.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
近期将机器学习技术应用于查询优化的尝试由于显著的训练开销、无法适应变化以及尾部性能不佳等问题，并未展现出显著的实践收益。受这些困难启发，我们介绍了Bao（Bandit优化器）。Bao通过提供针对每个查询的优化提示，利用了现有查询优化器中内置的智慧。Bao结合了现代树卷积神经网络与汤普森采样（Thompson sampling），这是一种经过充分研究的强化学习算法。因此，Bao能够自动从其错误中学习，并适应查询负载、数据和模式的变化。实验上，我们证明Bao能够快速学习改进端到端查询执行性能（包括尾部延迟）的策略，适用于包含长时间运行查询的多种工作负载。在云环境中，我们展示了Bao相较于商业系统，能够同时提供更低的成本和更优的性能。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息