Poda Adaptativa de Acciones: Escalado de Selección de Índices para Cargas de Trabajo No Vistas

Tabla de Enlaces

Abstracto y 1. Introducción

1. Trabajos Relacionados

   2.1 Enfoques Tradicionales de Selección de Índices

   2.2 Enfoques de Selección de Índices Basados en RL

2. Problema de Selección de Índices

3. Metodología

   4.1 Formulación del Problema DRL

   4.2 Aprendizaje Profundo por Refuerzo Consciente de Instancia para Selección Eficiente de Índices

4. Marco del Sistema de IA2

   5.1 Fase de Preprocesamiento

   5.2 Fase de Entrenamiento RL y Aplicación

5. Experimentos

   6.1 Configuración Experimental

   6.2 Resultados Experimentales

   6.3 Comparación de Rendimiento de Extremo a Extremo

   6.4 Perspectivas Clave

6. Conclusión y Trabajo Futuro, y Referencias

6.4 Perspectivas Clave

Resumiendo nuestros extensos experimentos, IA2 representa un avance significativo en la selección de índices, superando los métodos existentes en varias áreas clave:

\ Eficiencia de Entrenamiento Rápida: IA2 sobresale con su velocidad de entrenamiento sin igual, aprovechando un modelo de costos hipotético y modelos preentrenados para facilitar una rápida adaptabilidad y aprendizaje. Esta eficiencia permite a IA2 reducir drásticamente el tiempo de entrenamiento en comparación con los competidores, haciéndolo altamente adecuado para entornos donde la velocidad es crucial.

\ Modelado Avanzado de Carga de Trabajo: A diferencia de los métodos estáticos o exhaustivos, IA2 emplea modelado dinámico de carga de trabajo, permitiéndole adaptarse sin problemas a consultas y estructuras de bases de datos cambiantes. Esta flexibilidad asegura una selección óptima de índices en diversos escenarios, incluyendo cargas de trabajo previamente no vistas.

\ Exploración Efectiva del Espacio de Acciones: IA2 introduce un enfoque innovador para podar y navegar el espacio de acciones, identificando eficientemente acciones significativas temprano en el proceso de entrenamiento. Esta estrategia contrasta con las técnicas más intensivas en recursos de SWIRL [6] o las reglas rígidas de Lan et al. [7], ofreciendo un camino equilibrado para optimizar configuraciones de índices sin búsqueda exhaustiva o simplificación excesiva.

\

:::info Autores:

(1) Taiyi Wang, University of Cambridge, Cambridge, Reino Unido (Taiyi.Wang@cl.cam.ac.uk);

(2) Eiko Yoneki, University of Cambridge, Cambridge, Reino Unido (eiko.yoneki@cl.cam.ac.uk).

:::

:::info Este artículo está disponible en arxiv bajo licencia CC BY-NC-SA 4.0 Deed (Attribution-Noncommercial-Sharelike 4.0 International).

:::

\