基于深度强化学习算法的连接查询优化
数据库
2019-11-27 v1 人工智能
机器学习
摘要
连接查询优化是一项复杂任务，并且是查询处理性能的核心。事实上它属于 NP-hard 问题类。传统查询优化器使用动态规划（DP）方法结合一组规则和限制，以避免对所有可能的连接顺序进行穷举枚举。然而，DP 方法非常消耗资源。此外，在属性独立的简化假设下，传统查询优化器依赖错误的代价估计，可能导致次优查询计划。深度强化学习（DRL）近期的成功为查询优化领域创造了解决上述问题的新机会。本文提出我们基于 DRL 的全可观测优化器（FOOP），这是一个通用的查询优化框架，支持插入不同的机器学习算法。FOOP 的主要思想是采用数据自适应学习的查询优化器，避免对连接顺序的穷举枚举，因此比基于动态规划的传统方法显著更快。特别地，我们评估了多种 DRL 算法，并表明近端策略优化显著优于基于 Q-learning 的算法。最后我们展示了集成学习技术与 DRL 结合如何进一步改进查询优化器。
引用
@article{arxiv.1911.11689,
title = {Join Query Optimization with Deep Reinforcement Learning Algorithms},
author = {Jonas Heitz and Kurt Stockinger},
journal= {arXiv preprint arXiv:1911.11689},
year = {2019}
}