随着数据量的增长和应用场景的不断变化,数据库系统的架构发生了巨大的改变,分布式关系型数据库(即NewSQL)的出现融合了SQL与NoSQL模式,对外同时提供了SQL接口、分布式事务和集群的高扩展性。NewSQL的基本功能包括分布式事务,SQL到NoSQL的映射等技术都基本完善后,由于存储的数据量增加,NewSQL数据库相比于传统关系型数据来说,应用场景也不再局限于在线事务分析,还要包含一些大型复杂分析查询和离线分析的场景。如何提升在大型复杂分析查询和OLAP场景下的查询性能,是NewSQL数据库的关键问题。在传统关系型数据库中,这一问题主要由查询优化器提供解决方案。优化器会根据查询的代价从数百个甚至数千个查询计划中选择出代价最低的查询计划来执行查询,但是在分布式环境下增加了代价估算的难度,通过查询优化技术选择出一个最佳的查询计划会更加困难,从而降低查询性能。在优化器选择出了一个次优查询计划后,如何降低它对性能的影响就显得十分重要。对于大型复杂分析查询,在优化器生成了次优的查询计划后,减少分布式下的网络开销更能够保证查询计划的健壮性,减小计划执行对数据库性能的影响。本文基于TiDB—一个开源的分布式关系型的NewSQL数据库,搭建了集群实验环境。基于Lookahead Information Passing(LIP)算法,设计和实现了分布式下的distLIP算法。通过将distLIP算子下推到存储层做计算,大大减小了数据的网络传输开销;并通过自适应排序算法,减小了中间计算结果占用内存的大小,提高了查询计划的健壮性;本文中也采用了布谷鸟过滤器用来代替原算法中的布隆过滤器,提高了数据的空间占用率和查询的计算效率。最后,本文使用了星型模式性能测试集测试了大型复杂分析查询下包含distLIP算法和不包含distLIP算法的查询执行时间。实验结果证明,在TiDB上使用distLIP算法是有效的,能够提升星型模型查询和类似查询场景下的查询性能。