机器学习驱动的索引调优:近期进展与开放挑战综述

现代云服务中工作负载的规模与复杂性使自动化索引调优中的一个关键挑战更加凸显——需要在保持索引调优可扩展性的同时推荐高质量索引。自动化索引实现必须在生产部署中引入最小的查询性能回退,这一要求进一步加剧了该挑战,并成为实现可扩展性与完全自动化的重大障碍。本文关注自动化索引调优中的这些挑战,并探讨机器学习(ML)技术如何为其缓解提供新机遇。具体而言,我们反思了近期在开发用于工作负载选择、候选索引过滤、加速索引配置搜索、减少查询优化器调用次数以及降低性能回退可能性的 ML 技术方面的努力。我们提炼了这些工作的关键要点,并强调了在传统索引调优框架内有效运行所需弥补的差距。此外,我们提出了一个初步的跨平台设计,旨在使索引调优在多种类 SQL 系统中普及——这在当今不断扩展的数据系统格局中是一项迫切需求。我们相信我们的发现将有助于为自动化索引调优的研究与开发工作提供背景与动力。