我正在试验雪花。我想知道它作为一种架构是如何工作的。我正在使用三种类型的查询 A、B、C，扫描的字节数不同。Bytes Scanned 的大小是在 Profile Overview 中读取 Total Statistics。我比较了小型仓库和大型仓库中的执行时间。查询的扫描大小较小时，仓库大小的影响较小，扫描大小越大，仓库大小的差异越大（小2，大8）。性能方法。
我想知道这个结果的原理是怎样的。
| | | 总执行时间 | |
| 询问 | 字节扫描(MB) | 大（毫秒） | 小（毫秒） | S/L比率 |
|---|---|---|---|---|
| 查询A | 1860 | 1350 | 2800 | 2.1 |
| 查询B | 6100 | 3800 | 12500 | 3.3 |
| 查询C | 51940 | 19310 | 77000 | 4.0 |
从文档中引用：
“ 仓库的大小会影响执行提交到仓库的查询所需的时间，尤其是对于更大、更复杂的查询。一般来说，查询性能随仓库大小而变化，因为更大的仓库有更多的计算资源可用于处理查询。”</p>
还：
“对于小型的基本查询，较大不一定更快”</p>
这有帮助吗？如果不是，请说明您要查找的其他信息
它与 Snowflake（或任何 Analytical MPP 数据库）如何并行处理数据有关。众所周知，一个仓库集群可能有多个节点，小仓库有2个，大仓库有8个，以此类推……每个节点有8个实例并行处理数据。为了清楚起见，我称他们为“工人”。
所以一个小仓库有 2 8=16 个工人，一个大仓库有 8个 8=64 个工人。如果数据量很小（表的微分区比总worker数少），那么您的查询将不会使用整个仓库资源。一些工作人员会在某些执行步骤中保持空闲，例如从表中读取。这就是为什么当您处理更大的数据时，您可以从大型仓库中获得更高的性能。