学习查询的超优化
摘要：学术传统查询优化器的设计目标是快速和无状态的：每个查询都使用近似统计数据进行快速优化，发送给执行引擎，并立即忘记。最近的学术研究表明，查询优化器可以“从错误中学习”，在下一次产生计划时纠正错误的查询计划。但是，如果查询优化器能够完全避免错误呢？本文提出了学习式查询超级优化的概念。新一代的查询超级优化器可以使用基于探索的算法、迭代贝叶斯优化和程序综合自主实验，以发现最佳计划。虽然这种超级优化器将花费更长的时间来优化给定的查询，但超级优化器有潜力大大加速目前在数据系统上执行的大量重复查询。
作者：Ryan Marcus
论文ID：2303.15308
分类：Databases
分类简称：cs.DB
提交时间：2023-07-12