.png){kind=icon}
返回
PPredictor: Workload-Aware Performance Prediction for Distributed Databases Using Graph Encoding
.png){kind=icon}
PRE
AI
DOI：10.1007/s11390-026-5448-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测查询性能对于数据库任务（如资源分配和调度）至关重要。然而，现有方法（专为单节点系统设计）在分布式分析型数据库中往往失效，这是因为它们忽略了数据分区、跨节点数据传输和并行查询执行等关键特征。为解决这些挑战，我们提出了一种新颖方法，即基于图表示模型的查询性能预测器PPredictor（Performance-Predictor）。首先，我们引入一个图模型，用于编码分布式数据库中的数据分区和查询执行计划。在该模型中，顶点表示分区表，而边则捕获它们的关系，例如位于同一数据节点上的分区表以及执行计划中分区表之间的数据传输。其次，我们提出一个预测模型，该模型有效利用图注意力机制网络编码图特征，并采用深度学习技术进行性能预测。第三，考虑到动态工作负载和多样化的数据库环境，我们引入一种基于特征回放的增量学习方法。在真实数据集上的广泛实验表明，我们提出的方法显著优于现有最先进的方法。
Keyword:
performance prediction
analytical distributed database
multi-head graph attention network
AI4DB
