LEON+: towards robust ML-aided query optimization

doi:10.1007/s00778-026-00973-9

2026-04-03

PRE

DOI：10.1007/s00778-026-00973-9

原文链接

原文求助

摘要

En 中文

查询优化长期以来一直是数据库领域的一个基础且具有挑战性的课题。随着机器学习（ML）的兴起，一些近期研究展示了基于强化学习（RL）的智能查询优化器的优势。然而，它们由于机器学习的数据驱动特性而受到根本性限制。受机器学习特性和数据库成熟度的启发，我们提出了LEON——一个用于机器学习辅助查询优化的框架。LEON通过利用机器学习以及专家查询优化器中的基础知识，改进专家查询优化器以自我调整到特定部署。不同于之前的回归目标，我们提出了成对排序目标并训练了一个计划排序模型。为帮助优化器跳出局部最小值并避免失败，我们提出了一种基于排序和不确定性探索策略，该策略发现有价值的计划以辅助优化器。为增强我们框架的鲁棒性和实用性，我们引入了LEON框架的高级版本，称为LEON+。通过动态调整优化空间，我们显著增强了框架对未知工作负载的鲁棒性，并大幅降低了探索成本。我们已经无缝集成了LEON+框架到传统优化器中，实现了无干扰和自动调优。广泛的实验结果表明，所提出的框架在端到端延迟性能、训练效率和稳定性方面优于现有最先进方法。

Keyword:

Query optimization

Learned query optimizer

Cost estimation

Ranking model