Адаптивная обрезка действий: масштабирование выбора индекса для неизвестных рабочих нагрузок

Таблица ссылок

Резюме и 1. Введение

1. Связанные работы

   2.1 Традиционные подходы к выбору индексов

   2.2 Подходы к выбору индексов на основе RL

2. Проблема выбора индекса

3. Методология

   4.1 Формулировка проблемы DRL

   4.2 Глубокое обучение с подкреплением с учетом экземпляра для эффективного выбора индекса

4. Системная структура IA2

   5.1 Этап предварительной обработки

   5.2 Этап обучения и применения RL

5. Эксперименты

   6.1 Экспериментальные настройки

   6.2 Экспериментальные результаты

   6.3 Сквозное сравнение производительности

   6.4 Ключевые выводы

6. Заключение и будущая работа, и список литературы

6.4 Ключевые выводы

Подводя итоги наших обширных экспериментов, IA2 представляет собой значительный прогресс в выборе индексов, превосходя существующие методы в нескольких ключевых областях:

\ Быстрая эффективность обучения: IA2 выделяется беспрецедентной скоростью обучения, используя модель затрат «что, если» и предварительно обученные модели для обеспечения быстрой адаптации и обучения. Эта эффективность позволяет IA2 значительно сократить время обучения по сравнению с конкурентами, что делает её весьма подходящей для сред, где скорость имеет решающее значение.

\ Расширенное моделирование рабочей нагрузки: В отличие от статических или исчерпывающих методов, IA2 использует динамическое моделирование рабочей нагрузки, что позволяет ей беспрепятственно адаптироваться к изменяющимся запросам и структурам базы данных. Эта гибкость обеспечивает оптимальный выбор индекса в различных сценариях, включая ранее невиданные рабочие нагрузки.

\ Эффективное исследование пространства действий: IA2 представляет инновационный подход к сокращению и навигации по пространству действий, эффективно выявляя значимые действия на ранней стадии процесса обучения. Эта стратегия контрастирует с более ресурсоемкими методами SWIRL [6] или жесткими правилами Lan et al. [7], предлагая сбалансированный путь к оптимизации конфигураций индексов без исчерпывающего поиска или чрезмерного упрощения.

\

:::info Авторы:

(1) Taiyi Wang, Кембриджский университет, Кембридж, Великобритания ([e-mail]);

(2) Eiko Yoneki, Кембриджский университет, Кембридж, Великобритания ([e-mail]).

:::

---

:::info Эта статья доступна на arxiv по лицензии CC BY-NC-SA 4.0 Deed (Attribution-Noncommercial-Sharelike 4.0 International).

:::

\