Нейронные оптимизаторы запросов в реляционных базах данных

Чем сложнее запрос — тем больше вариантов его исполнения внутри системы. Для снижения вариативности используются эмпирические правила, они сокращают пространство поиска на несколько порядков. Но с такими правилами есть риск отсечь оптимальный план выполнения запроса. 

С развитием ML появляются новые решения при работе над оптимизацией выполнения запроса — нейронные оптимизаторы, которые сами находят закономерности в выполнении сложных планов. 

В статье на Хабре — о трех таких решениях: 

✔️MSCN (2018) — модель для оценки кардинальности запросов; 

✔️DQN (2018) — модель построения плана выполнения запроса; 

✔️NEO (2019) — end-to-end-подход, объединивший в себе как обучаемую функцию оценки скорости выполнения заданного плана, так и само его построение

🔥Это первая часть разбора нейронных оптимизаторов, позже продолжим рассказывать о решениях, следите за обновлениями.

Читать статью