Améliorations des performances - 2026¶

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 2026 :


Sortie	Description	Impact
Avril 2026	Amélioration du nettoyage d’exécution pour les expressions avec des types de données TIMESTAMP_TZ. Snowflake nettoie désormais plus efficacement les micro-partitions pour les prédicats de filtres basés sur l’horodatage.	Amélioration des performances des requêtes de séries temporelles avec filtres d’horodatage en ignorant significativement les micro-partitions non pertinentes, ce qui réduit les E/S et le temps d’exécution.
Avril 2026	Améliorations continues de la gestion des asymétries dans les jointures de hachage, ce qui réduit encore davantage les goulots d’étranglement liés à des données mal réparties.	Amélioration du temps d’exécution des requêtes de jointure dont les données sont asymétriques en ajustant dynamiquement la redistribution en fonction de la configuration de l’entrepôt.
Avril 2026	Performance Explorer applique désormais un contrôle d’accès granulaire qui aligne la visibilité avec vos privilèges sur les entrepôts, les bases de données et les rôles de base de données Snowflake.	Davantage d’utilisateurs peuvent accéder à Performance Explorer pour identifier et dépanner les requêtes lentes sans nécessiter de privilèges ACCOUNTADMIN.
Avril 2026	Limites de l’actualisation des tables dynamiques avec `DYNAMIC_TABLE_REFRESH_BOUNDARY()`. Découple les actualisations des tables dynamiques en amont et en aval de sorte que chaque pipeline s’actualise indépendamment.	Évite les actualisations en cascade inutiles, réduisant ainsi les coûts de calcul et la latence d’actualisation pour les pipelines de tables dynamiques à plusieurs zones de préparation.
Mars 2026	Politique de chevauchement du graphe de tâches. Les tâches prennent en charge les politiques `ALLOW_CHILD_OVERLAP` et `ALLOW_ALL_OVERLAP` qui autorisent des exécutions de graphiques simultanées.	Augmente le débit des pipelines de données basés sur les tâches en permettant une exécution parallèle au lieu d’une planification en série uniquement.
Mars 2026	Analyse parallèle améliorée des requêtes accélérées par le Service d’accélération des requêtes (QAS).	Amélioration du temps d’exécution pour les requêtes accélérées par le QAS en permettant davantage d’E/S parallèles pendant les opérations d’analyse.
Mars 2026	Mises à jour Cortex Search (Mise à disposition générale) : Recherche multi-index et sélection de services de recherche pour les agents, réduction de la latence et des coûts en interrogeant un service au lieu de tous.	Réduction de la latence et du coût de la recherche pour les applications et les agents basés sur Cortex Search.
Mars 2026	Attribut `SCHEDULER` des tables dynamiques (Mise à disposition générale). Réglage de `SCHEDULER = DISABLE` pour une actualisation manuelle uniquement ; les actualisations manuelles ne se répercutent pas sur le pipeline.	Réduit le calcul d’actualisation inutile lorsque des orchestrateurs externes (tels que dbt) contrôlent le délai d’actualisation.
Mars 2026	Les fonctions MIN_BY et MAX_BY sont prises en charge avec l’actualisation incrémentielle des tables dynamiques (Mise à disposition générale)	Les pipelines de tables plus dynamiques peuvent rester sur une actualisation incrémentielle au lieu de revenir à des chemins d’actualisation complets moins efficaces.
Mars 2026	Ajustement dynamique de la taille des messages réseau en fonction du plan d’exécution pour optimiser le transfert de données entre les nœuds de traitement.	Amélioration du temps d’exécution des charges de travail interactives et sensibles à la latence en réduisant les frais généraux de réseau. Particulièrement avantageux pour les requêtes à courte durée d’exécution et les scénarios à forte concurrence.
Mars 2026	Amélioration de la construction d’ensembles de balayage pour réduire la contention de verrous lors de l’exécution de requêtes parallèles.	Amélioration du temps d’exécution des requêtes à forte intensité d’analyse, en particulier pour les entrepôts plus grands à forte concurrence. Réduction de la surcharge CPU lors de la coordination de l’analyse parallèle.
Mars 2026	Identification des possibilités de pousser les agrégations plus tôt dans le plan de requête lorsque des expressions de table communes (CTEs) sont présentes.	Amélioration du temps d’exécution des requêtes complexes avec CTEs en réduisant le volume de données traitées dans les zones de préparation ultérieures du plan de requête.
