[논문 리뷰] Towards a Hands-Free Query Optimizer through Deep Learning

Ryan Marcus, Olga Papaemmanouil|arXiv (Cornell University)|2018. 09. 26.

Optimization and Search Problems참고 문헌 29인용 수 43

한 줄 요약

논문은 엔드투엔드 쿼리 최적화에 대한 깊은 강화 학습(DRL) 접근법을 옹호하고, 학습 기반 시연(Learning-from-Demonstration)과 비용 모델 부트스트래핑을 도입하여 학습 및 탐색 공간의 도전 과제를 극복하고 점진적 학습 전략을 논의한다.

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.

연구 동기 및 목표

• 데이터베이스에 대해 자동으로 튜닝될 수 있는 DRL 기반 쿼리 최적화로의 수작업 휴리스틱에서의 전환을 촉진한다.
• 실행 계획의 방대한 검색 공간에 DRL을 적용할 때의 도전 과제를 식별한다.
• 학습을 부트스트랩하고 시연 및 비용 모델을 활용하기 위한 구체적인 DRL 접근법을 제안한다.
• 엔드-투-엔드 최적화 능력을 점진적으로 구축하기 위한 점진적 학습 전략을 개요화한다.

제안 방법

• 쿼리 최적화 정책 학습에 사용되는 DRL의 기본 원리와 정책 기울기 방법을 설명한다.
• 케이스 스터디로 DRL 기반 조인 순서 열거기인 ReJOIN을 제시한다.
• 엔드-투-엔드 최적화를 위한 세 가지 핵심 DRL 도전 과제: 탐색 공간의 크기, 보상 신호, 평가 오버헤드를 개요로 제시한다.
• 학습 기반 시연과 비용 모델 부트스트래핑의 두 가지 DRL 접근법을 제안한다.
• 최적화를 더 단순한 단계로 분해하기 위한 점진적 학습 설계를 논의한다.

실험 결과

연구 질문

• RQ1 수작업 휴리스틱 없이 DRL 기반 최적화기가 효과적인 쿼리 계획을 학습할 수 있는가?
• RQ2 학습 기반 시연이 쿼리 최적화에서 DRL을 얼마나 가속화할 수 있는가?
• RQ3 비용 모델 부트스트래핑이 수렴 속도를 높이는 실용적인 보상 신호를 제공할 수 있는가?
• RQ4 전체 실행 계획에 대해 확장 가능한 엔드-투-엔드 DRL 최적화기를 가능하게 하는 점진적 전략은 무엇인가?

주요 결과

• ReJOIN은 상당한 학습 후 DRL이 조인 순서 정책을 학습하여 PostgreSQL의 지연에 접근하거나 이를 능가할 수 있음을 보여준다.
• 학습 오버헤드에도 불구하고 많은 경우 ReJOIN의 최종 계획이 PostgreSQL의 열거기보다 빠를 수 있다.
• 비용 모델을 보상으로 사용하는 것은 더 빠른 학습을 가능하게 하지만 비용 모델의 품질에 의존할 수 있다.
• 시연으로부터 학습은 전문가 최적화기를 활용하여 학습 시간을 크게 줄일 수 있다.
• 점진적 학습 전략은 최적화 작업을 분해하여 복잡성을 관리할 수 있다.