Selective Use of Yannakakis’ Algorithm to Improve Query Performance: Machine Learning to the Rescue

要約

クエリ最適化は、データベース調査で何十年もの間中心的な役割を果たしてきました。
ただし、多くの場合、提案された最適化手法は、一部の状況ではなく、一部の状況でパフォーマンスの向上につながります。
したがって、最適化手法を適用すべきかどうかを特定のクエリを決定する決定手順を設計するための方法論が緊急に必要です。
この作業では、関心のある最適化技術としてYannakakisスタイルのクエリ評価に焦点を当てたこのような方法論を提案します。
より具体的には、この決定問題をアルゴリズムの選択問題として策定し、そのソリューションのための機械学習ベースのアプローチを提示します。
さまざまなデータベースシステムのいくつかのベンチマークを使用した経験的結果は、私たちのアプローチが実際に統計的に有意なパフォーマンス改善につながることを示しています。

要約(オリジナル)

Query optimization has played a central role in database research for decades. However, more often than not, the proposed optimization techniques lead to a performance improvement in some, but not in all, situations. Therefore, we urgently need a methodology for designing a decision procedure that decides for a given query whether the optimization technique should be applied or not. In this work, we propose such a methodology with a focus on Yannakakis-style query evaluation as our optimization technique of interest. More specifically, we formulate this decision problem as an algorithm selection problem and we present a Machine Learning based approach for its solution. Empirical results with several benchmarks on a variety of database systems show that our approach indeed leads to a statistically significant performance improvement.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google