Fugu-MT 論文翻訳(概要): Roq: Robust Query Optimization Based on a Risk-aware Learned Cost Model

論文の概要: Roq: Robust Query Optimization Based on a Risk-aware Learned Cost Model

arxiv url: http://arxiv.org/abs/2401.15210v1
Date: Fri, 26 Jan 2024 21:16:37 GMT
ステータス: 処理完了
システム内更新日: 2024-01-30 19:23:54.700455
Title: Roq: Robust Query Optimization Based on a Risk-aware Learned Cost Model
Title（参考訳）: Roq: リスク認識学習コストモデルに基づくロバストクエリ最適化
Authors: Amin Kamali, Verena Kantere, Calisto Zuzarte, and Vincent Corvinelli
Abstract要約: 本稿では,リスク認識型学習アプローチに基づくロバストなクエリ最適化を実現するための包括的フレームワークを提案する。 Roqには、クエリ最適化の文脈におけるロバストネスの概念の新たな形式化が含まれている。我々は、Roqが最先端技術と比較して堅牢なクエリ最適化に大幅な改善をもたらすことを実験的に実証した。
参考スコア（独自算出の注目度）: 3.0784574277021406
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Query optimizers in relational database management systems (RDBMSs) search for execution plans expected to be optimal for a given queries. They use parameter estimates, often inaccurate, and make assumptions that may not hold in practice. Consequently, they may select execution plans that are suboptimal at runtime, when these estimates and assumptions are not valid, which may result in poor query performance. Therefore, query optimizers do not sufficiently support robust query optimization. Recent years have seen a surge of interest in using machine learning (ML) to improve efficiency of data systems and reduce their maintenance overheads, with promising results obtained in the area of query optimization in particular. In this paper, inspired by these advancements, and based on several years of experience of IBM Db2 in this journey, we propose Robust Optimization of Queries, (Roq), a holistic framework that enables robust query optimization based on a risk-aware learning approach. Roq includes a novel formalization of the notion of robustness in the context of query optimization and a principled approach for its quantification and measurement based on approximate probabilistic ML. It also includes novel strategies and algorithms for query plan evaluation and selection. Roq also includes a novel learned cost model that is designed to predict query execution cost and the associated risks and performs query optimization accordingly. We demonstrate experimentally that Roq provides significant improvements to robust query optimization compared to the state-of-the-art.
Abstract（参考訳）: リレーショナルデータベース管理システム(RDBMS)におけるクエリオプティマイザは、所定のクエリに対して最適な実行計画を求める。彼らはパラメータ推定を使い、しばしば不正確であり、実際には成り立たない仮定をする。その結果、これらの推定と仮定が有効でない場合、実行時に最適でない実行プランを選択することができ、クエリのパフォーマンスが低下する可能性がある。したがって、クエリオプティマイザは堅牢なクエリ最適化を十分にサポートしていない。近年、機械学習(ML)を用いてデータシステムの効率を改善し、メンテナンスのオーバーヘッドを減らすことへの関心が高まっており、特にクエリ最適化の分野で期待できる結果が得られている。本稿では、これらの進歩に触発され、IBM Db2の数年間の経験に基づき、リスク認識学習アプローチに基づく堅牢なクエリ最適化を実現する総合的なフレームワークであるRoq(Roust Optimization of Queries)を提案する。 roqには、クエリ最適化の文脈におけるロバスト性の概念の新たな形式化と、近似確率mlに基づく定量化と測定のための原理的アプローチが含まれている。クエリ計画の評価と選択のための新しい戦略とアルゴリズムも含まれている。 Roqには、クエリ実行コストと関連するリスクを予測し、クエリ最適化を実行するように設計された、新たな学習コストモデルも含まれている。我々は、roqが最先端に比べてロバストなクエリ最適化に大きな改善をもたらすことを実験的に実証する。

