面向动态工作负载的学习型索引
机器学习
2019-02-05 v1 人工智能
摘要
近期提出的学习型索引结构为如何优化传统范围索引开辟了新视角。然而，当前的学习型索引假设数据分布相对静态且访问模式均匀，而现实场景包含倾斜的查询分布与演化中的数据。在本文中，我们表明对访问模式与动态数据分布的忽视显著阻碍了学习型索引的适用性。为此，我们提出面向动态工作负载的学习型索引解决方案（称为 Doraemon）。为改善倾斜查询的延迟，Doraemon 以访问频率扩充训练数据。为解决数据分布偏移时模型重训练缓慢的问题，Doraemon 缓存先前训练的模型，并对相似的访问模式与数据分布进行增量微调。我们的初步结果表明，Doraemon 将查询延迟降低了 45.1%，并将模型重训练时间减少至 1/20。
引用
@article{arxiv.1902.00655,
title = {Learned Indexes for Dynamic Workloads},
author = {Chuzhe Tang and Zhiyuan Dong and Minjie Wang and Zhaoguo Wang and Haibo Chen},
journal= {arXiv preprint arXiv:1902.00655},
year = {2019}
}