.png){kind=icon}
返回
A Bayesian Reinforcement Learning Framework for Online Index Tuning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-02215-8_21.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高效索引调优对于维持动态工作负载下数据库系统的高查询性能至关重要。传统的离线和启发式调优方法由于频繁重新配置而常常产生高开销，并且无法适应不断变化的工作负载。为克服这些限制，我们针对在线索引选择问题进行研究，并将其形式化为不确定性下的序贯决策问题。我们提出了一种贝叶斯强化学习框架，该框架仅基于观测到的工作负载历史自适应地调整索引配置，无需预先了解工作负载信息。我们的框架利用带有汤普森采样的Q学习算法（一种后验分布采样方法），以自适应地随时间维护和优化索引配置。我们方法中的概率机制使Q学习代理能够有效平衡探索与利用，从而能够遍历庞大的指数级索引配置空间。全面的实验评估表明，我们的算法在标准基准数据集上针对各种工作负载的在线索引调优中表现优异，并且优于基于其他学习方法的索引调优算法。
Keyword:
Bayesian Reinforcement Learning
Online Index Tuning
Sequential Decision-Making
Workload Adaptation
Q-learning
期刊
B
IF:
0
论文数:
26
被引数:
0
机构
引用论文
分享收藏SmartIX: A database indexing agent based on reinforcement learningSmartIX: 基于强化学习的数据库索引代理.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
分享收藏Leveraging Dynamic and Heterogeneous Workload Knowledge to Boost the Performance of Index Advisors
PREAI
分享收藏 没有更多内容
没有更多内容