自適應動作修剪:針對未見工作負載擴展索引選擇

連結目錄

摘要與 1. 引言

1. 相關研究

   2.1 傳統索引選擇方法

   2.2 基於 RL 的索引選擇方法

2. 索引選擇問題

3. 方法論

   4.1 DRL 問題的形式化

   4.2 用於高效索引選擇的實例感知深度強化學習

4. IA2 系統架構

   5.1 預處理階段

   5.2 RL 訓練與應用階段

5. 實驗

   6.1 實驗設置

   6.2 實驗結果

   6.3 端到端效能比較

   6.4 關鍵見解

6. 結論與未來工作，以及參考文獻

6.4 關鍵見解

總結我們的廣泛實驗，IA2 代表了索引選擇領域的重大進展，在幾個關鍵領域中優於現有方法：

\ 快速訓練效率： IA2 以其無與倫比的訓練速度表現出色，運用假設成本模型和預訓練模型來促進快速適應性和學習。這種效率使 IA2 能夠大幅縮短訓練時間（與競爭對手相比），使其非常適合速度至關重要的環境。

\ 進階工作負載建模： 與靜態或窮舉方法不同，IA2 採用動態工作負載建模，使其能夠無縫適應不斷變化的資料庫查詢和結構。這種靈活性確保了在各種場景中的最佳索引選擇，包括以前未見過的工作負載。

\ 有效的動作空間探索：IA2 引入了一種創新的方法來修剪和導航動作空間，在訓練過程早期有效識別有意義的動作。這一策略與 SWIRL [6] 更耗費資源的技術或 Lan 等人 [7] 的僵化規則形成對比，提供了一條平衡的途徑來優化索引配置，而無需窮舉搜索或過度簡化。

\

:::info 作者：

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

(2) Eiko Yoneki，University of Cambridge，Cambridge，United Kingdom (eiko.yoneki@cl.cam.ac.uk)。

:::

:::info 本論文可在 arxiv 上取得，採用 CC BY-NC-SA 4.0 Deed（姓名標示-非商業性-相同方式分享 4.0 國際）授權條款。

:::

\