NeuroCard：适用于所有表的统一基数估计器
数据库
2020-11-04 v2 机器学习
摘要
查询优化器依赖准确的基数估计以生成良好的执行计划。尽管经过数十年的研究，现有基数估计器对复杂查询仍不准确，原因在于其做出了有损建模假设且未捕获表间相关性。在这项工作中，我们展示可以在无任何独立性假设的情况下学习数据库中所有表之间的相关性。我们提出 NeuroCard，一种在整个数据库上构建单一神经密度估计器的连接基数估计器。利用连接采样与现代深度自回归模型，NeuroCard 在其概率建模中不做表间或列间独立性假设。NeuroCard 比最佳先前方法实现了数量级更高的准确性（在 JOB-light 上最大误差 8.5 的新的 SOTA 结果），可扩展至数十张表，同时空间紧凑（数 MB）且构建或更新高效（数秒至数分钟）。
引用
@article{arxiv.2006.08109,
title = {NeuroCard: One Cardinality Estimator for All Tables},
author = {Zongheng Yang and Amog Kamsetty and Sifei Luan and Eric Liang and Yan Duan and Xi Chen and Ion Stoica},
journal= {arXiv preprint arXiv:2006.08109},
year = {2020}
}
备注
VLDB 2021