基于知识蒸馏的代理化成本感知查询规划大数据分析

大数据分析中的查询优化仍面临计算成本高昂的问题，尤其是在资源受限的环境中，传统优化器难以满足内存和延迟约束。我们提出一种代理化查询规划系统，融合规则驱动教师规划器、UCB1 bandit探索、成本感知预测与知识蒸馏，以轻量化学生规划器实现。教师规划器通过六大关键优化策略生成SQL查询计划，而UCB1 bandit搜索在显式资源约束下高效探索计划空间。随机森林成本模型从计划特征预测查询延迟，实现成本感知决策。蒸馏后的学生规划器（Logistic回归或梯度提升）学习模仿教师-bandit决策，实现快速推理。在纽约出租车和IMDB数据集上评估，显示相较于默认规划器实现23%的延迟降低，同时维持94%的约束满足率。学生规划器在复制最优计划方面达到89%准确率，推理速度提升15倍。该单文件实现可在资源受限机器上复现大规模数据分析，已公开于https://github.com/mahdinaser/agentic-kd-planner。