GenJoin：一种基于子计划提示进行学习的条件性生成式计划到计划查询优化器

《Proceedings of the ACM on Management of Data》：GenJoin: Conditional Generative Plan-to-Plan Query Optimizer that Learns from Subplan Hints

查询优化中，经典算法面临机器学习挑战。GenJoin通过生成任务学习子计划提示，有效缩小搜索空间，显著优于PostgreSQL及现有方法，并在真实负载基准测试中表现优异。

　　

摘要

查询优化已成为一个研究领域，在这个领域中，传统算法正受到机器学习算法的挑战。同时，最近在学习型查询优化器方面的发展表明，利用数十年的数据库研究成果并通过不同类型的提示（例如指定连接类型、扫描类型或连接顺序）来缩小计划搜索空间，从而增强传统查询优化器的性能是明智之举，而不是完全用机器学习模型替代传统查询优化器。这一点在传统优化器无法遍历所有逻辑和物理计划的情况下尤为重要，此时它们需要依赖遗传算法等不太稳健的方法。然而，即使是通过协同学习得到的查询优化器也面临着大量训练数据的需求、推理过程中计划生成速度慢以及在各种工作负载条件下结果不稳定的问题。在本文中，我们介绍了GenJoin——一种新型的学习型查询优化器，它将查询优化问题视为一个生成任务，并能够从随机生成的子计划提示中学习，以生成优于传统优化器的查询计划。GenJoin是首个在学习型查询优化器中，通过严格的机器学习评估，在多种工作负载下显著且一致性地超越PostgreSQL以及现有最先进方法的工具，这些评估是在两个著名的实际基准测试中进行的。

可用格式

您可以使用以下格式查看完整内容：

PDF