論文の概要: Learning GraphQL Query Costs (Extended Version)
- arxiv url: http://arxiv.org/abs/2108.11139v1
- Date: Wed, 25 Aug 2021 09:18:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-26 12:51:44.417473
- Title: Learning GraphQL Query Costs (Extended Version)
- Title(参考訳): GraphQLクエリのコスト(拡張バージョン)を学ぶ
- Authors: Georgios Mavroudeas and Guillaume Baudart and Alan Cha and Martin
Hirzel and Jim A. Laredo and Malik Magdon-Ismail and Louis Mandel and Erik
Wittern
- Abstract要約: 本稿では,クエリコストを効率的に正確に推定する機械学習手法を提案する。
我々のフレームワークは効率的で、クエリコストを高い精度で予測し、静的解析を大きなマージンで一貫して上回っている。
- 参考スコア(独自算出の注目度): 7.899264246319001
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: GraphQL is a query language for APIs and a runtime for executing those
queries, fetching the requested data from existing microservices, REST APIs,
databases, or other sources. Its expressiveness and its flexibility have made
it an attractive candidate for API providers in many industries, especially
through the web. A major drawback to blindly servicing a client's query in
GraphQL is that the cost of a query can be unexpectedly large, creating
computation and resource overload for the provider, and API rate-limit overages
and infrastructure overload for the client. To mitigate these drawbacks, it is
necessary to efficiently estimate the cost of a query before executing it.
Estimating query cost is challenging, because GraphQL queries have a nested
structure, GraphQL APIs follow different design conventions, and the underlying
data sources are hidden. Estimates based on worst-case static query analysis
have had limited success because they tend to grossly overestimate cost. We
propose a machine-learning approach to efficiently and accurately estimate the
query cost. We also demonstrate the power of this approach by testing it on
query-response data from publicly available commercial APIs. Our framework is
efficient and predicts query costs with high accuracy, consistently
outperforming the static analysis by a large margin.
- Abstract(参考訳): GraphQLはAPI用のクエリ言語であり、既存のマイクロサービス、REST API、データベース、その他のソースから要求されたデータをフェッチする、これらのクエリを実行するランタイムである。
その表現力と柔軟性は、多くの業界、特にWebを通じてAPIプロバイダにとって魅力的な候補となっている。
GraphQLでクライアントのクエリを盲目的にサーブする大きな欠点は、クエリのコストが予想外に大きくなり、プロバイダの計算とリソースのオーバーロードが発生し、クライアントのAPIレート制限のオーバーロードとインフラストラクチャのオーバーロードが発生することだ。
これらの欠点を軽減するためには、クエリの実行前に効率的にクエリのコストを見積もる必要がある。
GraphQLクエリにはネスト構造があり、GraphQL APIは異なる設計規則に従っており、基礎となるデータソースが隠されているため、クエリコストの推定は難しい。
最悪の静的クエリ分析に基づく推定は、コストを大幅に過大評価する傾向があるため、成功は限られている。
本稿では,クエリコストを効率的に正確に推定する機械学習手法を提案する。
また,公開商用apiからのクエリ応答データ上でテストすることにより,このアプローチのパワーを実証する。
私たちのフレームワークは効率的で、高い精度でクエリコストを予測し、静的解析を高いマージンで上回っています。
関連論文リスト
- TorchQL: A Programming Framework for Integrity Constraints in Machine
Learning [22.48732201553164]
本稿では、機械学習アプリケーションの正確性を評価し改善するプログラミングフレームワークであるTorchQLを紹介する。
TorchQLを使用することで、マシンラーニングモデルやデータセットに対する整合性制約を指定およびチェックするためのクエリの記述が可能になる。
