DBA_bandits：在临时分析型工作负载下具安全保证的自驾驶索引调优
数据库
2020-10-21 v2 机器学习
摘要
由于优化结构带来的显著性能提升，自动化物理数据库设计一直是数据库研究的长期兴趣。尽管取得了重大进展，当今大多数商业解决方案仍高度依赖人工，需要数据库管理员（DBA）离线调用，由他们识别并提供具代表性的训练工作负载。遗憾的是，查询存储等最新进展对动态环境的支持有限。这一现状难以为继：识别代表性静态工作负载已不再现实；且物理设计工具仍易受查询优化器代价误估的影响（源于属性值独立性和数据分布均匀性等不现实假设）。我们提出一种在线索引选择的自驾驶方法，摒弃DBA和查询优化器，转而通过策略性探索与直接性能观测来学习可行结构的收益。我们将该问题视为不确定性下的序贯决策问题，具体处于bandit学习设定中。多臂bandit平衡探索与利用，可证明保证平均性能收敛于一个固定策略，该策略在完美后见下最优。我们全面的实证结果表明，相较于最先进的商业调优工具，在漂移与临时工作负载上最高加速75%，在静态工作负载上加速28%。
引用
@article{arxiv.2010.09208,
title = {DBA bandits: Self-driving index tuning under ad-hoc, analytical workloads with safety guarantees},
author = {R. Malinga Perera and Bastian Oetomo and Benjamin I. P. Rubinstein and Renata Borovica-Gajic},
journal= {arXiv preprint arXiv:2010.09208},
year = {2020}
}
备注
12 pages, 8 figures