Классика баз данных - статьи
Хотя сегодняшние оптимизаторы запросов автоматически
Хотя сегодняшние оптимизаторы запросов автоматически определяют наилучший способ обработки декларативного SQL-запроса (запроса, в котором указывается только то, какие данные желательны), они делают это с помощью сложной математической модели, основанной на многих допущениях и параметрах. Идеи самонастраивающейся оптимизации запросов, кратко изложенные в данной статье, привели к реализации LEO. Путем самопроверки этих предположений и параметров с использованием информации обратной связи, накопленной по итогам выполнения предыдущих запросов, LEO представляет собой важный шаг к повышению качества оптимизации запросов и уменьшению потребности в «настройке» наиболее дорогостоящих проблемных запросов. В существующем прототипе LEO поддерживается замедленное изучение мощностей результатов обращений к таблицам и простых предикатов [18], при этом демонстрируется значительное увеличение производительность и низкие накладные расходы на мониторинг, составляющие менее 4% от общего времени выполнения запроса.
В будущем мы планируем завершить компонент замедленного обучения прототипа LEO, добавив к нему средства агрегирования и обобщения собранной информации, установив убедительные способы выявления и обобщения случаев корреляции между предикатами, оценив преимуществ использования LEO на реальном наборе пользовательских запросов и распространив подход LEO на параметры, отличные от мощности промежуточных результатов. Кроме того, мы выполняем реализацию компонента безотлагательного обучения для того, чтобы проанализировать и обосновать эффективность этого прогрессивного подхода к оптимизации запросов.
