没有 DBA？无需遗憾！用于分析和 HTAP 工作负载索引调优的多臂老虎机方法及其可证明保证

由于优化结构带来的显著性能提升，物理数据库设计自动化一直是数据库研究的长期兴趣所在。尽管取得了重大进展，但当今大多数商业解决方案仍是高度手动的，需要数据库管理员（DBA）离线调用，并期望他们识别并提供有代表性的训练工作负载。即使像查询存储这样的最新进展，对动态环境的支持也有限。这种现状难以为继：识别有代表性的静态工作负载已不再现实；物理设计工具仍然容易受到查询优化器成本估算错误的影响。此外，现代应用环境，如混合事务与分析处理（HTAP）系统，使得分析建模几乎不可能。我们提出了一种自驱动的在线索引选择方法，该方法摒弃了 DBA 和查询优化器，而是通过策略性探索和直接性能观察来学习可行结构的好处。我们将此问题视为不确定性下的序贯决策问题，特别是在老虎机学习设置中。多臂老虎机平衡探索与利用，可证明地保证平均性能收敛到具有完美后见之明的最优策略。我们针对最先进的商业调优工具进行的全面实证评估表明，在分析处理环境中，对于变化和临时工作负载，速度提升高达 75%，对于静态工作负载，速度提升高达 28%。在 HTAP 环境中，我们的解决方案为变化工作负载提供高达 59% 的加速，为静态工作负载提供高达 51% 的加速。此外，我们的老虎机框架在收敛速度和性能波动方面优于深度强化学习（RL）（提供高达 58% 的加速）。