[論文レビュー] Least expected cost query optimization: an exercise in utility

Francis C. Chu, Joseph Y. Halpern+1 more|ArXiv.org|Sep 21, 1999

Advanced Database Systems and Queries参考文献 13被引用数 7

ひとこと要約

本論文は、システムパラメータの不確実性をモデル化することで、期待コストが最小となる実行計画を選択するクエリ最適化技術を提案する。従来の最適化手法がシステムパラメータの固定値または期待値を仮定するのに対し、本手法はSystem Rスタイルの最適化器に確率的コスト推定を統合することで、変動が激しい環境でも性能が向上し、期待ケース最適化よりも優れたロバスト性を示す。

ABSTRACT

We identify two unreasonable, though standard, assumptions made by database query optimizers that can adversely affect the quality of the chosen evaluation plans. One assumption is that it is enough to optimize for the expected case---that is, the case where various parameters (like available memory) take on their expected value. The other assumption is that the parameters are constant throughout the execution of the query. We present an algorithm based on the ``System R''-style query optimization algorithm that does not rely on these assumptions. The algorithm we present chooses the plan of the least expected cost instead of the plan of least cost given some fixed value of the parameters. In execution environments that exhibit a high degree of variability, our techniques should result in better performance.

研究の動機と目的

• メモリやI/Oなどのシステムパラメータに対して固定値または期待値を仮定する従来のクエリ最適化手法の限界を解決すること。
• クエリ処理中にシステムパラメータが著しく変動する動的環境におけるクエリ実行パフォーマンスを向上させること。
• パラメータの分布に沿った期待コストに基づいて計画を選択するクエリ最適化フレームワークを構築すること。
• 最小期待コスト最適化が、標準的なコストベース最適化よりもよりロバストで効率的なクエリ計画をもたらすことを実証すること。

提案手法

• 可用メモリやI/Oレートなどのシステムパラメータの確率的モデルを組み込むように、System Rクエリ最適化アルゴリズムを拡張する。
• 固定値を仮定するのではなく、確率分布を用いてパラメータの不確実性をモデル化する。
• 不確実パラメータの連合分布にわたる積分を用いて、各クエリ計画の期待コストを計算する。
• 動的計画法を用いて計画空間を探索し、期待コストが最小となる計画を選択する。
• 異なるパラメータ実現値における実行時間およびリソース使用量のばらつきを考慮したコストモデルを採用する。
• 確率的パラメータを扱えるように、従来のコストベース最適化を拡張し、不確実性下でもロバストな計画選択を可能にする。

実験結果

リサーチクエスチョン

• RQ1 システムパラメータが非常に変動が激しい環境において、固定値または期待値を仮定した場合、クエリ最適化のパフォーマンスはどの程度低下するか？
• RQ2 パラメータの不確実性を期待コスト推定を通じて考慮するクエリ最適化器は、従来の最適化器を上回る性能を発揮できるか？
• RQ3 パラメータ分布をモデル化することは、最適クエリ実行計画の選択にどのような影響を与えるか？
• RQ4 最小期待コストアプローチは、期待ケース最適化と比較して、計画の品質および実行効率の面でどの程度優れているか？

主な発見

• 提案された最小期待コスト最適化手法は、固定値または期待値を仮定する従来の最適化手法よりも、よりロバストなクエリ実行計画を生成する。
• パラメータの不確実性をモデル化することで、予期しないパラメータ変動による高コスト計画の選択リスクが低減される。
• 特にパラメータ分布が非一様または歪んでいる環境では、本手法が優れたパフォーマンスを発揮する。
• 確率的コスト推定の活用により、多様なシステム状態にわたる長期平均パフォーマンスが向上する。