関連論文リスト

Hydro: Adaptive Query Processing of ML Queries [7.317548344184541]
機械学習(ML)クエリを効率的に処理するための適応クエリ処理(AQP)であるHydroを提案する。ベースラインシステム上で最大11.52倍のスピードアップを実現し,Hydroの有効性を実証する。
論文参考訳（メタデータ） (2024-03-22T01:17:07Z)
End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文参考訳（メタデータ） (2024-02-12T16:33:35Z)
EASRec: Elastic Architecture Search for Efficient Long-term Sequential Recommender Systems [82.76483989905961]
現在のSRS(Sequential Recommender Systems)は、計算とリソースの非効率に悩まされている。我々は、効率的な長期シーケンスレコメンダシステム(EASRec)のための弾性アーキテクチャー探索を開発する。 EASRecは、入力データバッチから履歴情報を活用するデータ認識ゲートを導入し、レコメンデーションネットワークの性能を改善する。
論文参考訳（メタデータ） (2024-02-01T07:22:52Z)
Rethinking and Benchmarking Predict-then-Optimize Paradigm for Combinatorial Optimization Problems [62.25108152764568]
多くのWebアプリケーションは、エネルギーコストを考慮したスケジューリング、Web広告の予算配分、ソーシャルネットワークでのグラフマッチングなど、最適化問題の解決に頼っている。統一システムにおける予測と意思決定の性能について考察する。我々は、現在のアプローチを包括的に分類し、既存の実験シナリオを統合する。
論文参考訳（メタデータ） (2023-11-13T13:19:34Z)
JoinGym: An Efficient Query Optimization Environment for Reinforcement Learning [58.71541261221863]
結合順序選択(JOS)は、クエリの実行コストを最小化するために結合操作を順序付けする問題である。木質強化学習(RL)のためのクエリ最適化環境JoinGymを提案する。 JoinGymは内部で、事前計算されたデータセットから中間結果の濃度を調べることで、クエリプランのコストをシミュレートする。
論文参考訳（メタデータ） (2023-07-21T17:00:06Z)
Kepler: Robust Learning for Faster Parametric Query Optimization [5.6119420695093245]
パラメトリッククエリ最適化のためのエンドツーエンドの学習ベースアプローチを提案する。 Keplerは、複数のデータセット上でのクエリランタイムの大幅な改善を実現している。
論文参考訳（メタデータ） (2023-06-11T22:39:28Z)
BitE : Accelerating Learned Query Optimization in a Mixed-Workload Environment [0.36700088931938835]
BitEは、データベース統計とメタデータを使用して、学習したクエリをチューニングしてパフォーマンスを向上させる、新しいアンサンブル学習モデルである。我々のモデルは従来の手法に比べて19.6%改善されたクエリと15.8%改善されたクエリを実現している。
論文参考訳（メタデータ） (2023-06-01T16:05:33Z)
Lero: A Learning-to-Rank Query Optimizer [49.841082217997354]
これは、ネイティブクエリの上に構築され、クエリ最適化を改善するために継続的に学習される。 Leroはスクラッチから学習を構築するのではなく、数十年にわたるデータベースの知恵を活用し、ネイティブ性を改善するように設計されている。 Leroはいくつかのベンチマークでほぼ最適なパフォーマンスを達成する。
論文参考訳（メタデータ） (2023-02-14T07:31:11Z)
Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
統計的決定論の研究からシャノンエントロピーの一般化を考える。まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
論文参考訳（メタデータ） (2022-10-04T04:43:58Z)
A Survey on Advancing the DBMS Query Optimizer: Cardinality Estimation, Cost Model, and Plan Enumeration [17.75042918159419]
コストベースのアルゴリズムは、現在のほとんどのデータベースシステムで採用されている。コストモデル、カーディナリティでは、オペレータによる数字の数は重要な役割を果たします。基数推定の不正確さ、コストの誤差、および巨大な計画空間モデルにより、アルゴリズムは複雑なクエリに対して妥当な時間で最適な実行計画を見つけることができない。
論文参考訳（メタデータ） (2021-01-05T13:47:45Z)

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。