENT_DATE`, `CURRENT_TIME`, et `CURRENT_TIMESTAMP`.	Davantage de pipelines de tables dynamiques filtrées dans le temps peuvent rester dans une actualisation incrémentielle au lieu de revenir à une actualisation complète.
Mai 2025	Amélioration des performances des actualisations de tables dynamiques contenant des clauses de niveau supérieur QUALIFY avec des fonctions de fenêtre de classement RANK ou ROW_NUMBER, en particulier lorsque la valeur du rang est 1.	Les tables dynamiques utilisant `QUALIFY RANK() = 1` ou `ROW_NUMBER = 1` s’actualisent désormais plus rapidement, ce qui améliore les performances pour les cas d’utilisation courants de la déduplication et du top-N.
Mai 2025	Amélioration de la disponibilité des scanners vectorisés pour une meilleure performance	Auparavant, le scanner vectorisé ne pouvait être utilisé qu’avec des paramètres `ON_ERROR` spécifiques (`ABORT_STATEMENT` ou `SKIP_FILE`). Cette restriction a été supprimée. Désormais, vous pouvez activer le scanner vectoriel avec n’importe quelle option de `ON_ERROR`, y compris `CONTINUE`, `SKIP_FILE_num` et `'SKIP_FILE_num%'`. Cette modification permet d’utiliser le scanner vectorisé, qui améliore les performances, dans un plus grand nombre de situations. Il est possible que le traitement des données soit accéléré, en conséquence.
Mai 2025	Estimation de cardinalité plus précise pour les fonctions de fenêtre avec les modèles de filtrage ROW_NUMBER = 1, conduisant à de meilleures décisions en matière d’ordre de jointure.	Améliore le temps d’exécution des requêtes utilisant des modèles de déduplication courants en fournissant de meilleures estimations de cardinalité à l’optimiseur.
Mai 2025	Amélioration de la dérivation des prédicats pour les requêtes sur des vues sécurisées, propageant plus efficacement les filtres.	Améliore le temps d’exécution des requêtes sur les vues sécurisées en appliquant des filtres plus tôt, réduisant ainsi les données traitées en aval.
Avril 2025	Cortex Search : Option pour désactiver le reclassement dans les requêtes de recherche (Mise à disposition générale).	Réduit la latence des requêtes de recherche lorsque le reclassement n’améliore pas la qualité des résultats pour votre cas d’utilisation.
Avril 2025	L’optimisation des recherches améliore les performances des requêtes contenant des fonctions scalaires	Les requêtes utilisant des fonctions scalaires dans les prédicats d’égalité peuvent s’exécuter plus rapidement lorsque l’optimisation de la recherche est activée.
Avril 2025	Extension de la couverture de Query Acceleration Service (QAS) à un plus grand nombre de requêtes.	Améliore l’heuristique utilisée par QAS pour déterminer si une requête bénéficiera ou non de l’accélération. Le résultat est qu’un plus grand nombre de requêtes sont éligibles à l’accélération par QAS.
Avril 2025	Amélioration de l’estimation de la cardinalité pour les relations de jointure de clé étrangère.	Améliore l’ordre de jointure pour les requêtes impliquant des jointures de clés étrangères en fournissant des estimations de cardinalité plus précises.
Avril 2025	Amélioration du pushdown d’extraction via des fonctions, permettant une analyse et une utilisation des métadonnées plus efficaces pour les sous-colonnes.	Améliore le temps d’exécution des requêtes qui extraient des sous-colonnes à l’aide d’expressions de fonction.
Mars 2025	L’optimisation des recherches améliore les performances des requêtes contenant des sous-requêtes scalaires	Les requêtes comportant des sous-requêtes scalaires peuvent s’exécuter plus rapidement lorsque l’optimisation de la recherche est activée sur la colonne correspondante.
Mars 2025	Optimisation de la recherche : Prise en charge des classements de colonnes.	Améliore les performances des requêtes sur les colonnes qui utilisent une clause `COLLATE`.
Mars 2025	Amélioration de la mise en lot des fichiers lors des opérations d’actualisation de la réplication.	Les tâches d’actualisation de la réplication qui répliquent jusqu’à 8 GB de données auront moins de variance et plus de prévisibilité.
Mars 2025	Améliore les performances des tables dynamiques avec un mode d’actualisation incrémentiel utilisant des jointures externes gauches.	Fournit des performances d’actualisation incrémentiel plus rapides pour les tables dynamiques qui contiennent une ou plusieurs jointures externes gauches. Les gains de performance peuvent être substantiels en fonction de la charge de travail.
Mars 2025	Optimise de manière adaptative les ressources E/S de calcul et d’exécution pour les requêtes exécutées sur les tables Apache Iceberg™.	Améliore les performances des requêtes sur Apache Iceberg™ et l’efficacité de la mémoire dans les scénarios de forte concurrence.
Mars 2025	Exécution de scripts Snowflake : Tâches enfants asynchrones dans les procédures stockées (Mise à disposition générale). Exécuter plusieurs tâches enfants de manière simultanée et non séquentielle.	Améliore l’efficacité des procédures stockées et réduit le temps d’exécution global des pipelines de données à étapes multiples.
Février 2025	Actualisation incrémentielle des tables dynamiques : Prise en charge étendue des modèles UNIONALL sur plusieurs branches.	Davantage de tables dynamiques avec UNIONALL peuvent utiliser une actualisation incrémentielle au lieu d’une actualisation complète, ce qui réduit les coûts de calcul.
Février 2025	Augmentation des limites MAX_CLUSTER_COUNT pour les entrepôts multi-clusters et les politiques de mise à l’échelle qui ajoutent ou suppriment plus d’un cluster à la fois.	Mise à l’échelle plus flexible pour les charges de travail à forte concurrence, améliorant le débit sous charge.
Février 2025	Les tâches peuvent être planifiées pour être exécutées toutes les 10 secondes.	Réduit l’exigence entre les exécutions des tâches planifiées.
Janvier 2025	Chargements par lots COPY et INSERT optimisés dans les tableaux hybrides vides (Mise à disposition générale).	Les tableaux hybrides vides peuvent utiliser le même modèle d’exécution du chargement en masse optimisé pour `COPY` et `INSERT ... SELECT` qui était déjà utilisé pour `CREATE HYBRID TABLE ... AS SELECT`.