自适应动作修剪:为未见工作负载扩展索引选择

链接目录

摘要和 1. 引言

1. 相关工作

   2.1 传统索引选择方法

   2.2 基于强化学习的索引选择方法

2. 索引选择问题

3. 方法论

   4.1 深度强化学习问题的表述

   4.2 用于高效索引选择的实例感知深度强化学习

4. IA2 系统框架

   5.1 预处理阶段

   5.2 强化学习训练和应用阶段

5. 实验

   6.1 实验设置

   6.2 实验结果

   6.3 端到端性能比较

   6.4 关键见解

6. 结论与未来工作，以及参考文献

6.4 关键见解

总结我们的广泛实验，IA2 代表了索引选择领域的重大进展，在几个关键领域超越了现有方法：

\ 快速训练效率： IA2 以其无与伦比的训练速度表现出色，利用假设成本模型和预训练模型来促进快速适应和学习。这种效率使 IA2 能够大幅减少与竞争对手相比的训练时间，使其非常适合速度至关重要的环境。

\ 先进的工作负载建模： 与静态或穷举方法不同，IA2 采用动态工作负载建模，使其能够无缝适应不断变化的数据库查询和结构。这种灵活性确保在各种场景中实现最佳索引选择，包括以前未见过的工作负载。

\ 有效的动作空间探索：IA2 引入了一种创新的方法来修剪和导航动作空间，在训练过程早期有效识别有意义的动作。这一策略与 SWIRL [6] 的资源密集型技术或 Lan 等人 [7] 的僵化规则形成对比，提供了一条平衡的路径来优化索引配置，无需穷举搜索或过度简化。

\

:::info 作者：

(1) Taiyi Wang，剑桥大学，英国剑桥 ([email protected])；

(2) Eiko Yoneki，剑桥大学，英国剑桥 ([email protected])。

:::

:::info 本论文可在 arxiv 上获取，遵循 CC BY-NC-SA 4.0 Deed（署名-非商业性使用-相同方式共享 4.0 国际）许可协议。

:::

\