GLIN：一种面向复杂几何的通用学习型索引机制
数据库
2023-09-15 v2
摘要
尽管空间索引缩短了查询响应时间，但它们依赖复杂的树结构来缩小搜索空间。这类结构反过来带来额外的存储开销，并对索引维护造成负担。近来，已有大量工作尝试利用机器学习（ML）模型来简化索引结构。然而，现有的地理空间索引只能索引点数据，而非广泛存在于地理空间数据中的多边形、轨迹等复杂几何。因此，它们无法高效且正确地回答几何关系查询。本文提出 GLIN，一种面向复杂几何上空间关系查询的索引机制。为此，GLIN 将几何转换为 Z 地址区间，然后利用现有的保序学习型索引来建模这些区间与记录位置之间的累积分布函数。轻量级学习型索引大幅降低了索引开销，并提供了更快或相当的查询延迟。最重要的是，GLIN 扩充了空间查询窗口，以支持针对常见空间关系的精确查询。我们在真实与合成数据集上的实验表明，GLIN 的存储开销比四叉树低 80%–90%，比 R 树低 60%–80%，在中选择性下查询快 30%–70%。此外，GLIN 的维护吞吐率在插入时高 1.5 倍，删除时高 3–5 倍。
引用
@article{arxiv.2207.07745,
title = {GLIN: A (G)eneric (L)earned (In)dexing Mechanism for Complex Geometries},
author = {Congying Wang and Jia Yu and Zhuoyue Zhao},
journal= {arXiv preprint arXiv:2207.07745},
year = {2023}
}