[論文レビュー] Robust Plan Evaluation based on Approximate Probabilistic Machine Learning

Amin Kamali, Verena Kantere+2 more|arXiv (Cornell University)|Jan 26, 2024

Data Management and Algorithms被引用数 5

ひとこと要約

本論文は Roq を紹介します。堅牢性に焦点を当てたクエリオプティマイザで、近似的確率的 ML を用いてクエリ計画を評価・選択し、最先端手法より堅牢性を改善します。

ABSTRACT

Query optimizers in RDBMSs search for execution plans expected to be optimal for given queries. They use parameter estimates, often inaccurate, and make assumptions that may not hold in practice. Consequently, they may select plans that are suboptimal at runtime if estimates and assumptions are not valid. Therefore, they do not sufficiently support robust query optimization. Using ML to improve data systems has shown promising results for query optimization. Inspired by this, we propose Robust Query Optimizer (Roq), a holistic framework 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 includes a novel learned cost model that is designed to predict the cost of query execution and the associated risks and performs query optimization accordingly. We demonstrate that Roq provides significant improvements in robust query optimization compared with the state-of-the-art.

研究の動機と目的

• クエリ最適化における堅牢性を形式化する。
• 計画評価のためのリスク認識型学習フレームワークを開発する。
• 実行コストと関連リスクを予測する学習済みコストモデルを設計する。
• 堅牢な計画評価と選択のための戦略を提案する。
• 既存の堅牢最適化手法に対する改善を示す。

提案手法

• クエリ最適化の文脈における堅牢性を定義する。
• 確率的 ML の基盤を持つ包括的なフレームワークとして Roq を導入する。
• 計画コストとリスクを推定する学習済みコストモデルを開発する。
• 堅牢な計画を評価・選択するための戦略とアルゴリズムを作成する。
• 近似的確率的技術を用いて堅牢性を定量化する。
• Roq を最先端ベースラインと比較して評価する。

実験結果

リサーチクエスチョン

• RQ1 クエリ最適化において堅牢性をどのように形式化し、測定できるか？
• RQ2 近似的確率的 ML アプローチは、堅牢性の高い計画評価と選択を改善できるか？
• RQ3 リスクを組み込んだ学習済みコストモデルがクエリ最適化の結果に与える影響は何か？
• RQ4 Roq は既存の堅牢最適化手法と比較してどのように性能を発揮するか？
• RQ5 実践において堅牢な計画評価と選択を最も効果的に実現する戦略は何か？

主な発見

• Roq は最先端と比較して、堅牢なクエリ最適化において顕著な改善を提供します。
• 新しい堅牢性の形式化とリスク認識型測定フレームワークを開発しました。
• 学習済みコストモデルはクエリ実行コストと関連リスクを予測します。
• 新しい戦略とアルゴリズムにより堅牢な計画評価と選択を可能にします。
• 経験的な結果は、堅牢化最適化の状況における Roq の有効性を支持します。