.png){kind=icon}
返回
FactorJoin: A New Cardinality Estimation Framework for Join Queries
.png){kind=icon}
OA
AI
DOI：10.1145/3588721.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基数估计是查询优化中最基本且最具挑战性的问题之一。无论是经典方法还是基于学习的方法，在估计连接查询的基数时都无法获得令人满意的性能。它们要么依赖简化的假设导致基数估计无效，要么构建大型模型以理解复杂的数据分布，从而导致规划时间过长且缺乏跨查询的泛化能力。
在本文中，我们提出了一种新的框架FactorJoin用于估计连接查询。FactorJoin结合了经典连接直方图方法的思路以高效处理连接，并利用基于学习的方法来准确捕捉属性相关性。具体而言，FactorJoin在离线准备阶段扫描DB中的每个表，并构建单表条件分布。当连接查询到达时，FactorJoin将其转换为基于学习分布的因子图模型，以高效且有效地估计其基数。
与现有的基于学习的方法不同，FactorJoin无需预先反规范化连接，也不需要依赖已执行的查询工作负载来训练模型。由于它仅依赖单表统计信息，FactorJoin具有较小的空间开销，且训练和维护极为简便。在我们的评估中，FactorJoin能够比之前的基于学习的方法产生更有效的估计，在达到相当或更高精度的同时，估计延迟降低40倍，模型大小缩小100倍，训练速度提升100倍。此外，FactorJoin可在1秒内估计10,000个子计划查询以优化查询计划，其性能已非常接近商业DBMS中的传统基数估计器。
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