As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# A dica de consulta `EvaluationStrategy` SPARQL
A dica de consulta `evaluationStrategy` informa ao mecanismo de consulta do Amazon Neptune que o fragmento de consulta anotado deve ser avaliado de baixo para cima, como uma unidade independente. Isso significa que nenhuma solução das etapas anteriores da avaliação é usada para computar o fragmento de consulta. O fragmento de consulta é avaliado como uma unidade autônoma, e suas soluções produzidas são unidas ao restante da consulta após serem computadas.
Usar a dica de consulta `evaluationStrategy` implica em um bloqueio (sem pipeline) do plano de consulta, o que significa que as soluções do fragmento anotado com a dica de consulta são materializadas e armazenadas em buffer na memória principal. Usar essa dica de consulta pode aumentar significativamente a quantidade de memória principal necessária para avaliar a consulta, especialmente se o fragmento de consulta anotado calcula um grande número de resultados.
## Sintaxe de `dicas do EvaluationStrategy` SPARQL
A dica de consulta `evaluationStrategy` é especificada como um padrão triplo incluído em uma consulta SPARQL.
Para fins de clareza, a seguinte sintaxe usa um prefixo `hint` definido e incluído na consulta para especificar o namespace de dica de consulta do Neptune:
```
PREFIX hint:
hint:SubQuery hint:evaluationStrategy "BottomUp" .
```
**Escopos disponíveis**
+ `hint:SubQuery`
**nota**
Essa dica de consulta é compatível apenas com subconsultas aninhadas.
Para obter mais informações sobre escopos de dica de consulta, consulte [Escopo de dicas de consulta do SPARQL no Neptune](sparql-query-hints.md#sparql-query-hints-scope).
## Exemplo de `dica EvaluationStrategy` SPARQL
Esta seção mostra uma consulta gravada com e sem a dica de consulta `evaluationStrategy` e otimizações relacionadas.
Para este exemplo, suponha que o dataset tenha as seguintes características:
+ Ele contém 1.000 pontos rotulados `:connectedTo`.
+ Cada nó `component` está conectado a uma média de 100 outros nós `component`.
+ O número típico de conexões cíclicas de quatro saltos entre nós é em torno de 100.
Como um exemplo típico, a dica `evaluationStrategy` pode ser útil para otimizar padrões de consulta contendo ciclos.
**Nenhuma dica de consulta**
A seguinte consulta SPARQL extrai todos os nós `component` que estão ciclicamente conectados entre si por meio de quatro saltos:
```
PREFIX :
PREFIX hint:
SELECT * {
?component1 :connectedTo ?component2 .
?component2 :connectedTo ?component3 .
?component3 :connectedTo ?component4 .
?component4 :connectedTo ?component1 .
}
```
A abordagem do mecanismo de consulta do Neptune é avaliar essa consulta usando as seguintes etapas:
+ Extrair todos os 1.000 pontos `connectedTo` no gráfico.
+ Expandir em 100x (o número de pontos de saída `connectedTo` de component2).
Resultados intermediários: 100.000 nós.
+ Expandir em 100x (o número de pontos de saída `connectedTo` de component3).
Resultados intermediários: 10.000.000 nós.
+ Examinar os 10.000.000 nós para o fechamento do ciclo.
Isso resulta em um plano de consulta de streaming, que tem uma quantidade constante de memória principal.
**Dica de consulta e subconsultas**
Talvez você queira trocar o espaço da memória principal para computação acelerada. Ao reescrever a consulta usando uma dica de consulta `evaluationStrategy`, você pode forçar o mecanismo a calcular uma junção entre dois subconjuntos menores e materializados.
```
PREFIX :
PREFIX hint:
SELECT * {
{
SELECT * WHERE {
hint:SubQuery hint:evaluationStrategy "BottomUp" .
?component1 :connectedTo ?component2 .
?component2 :connectedTo ?component3 .
}
}
{
SELECT * WHERE {
hint:SubQuery hint:evaluationStrategy "BottomUp" .
?component3 :connectedTo ?component4 .
?component4 :connectedTo ?component1 .
}
}
}
```
Em vez de avaliar os padrões triplos em sequência enquanto usa interativamente os resultados dos padrões interativos triplos anteriores como entrada para os próximos padrões, a dica `evaluationStrategy` faz com que duas subconsultas sejam avaliadas de forma independente. Ambas as subconsultas produzem 100.000 nós para os resultados intermediários, que são, por sua vez, unidos para formar a saída final.
Especificamente, quando você executar o Neptune nos tipos de instância maiores, armazenar temporariamente esses dois subconjuntos de cem mil nós na memória principal aumentará o uso de memória em troca de acelerar significativamente a avaliação.