我々は、自律運転においてビデオフレーム間で検出されたオブジェクトの時間的不整合を検知するなど、多様なユースケースでTorchQLを評価する。
論文 参考訳(メタデータ) (2023-08-13T05:22:49Z) - Single-Stage Visual Query Localization in Egocentric Videos [79.71065005161566]
エンドツーエンドのトレーニングが可能なシングルステージのVQLフレームワークを提案する。
我々は,クエリとビデオフレーム間の問合せ対応を考慮し,問合せとビデオの関係を確立する。
実験により,提案手法の精度は従来のVQL手法よりも20%向上し,推論速度は10倍向上した。
論文 参考訳(メタデータ) (2023-06-15T17:57:28Z) - Allies: Prompting Large Language Model with Beam Search [107.38790111856761]
本研究では,ALIESと呼ばれる新しい手法を提案する。
入力クエリが与えられた場合、ALLIESはLLMを活用して、元のクエリに関連する新しいクエリを反復的に生成する。
元のクエリのスコープを反復的に精錬して拡張することにより、ALLIESは直接検索できない隠れた知識をキャプチャし、利用する。
論文 参考訳(メタデータ) (2023-05-24T06:16:44Z) - Neural Graph Reasoning: Complex Logical Query Answering Meets Graph
Databases [63.96793270418793]
複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。
ニューラルグラフデータベース(NGDB)の概念を紹介する。
NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
論文 参考訳(メタデータ) (2023-03-26T04:03:37Z) - Forecasting SQL Query Cost at Twitter [2.124552987084511]
Serviceは、履歴クエリ要求ログからモデルをトレーニングするために、機械学習技術を使用している。
モデルはCPU使用率予測の97.9%、メモリ使用率予測の97%の精度を達成することができる。
論文 参考訳(メタデータ) (2022-04-12T05:08:30Z) - Graph Enhanced BERT for Query Understanding [55.90334539898102]
クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。
近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。
本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
論文 参考訳(メタデータ) (2022-04-03T16:50:30Z) - Learning Query Expansion over the Nearest Neighbor Graph [94.80212602202518]
グラフクエリ拡張(GQE)が提示され、教師付き方法で学習され、クエリの拡張近傍で集約を実行する。
この技術は既知のベンチマークよりも最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-12-05T19:48:42Z) - SPARQLing Database Queries from Intermediate Question Decompositions [7.475027071883912]
自然言語の質問をデータベースクエリに変換するために、ほとんどのアプローチは、完全に注釈付けされたトレーニングセットに依存している。
データベースの中間問題表現を基盤として,この負担を軽減する。
我々のパイプラインは、自然言語質問を中間表現に変換するセマンティックと、訓練不能なトランスパイラをQLSPARクエリ言語に変換する2つの部分から構成される。
論文 参考訳(メタデータ) (2021-09-13T17:57:12Z) - Dual Reader-Parser on Hybrid Textual and Tabular Evidence for Open
Domain Question Answering [78.9863753810787]
世界の知識は構造化データベースに保存されている。
クエリ言語は、複雑な推論を必要とする質問に答えるだけでなく、完全な説明可能性を提供することができる。
論文 参考訳(メタデータ) (2021-08-05T22:04:13Z) - An Empirical Evaluation of Cost-based Federated SPARQL Query Processing
Engines [4.760079434948197]
コストベースのフェデレーションSPARQLクエリエンジンのきめ細かいベンチマークを目的とした新しい評価指標を提示する。
我々は,既存のSPARQLクエリエンジンとLargeRDFBenchクエリを用いた新しい評価指標を用いて,コストベースのフェデレーションSPARQLクエリエンジンを5つ評価する。
論文 参考訳(メタデータ) (2021-04-02T11:01:25Z) - FrugalML: How to Use ML Prediction APIs More Accurately and Cheaply [36.94826820536239]
我々はFrugalMLを提案する。FrugalMLは、異なるデータ上で各APIの長所と短所を共同で学習する、原則化されたフレームワークである。
理論解析により,FrugalMLを効率よくするために,定式化における自然の空間性を利用することが可能であることが示唆された。
さまざまなタスクにおいて、FrugalMLは、最高の単一APIの精度を一致させながら、最大90%のコスト削減を実現し、最高のAPIのコストを一致させながら、最大5%の精度を達成できる。
論文 参考訳(メタデータ) (2020-06-12T23:43:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。