通过基数估计图视角实现准确的基于摘要的基数估计
数据库
2021-05-20 v1
摘要
我们研究了图数据库管理系统背景下两类使用关于输入关系和小型连接的统计信息的基于摘要的基数估计器：(i) 做出均匀性和条件独立性假设的乐观估计器；以及 (ii) 近期使用信息论线性规划的悲观估计器。我们首先解决如何为乐观估计器做出准确估计的问题。我们将这些估计器建模为在基数估计图（CEG）中选取自底向上路径，该图以子查询为节点、以表示平均度的子查询间加权边构成。我们勾勒出在此框架下做出乐观估计的启发式方法空间，并表明有效的启发式方法依赖于输入查询的结构。我们观察到，在无环查询和具有小型环的查询上，使用最大权重路径是解决乐观估计器众所周知的低估问题的有效技术。我们表明，在大量数据集和工作负载上，此类估计的平均 q-error 精度比先前工作中提出的一些已有启发式方法高出多达三个数量级。相反，我们表明在具有较大环的查询上，这些估计器倾向于高估，这可以通过使用最小权重路径部分解决，并通过使用替代 CEG 更有效地解决。然后我们表明 CEG 也可以对近期的悲观估计器建模。这一令人惊讶的结果使我们能够连接乐观与悲观估计器两条不同的工作线，从悲观估计器采纳一种优化用于乐观估计器，并对悲观估计器提供见解，例如表明定义它们的线性规划存在替代的组合解。
引用
@article{arxiv.2105.08878,
title = {Accurate Summary-based Cardinality Estimation Through the Lens of Cardinality Estimation Graphs},
author = {Jeremy Chen and Yuqing Huang and Mushi Wang and Semih Salihoglu and Ken Salem},
journal= {arXiv preprint arXiv:2105.08878},
year = {2021}
}