基于结构化动作空间学习索引选择
机器学习
2019-09-18 v1 数据库
机器学习
摘要
计算机系统的配置空间对传统与自动调优策略而言可能颇具挑战。将特定任务知识注入任务的调优器或可实现对候选配置更高效的探索。我们将此思想应用于索引集选择任务以加速数据库负载。索引集选择已适用于近期 vanilla 深度强化学习（deep RL）的应用，但真实部署仍遥不可及。本文中，我们探索如何通过特定任务的归纳偏置增强学习索引选择，具体通过将此类归纳偏置编码于更优动作结构中。当该问题以置换学习重构时，便产生索引选择特定的动作表示，我们依托近期关于置换上 RL 策略学习的工作。经由该方法，我们构建了一个能实现改进索引并以其特定任务统计验证行为的索引智能体。早期实验揭示，相较其他方法，我们的智能体可找到在相同延迟水平下小至多 40% 的配置，并表现出更直观的索引行为。
引用
@article{arxiv.1909.07440,
title = {Learning Index Selection with Structured Action Spaces},
author = {Jeremy Welborn and Michael Schaarschmidt and Eiko Yoneki},
journal= {arXiv preprint arXiv:1909.07440},
year = {2019}
}