TiCard：可部署的仅EXPLAIN残差学习用于基数估计
人工智能
2025-12-19 v2 数据库
摘要
基数估计是基于成本的查询优化的关键瓶颈，但可部署的改进仍然困难：经典估计器遗漏相关性，而学习型估计器通常需要特定工作负载的训练流程以及对优化器的侵入式集成。本文提出了TiCard，一个低侵入性、基于校正的框架，用于增强（而非替换）数据库的原生估计器。TiCard利用仅EXPLAIN特征学习乘法残差校正，并仅在离线标签中使用EXPLAIN ANALYZE。我们研究了两种实际实例化：(i)用于亚毫秒推理的梯度提升回归器，(ii) TabPFN，一种通过刷新小型参考集进行适应的上下文内表格基础模型，无需梯度重训练。在TiDB上的TPCH和Join Order Benchmark上，在低追踪设置下（共263次执行，其中157次用于学习），TiCard显著提升了算子级别的尾部准确性：P90 Q误差从312.85（原生）降至13.69（TiCard-GBR），P99从37,974.37降至3,416.50（TiCard-TabPFN），而仅连接策略保持了接近完美的中位数行为。我们将TiCard定位为一个专注于可部署性的AI4DB构建模块，具有明确的范围、保守的集成策略以及从离线校正到优化器内使用的集成路线图。
引用
@article{arxiv.2512.14358,
title = {TiCard: Deployable EXPLAIN-only Residual Learning for Cardinality Estimation},
author = {Qizhi Wang},
journal= {arXiv preprint arXiv:2512.14358},
year = {2025}
}
备注
16 pages(/wo references), 4 figures, 10 tables