Mars 2026	Amélioration du pushdown d’extraction via les colonnes de vues, permettant une analyse et une utilisation plus efficaces des métadonnées pour les sous-colonnes accessibles via les vues.	Amélioration du temps d’exécution des requêtes qui accèdent aux sous-colonnes via des vues.
Février 2026	Compétence d’optimisation des requêtes de la CLI Cortex Code (Mise à disposition générale). Utilisez le langage naturel pour obtenir des recommandations d’optimisation des requêtes basées sur AI.	Aide les utilisateurs à identifier et à corriger les requêtes lentes en fournissant des suggestions d’optimisation via l’interface de ligne de commande de Cortex Code.
Février 2026	Amélioration des performances du nettoyeur de fichiers, réduisant ainsi les frais généraux de nettoyage par fichier pour les requêtes analysant de nombreux fichiers.	Décisions de nettoyage plus rapides lors de la compilation et de l’exécution, en particulier pour les requêtes qui analysent des tables comportant de nombreuses micro-partitions.
Février 2026	Amélioration du nettoyage des micro-partitions basé sur les plages pour davantage de modèles de requêtes.	Réduction du temps de compilation et d’exécution des requêtes avec des prédicats de plage en ignorant davantage de micro-partitions non pertinentes.
Février 2026	Traitement d’agrégation plus efficace lorsque les données tiennent sur un seul nœud de serveur, évitant les frais généraux de traitement distribué inutiles.	Amélioration des performances des requêtes d’agrégation dont le volume de données ne nécessite pas de calcul distribué.
Janvier 2026	:doc:`AI_FILTER — </sql-reference/functions/ai_filter> ` (Mise à disposition générale). Comprend l’optimisation du moteur de requête qui achemine la les modèles AI_FILTER qualifiants par le biais de chemins d’exécution optimisés.	Une accélération pouvant aller jusqu’à 2 à 10 fois et une réduction d’environ 60 % de l’utilisation des jetons pour les requêtes adaptées.
Janvier 2026	AI_AGG et AI_SUMMARIZE_AGG (Mise à disposition générale). Fonctions d’agrégation AI basées sur les ensembles qui traitent les groupes de manière native au lieu des appels AI_COMPLETE ligne par ligne.	Jusqu’à environ 2x le débit pour les grandes charges de travail d’agrégation par rapport aux modèles AI_COMPLETE par ligne équivalents.
Janvier 2026	Optimisation de la recherche : Prise en charge des types de données structurées. L’optimisation de la recherche peut améliorer les performances des requêtes de recherche de points et de sous-chaînes sur des colonnes ARRAY, OBJECT et MAP sur les tables standard et Apache Iceberg™.	Améliore les performances des requêtes pour les requêtes qui filtrent les colonnes de données structurées.
Janvier 2026	Amélioration des performances des requêtes grâce à Snowflake Optima Metadata, qui analyse en permanence vos modèles de charge de travail et crée des métadonnées pour optimiser le nettoyage des micro-partitions inutilisées. Snowflake Optima est uniquement disponible sur les entrepôts standard Snowflake de deuxième génération (Gen2).	Améliore les performances des requêtes en créant des métadonnées pour un nettoyage plus efficace.
Janvier 2026	Nettoyage amélioré pour les requêtes de jointure avec des prédicats d’inégalité. Par exemple, la requête de jointure suivante utilise l’opérateur `>` dans un prédicat d’inégalité : SELECT * FROM employees e, managers m WHERE e.employee_id = m.employee_id AND e.salary > m.salary AND m.level = 'M5'; Pour cette requête, Snowflake supprime les micropartitions de la table `employees` où tous les salaires sont inférieurs au salaire de manager `M5` le plus bas.	Améliore les performances des requêtes de jointure qui ont des prédicats d’inégalité.
Janvier 2026	Analyse JSON plus rapide pour les opérations PARSE_JSON.	Amélioration du temps d’exécution des requêtes qui analysent des données JSON. Les requêtes avec un traitement JSON lourd peuvent voir des accélérations importantes.
Janvier 2026	Amélioration des performances de compilation pour les requêtes avec des expressions CASE profondément imbriquées en les conservant sous une forme simplifiée tout au long du processus de compilation.	Réduction du temps de compilation des requêtes comportant de grandes expressions CASE, en particulier celles comportant de nombreuses branches.