.png){kind=icon}
返回
Eraser: Eliminating Performance Regression on Learned Query Optimizer
.png){kind=icon}
PRE
AI
DOI：10.14778/3641204.3641205.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高效查询优化对数据库管理系统至关重要。最近，机器学习模型已被应用于查询优化器以生成更优的执行计划，但其不可预测的性能退步阻碍了它们的实际应用。具体而言，虽然学习型查询优化器在平均查询负载上通常优于传统查询优化器，但由于模型欠拟合和泛化困难，其性能退步对于某些查询似乎不可避免。在本文中，我们提出一个名为Eraser的系统来解决此问题。Eraser旨在消除性能退步，同时仍能实现可观的整体性能提升。为此，Eraser采用两阶段策略来估计每个候选计划模型的准确性，并帮助学习型查询优化器选择更可靠的计划。第一阶段作为粗粒度过滤器，移除所有具有首次出现的特征值的极高风险计划。第二阶段以更细粒度的方式对计划进行聚类，并根据学习型查询优化器对每个聚类的预测质量来选择最终执行计划。Eraser可作为插件部署在任何学习型查询优化器之上。我们在PostgreSQL和Spark上实现了Eraser并展示了其优越性。在实验中，Eraser消除了大部分性能退步，同时对学习型查询优化器的整体性能几乎没有任何负面影响，无论它们的表现优于还是劣于传统查询优化器。同时，它适用于动态环境，并普遍适用于不同的数据库系统。
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