[論文レビュー] Towards a Hands-Free Query Optimizer through Deep Learning

Ryan Marcus, Olga Papaemmanouil|arXiv (Cornell University)|Sep 26, 2018

Optimization and Search Problems参考文献 29被引用数 43

ひとこと要約

この論文は、エンドツーエンドのクエリ最適化に深層強化学習アプローチを提案し、学習からのデモンストレーションとコストモデルのブートストラップを導入してトレーニングと探索空間の課題を克服し、逐次学習戦略を論じる。

ABSTRACT

Query optimization remains one of the most important and well-studied problems in database systems. However, traditional query optimizers are complex heuristically-driven systems, requiring large amounts of time to tune for a particular database and requiring even more time to develop and maintain in the first place. In this vision paper, we argue that a new type of query optimizer, based on deep reinforcement learning, can drastically improve on the state-of-the-art. We identify potential complications for future research that integrates deep learning with query optimization, and we describe three novel deep learning based approaches that can lead the way to end-to-end learning-based query optimizers.

研究の動機と目的

• 手動で調整されたヒューリスティクスからDRLベースのクエリ最適化へと移行させ、データベースを自動でチューニングできるようにする。
• DRLを大規模な実行計画の探索空間に適用する際の課題を特定する。
• 学習をブートストラップするための具体的なDRLアプローチを提案し、デモンストレーションとコストモデルを活用する。
• エンドツーエンド最適化機能を段階的に構築するためのインクリメンタル学習戦略を概説する。

提案手法

• DRLの基礎と、クエリ最適化ポリシーの学習に用いられるポリシーグラデーション手法を説明する。
• ケーススタディとしてDRLベースの結合順列化器であるReJOINを提示する。
• エンドツーエンド最適化における3つの主要なDRL課題を概説する：探索空間のサイズ、報酬信号、評価オーバーヘッド。
• 学習 from demonstrationとコストモデルのブートストラップという2つのDRLアプローチを提案する。
• 最適化をより単純なフェーズに分解するようなインクリメンタル学習設計を議論する。

実験結果

リサーチクエスチョン

• RQ1 手作業で作成されたヒューリスティクスなしで、DRLベースの最適化器は効果的なクエリ計画を学習できるか？
• RQ2 クエリ最適化におけるDRLを学習-from-demonstrationはどのように加速できるか？
• RQ3 コストモデルのブートストラップは収束を速める実用的な報酬信号を提供できるか？
• RQ4 エンドツーエンドのDRL最適化器をフル実行計画に対してスケーラブルにするインクリメンタル戦略は何か？

主な発見

• ReJOINは、十分な訓練の後、結合順序ポリシーを学習してPostgreSQLの遅延に近づくか、それを上回ることができることを示している。
• ReJOINによる最終計画は、訓練オーバーヘッドにもかかわらず、多くのケースでPostgreSQLの列挙器よりも高速になり得る。
• コストモデルを報酬として使用すると訓練をより速く進められるが、コストモデルの品質に依存する可能性がある。
• デモンストレーションからの学習は専門家の最適化器を活用することで訓練時間を劇的に短縮できる。
• インクリメンタル学習戦略は最適化タスクを分解して複雑さを管理できる。