JoinGym：一种用于强化学习的高效查询优化环境
机器学习
2023-10-19 v2
摘要
连接顺序选择（JOS）是对连接操作排序以最小化总查询执行代价的问题，它是查询优化中核心的 NP-hard 组合优化问题。本文提出 JoinGym，一种轻量且易用的用于强化学习（RL）的查询优化环境，涵盖 JOS 问题的左深与浓密两种变体。与现有查询优化环境相比，JoinGym 的关键优势是可用性与显著更高的吞吐量，这是通过完全离线模拟查询执行实现的。其内部通过从预计算数据集中查找中间结果基数来模拟查询计划的代价。我们发布了一个基于真实 IMDb 工作负载的 条 SQL 查询的新颖基数数据集，其本身可能具有独立价值，例如用于基数估计。最后，我们广泛基准测试了四种 RL 算法，发现其代价分布为重尾，这启发了未来在风险敏感 RL 上的工作。总之，JoinGym 使用户能够在真实数据库问题上快速原型化 RL 算法，而无需搭建并运行实时系统。
引用
@article{arxiv.2307.11704,
title = {JoinGym: An Efficient Query Optimization Environment for Reinforcement Learning},
author = {Kaiwen Wang and Junxiong Wang and Yueying Li and Nathan Kallus and Immanuel Trummer and Wen Sun},
journal= {arXiv preprint arXiv:2307.11704},
year = {2023}
}
备注
JoinGym is available at https://github.com/kaiwenw/JoinGym!