Fugu-MT 論文翻訳(概要): Budget-aware Query Tuning: An AutoML Perspective

論文の概要: Budget-aware Query Tuning: An AutoML Perspective

arxiv url: http://arxiv.org/abs/2404.00137v1
Date: Fri, 29 Mar 2024 20:19:36 GMT
ステータス: 処理完了
システム内更新日: 2024-04-04 07:17:12.607506
Title: Budget-aware Query Tuning: An AutoML Perspective
Title（参考訳）: Budget-Aware Query Tuning - AutoMLの展望
Authors: Wentao Wu, Chi Wang,
Abstract要約: 現代のデータベースシステムは、入力クエリの優れた実行計画を作成するために、コストベースのクエリに依存している。コストユニットの値を変えることで、デフォルトのクエリプランを大幅に上回るクエリプランを得ることができることを示す。
参考スコア（独自算出の注目度）: 14.561951257365953
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Modern database systems rely on cost-based query optimizers to come up with good execution plans for input queries. Such query optimizers rely on cost models to estimate the costs of candidate query execution plans. A cost model represents a function from a set of cost units to query execution cost, where each cost unit specifies the unit cost of executing a certain type of query processing operation (such as table scan or join). These cost units are traditionally viewed as constants, whose values only depend on the platform configuration where the database system runs on top of but are invariant for queries processed by the database system. In this paper, we challenge this classic view by thinking of these cost units as variables instead. We show that, by varying the cost-unit values one can obtain query plans that significantly outperform the default query plans returned by the query optimizer when viewing the cost units as constants. We term this cost-unit tuning process "query tuning" (QT) and show that it is similar to the well-known hyper-parameter optimization (HPO) problem in AutoML. As a result, any state-of-the-art HPO technologies can be applied to QT. We study the QT problem in the context of anytime tuning, which is desirable in practice by constraining the total time spent on QT within a given budget -- we call this problem budget-aware query tuning. We further extend our study from tuning a single query to tuning a workload with multiple queries, and we call this generalized problem budget-aware workload tuning (WT), which aims for minimizing the execution time of the entire workload. WT is more challenging as one needs to further prioritize individual query tuning within the given time budget. We propose solutions to both QT and WT and experimental evaluation using both benchmark and real workloads demonstrates the efficacy of our proposed solutions.
Abstract（参考訳）: 現代のデータベースシステムは、入力クエリの優れた実行計画を作成するために、コストベースのクエリオプティマイザに依存している。このようなクエリオプティマイザは、候補クエリ実行計画のコストを見積もるために、コストモデルに依存する。コストモデルは、コスト単位のセットからクエリ実行コストまでの関数を表し、各コスト単位は、ある種のクエリ処理操作(テーブルスキャンやジョインなど)を実行する単位コストを指定する。これらのコスト単位は伝統的に定数と見なされ、その値はデータベースシステムが実行されているプラットフォーム構成にのみ依存するが、データベースシステムによって処理されるクエリには不変である。本稿では,これらのコスト単位を変数として考えることによって,この古典的視点に挑戦する。コスト単位の値を変えることで、コスト単位を定数として見る場合、クエリオプティマイザが返すデフォルトのクエリプランを大幅に上回るクエリプランを得ることができることを示す。本稿では,このコストユニットチューニングプロセス "クエリチューニング" (QT) を,AutoMLにおけるよく知られたハイパーパラメータ最適化 (HPO) 問題と類似していることを示す。結果として、最先端のHPO技術はQTにも適用できる。特定の予算内でQTに費やされたトータル時間を制限することで現実的に望ましい、任意の時間的チューニングの文脈でQT問題を調査します。我々はさらに、単一クエリのチューニングから、複数のクエリでワークロードをチューニングすることまでの研究を拡張し、この一般化された問題予算対応ワークロードチューニング(WT)と呼ばれ、ワークロード全体の実行時間を最小化することを目的としています。 WTは、与えられた時間予算内で個別のクエリチューニングをさらに優先順位付けする必要があるため、より難しい。我々はQTとWTの双方に対するソリューションを提案し、ベンチマークと実ワークロードの両方を用いて実験的な評価を行い、提案手法の有効性を実証する。

関連論文リスト

The Effect of Scheduling and Preemption on the Efficiency of LLM Inference Serving [8.552242818726347]
INFERMAXは様々なスケジューラを比較するために推論コストモデルを使用する分析フレームワークである。その結果,プリエンプション要求はプリエンプションを回避するよりもGPUコストを30%削減できることがわかった。
論文参考訳（メタデータ） (2024-11-12T00:10:34Z)
Effective Instruction Parsing Plugin for Complex Logical Query Answering on Knowledge Graphs [51.33342412699939]
知識グラフクエリ埋め込み(KGQE)は、不完全なKGに対する複雑な推論のために、低次元KG空間に一階論理(FOL)クエリを埋め込むことを目的としている。近年の研究では、FOLクエリの論理的セマンティクスをよりよく捉えるために、さまざまな外部情報(エンティティタイプや関係コンテキストなど)を統合している。コードのようなクエリ命令から遅延クエリパターンをキャプチャする効果的なクエリ命令解析(QIPP)を提案する。
論文参考訳（メタデータ） (2024-10-27T03:18:52Z)
PRICE: A Pretrained Model for Cross-Database Cardinality Estimation [78.30959470441442]
クエリ実行計画の最適化には,カーディナリティ推定(CardEst)が不可欠である。近年のMLベースのCardEst法は, 製造コストが高いため, 高い精度で展開が困難である。 PRetrained MultI-table CardEstモデルであるPRICEを提案する。
論文参考訳（メタデータ） (2024-06-03T06:21:53Z)
Roq: Robust Query Optimization Based on a Risk-aware Learned Cost Model [3.0784574277021406]
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。
論文参考訳（メタデータ） (2024-01-26T21:16:37Z)
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)
Cheaply Evaluating Inference Efficiency Metrics for Autoregressive Transformer APIs [66.30706841821123]
大規模言語モデル(LLM)は、自然言語処理において多くの最先端システムに電力を供給する。 LLMは、推論時でさえ非常に計算コストが高い。モデル間での推論効率を比較するための新しい指標を提案する。
論文参考訳（メタデータ） (2023-05-03T21:51:42Z)
Conjunctive Query Based Constraint Solving For Feature Model Configuration [79.14348940034351]
本稿では、制約満足度問題を解決するために共役クエリーを適用する方法を示す。このアプローチは、構成タスクを解決するために、広範囲のデータベース技術の応用を可能にする。
論文参考訳（メタデータ） (2023-04-26T10:08:07Z)
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)
Cost-Efficient Online Hyperparameter Optimization [94.60924644778558]
実験の単一実行でヒトのエキスパートレベルのパフォーマンスに達するオンラインHPOアルゴリズムを提案します。提案するオンラインhpoアルゴリズムは,実験の1回で人間のエキスパートレベルのパフォーマンスに到達できるが,通常のトレーニングに比べて計算オーバーヘッドは少ない。
論文参考訳（メタデータ） (2021-01-17T04:55:30Z)
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。