Pemangkasan Tindakan Adaptif: Menskalakan Pemilihan Indeks untuk Beban Kerja yang Tidak Terlihat

Daftar Tautan

Abstrak dan 1. Pendahuluan

1. Karya Terkait

   2.1 Pendekatan Pemilihan Indeks Tradisional

   2.2 Pendekatan Pemilihan Indeks Berbasis RL

2. Masalah Pemilihan Indeks

3. Metodologi

   4.1 Formulasi Masalah DRL

   4.2 Deep Reinforcement Learning Sadar-Instans untuk Pemilihan Indeks yang Efisien

4. Kerangka Sistem IA2

   5.1 Fase Prapemrosesan

   5.2 Fase Pelatihan dan Aplikasi RL

5. Eksperimen

   6.1 Pengaturan Eksperimen

   6.2 Hasil Eksperimen

   6.3 Perbandingan Kinerja End-to-End

   6.4 Wawasan Kunci

6. Kesimpulan dan Pekerjaan Masa Depan, dan Referensi

6.4 Wawasan Kunci

Merangkum eksperimen ekstensif kami, IA2 mewakili kemajuan signifikan dalam pemilihan indeks, mengungguli metode yang ada di beberapa area kunci:

\ Efisiensi Pelatihan Cepat: IA2 unggul dengan kecepatan pelatihan yang tak tertandingi, memanfaatkan model biaya what-if dan model pra-terlatih untuk memfasilitasi adaptabilitas dan pembelajaran yang cepat. Efisiensi ini memungkinkan IA2 untuk secara drastis mengurangi waktu pelatihan dibandingkan dengan pesaing, membuatnya sangat cocok untuk lingkungan di mana kecepatan sangat penting.

\ Pemodelan Beban Kerja yang Canggih: Tidak seperti metode statis atau ekshaustif, IA2 menggunakan pemodelan beban kerja dinamis, memungkinkannya untuk beradaptasi dengan perubahan query dan struktur basis data secara mulus. Fleksibilitas ini memastikan pemilihan indeks yang optimal di berbagai skenario, termasuk beban kerja yang sebelumnya tidak terlihat.

\ Eksplorasi Ruang Aksi yang Efektif: IA2 memperkenalkan pendekatan inovatif untuk pemangkasan dan navigasi ruang aksi, secara efisien mengidentifikasi tindakan bermakna di awal proses pelatihan. Strategi ini kontras dengan teknik SWIRL [6] yang lebih intensif sumber daya atau aturan kaku Lan et al. [7], menawarkan jalur seimbang untuk mengoptimalkan konfigurasi indeks tanpa pencarian ekshaustif atau penyederhanaan berlebihan.

\

:::info Penulis:

(1) Taiyi Wang, University of Cambridge, Cambridge, United Kingdom ([email protected]);

(2) Eiko Yoneki, University of Cambridge, Cambridge, United Kingdom ([email protected]).

:::

:::info Makalah ini tersedia di arxiv di bawah lisensi CC BY-NC-SA 4.0 Deed (Attribution-Noncommercial-Sharelike 4.0 International).

:::

\