рус eng
«ИЗВЕСТИЯ ИРКУТСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА». СЕРИЯ «МАТЕМАТИКА»
«IZVESTIYA IRKUTSKOGO GOSUDARSTVENNOGO UNIVERSITETA». SERIYA «MATEMATIKA»
«THE BULLETIN OF IRKUTSK STATE UNIVERSITY». SERIES «MATHEMATICS»
ISSN 1997-7670 (Print)
ISSN 2541-8785 (Online)

Список выпусков > Серия «Математика». 2025. Том 52

Адаптивная стоимостная модель для оптимизации запросов

Автор(ы)
Н. К. Василенко1, А. В. Демин1, Д. К. Пономарев1

1Институт систем информатики им. А. П. Ершова СО РАН, Новосибирск, Российская Федерация

Аннотация
Рассматривается важная компонента традиционных оптимизаторов запросов в базах данных — стоимостная модель, которая используется для оценки ожидаемой эффективности планов исполнения запросов. Точность модели непосредственно влияет на оптимальность планов, выбираемых оптимизатором, и, как следствие, на итоговую скорость исполнения запросов. Несколько параметров стоимостной модели в современных СУБД, как правило, связаны с производительностью ЦПУ и скоростью ввода/вывода хранения данных и обычно задаются администратором СУБД при настройке системы. Однако эти параметры производительности нестабильны во времени, и потому оценка в отдельной точке может не быть оптимальной для всех режимов работы БД. Предлагаеся адаптивная стоимостная модель (ACM), которая позволяет динамически оптимизировать параметры стоимости планов, связанные с ЦПУ и хранилищем, во время работы БД. Модель непрерывно анализирует статистику исполнения запросов и состояние буферного кэша СУБД и динамически выставляет значение соответствующих параметров стоимости планов без необходимости ручного вмешательства со стороны администратора. Это позволяет адаптироваться к изменениям в нагрузке на систему и выбирать более оптимальные планы для запросов. Описываются основные идеи в реализации ACM и приводятся результаты предварительных экспериментов, показывающих 20
Об авторах

Василенко Никита Константинович, аспирант, Институт систем информатики им. А. П. Ершова СО РАН, Новосибирск, 630090, Российская Федерация

Демин Александр Викторович, канд. физ.-мат. наук, Институт систем информатики им. А. П. Ершова СО РАН, Новосибирск, 630090, Российская Федерация, alexandredemin@yandex.ru

Пономарев Денис Константинович, канд. физ.-мат. наук, Институт систем информатики им. А. П. Ершова СО РАН, Новосибирск, 630090, Российская Федерация, ponom@iis.nsk.su

Ссылка для цитирования
Vasilenko N. K, Demin A. V, Ponomaryov D. K Adaptive Cost Model for Query Optimization // Известия Иркутского государственного университета. Серия Математика. 2025. Т. 52. C. 137–152. https://doi.org/10.26516/1997-7670.2025.52.137
Ключевые слова
оптимизация запросов, стоимостная модель, онлайн машинное обучение
УДК
518.517
MSC
68T05, 68P15
DOI
https://doi.org/10.26516/1997-7670.2025.52.137
Литература
  1. Akdere M., Cetintemel U., Riondato M., Upfal E., Zdonik S. B. Learningbased query performance modeling and prediction. Proc. IEEE 28th International Conference on Data Engineering, 2012, pp. 390–401.
  2. Dutt A., Wang C., Nazi A., Kandula S., Narasayya V., Chaudhuri S. Selectivity estimation for range predicates using lightweight models. Proc. VLDB Endowment, 2019, vol. 12, pp. 1044–1057.
  3. Halford M., Saint-Pierre P., Morvan F. Selectivity correction with online machine learning. arXiv e-prints, Sept. 2020, arXiv:2009.09884.
  4. Hasan S., Thirumuruganathan S., Augustine J., Koudas N., Das G. Deep learning models for selectivity estimation of multi-attribute queries. Proc. ACM SIGMOD International Conference on Management of Data, New York, USA, 2020, pp. 1035– 1050.
  5. Kanellis K., Alagappan R., Venkataraman S. Too many knobs to tune? Towards faster database tuning by pre-selecting important knobs. Proc. 12th USENIX Conference on Hot Topics in Storage and File Systems (HotStorage), USA, 2020.
  6. Kipf A., Kipf T., Radke B., Leis V., Boncz P., Kemper A. Learned Cardinalities: Estimating Correlated Joins with Deep Learning. arXiv e-prints, Sept. 2018, arXiv:1809.00677.
  7. Lan H., Bao Z., Peng Y. A Survey on Advancing the DBMS Query Optimizer: Cardinality Estimation, Cost Model, and Plan Enumeration. arXiv e-prints, Jan. 2021, arXiv:2101.01507.
  8. Leis V., Radke B., Gubichev A., Mirchev A., Boncz P., Kemper A., Neumann T. Query optimization through the looking glass, and what we found running the join order benchmark. VLDB Journal, 2018, vol. 27, pp. 643—668.
  9. Li G., Zhou X., Li S., Gao B. Qtune: a query-aware database tuning system with deep reinforcement learning. Proc. VLDB Endowment, 2019, vol. 12, pp. 2118–2130.
  10. Marcus R., Negi P., Mao H., Zhang C., Alizadeh M., Kraska T., Papaemmanouil O., Tatbul N. Neo: a learned query optimizer. Proc. VLDB Endowment, 2019, vol. 12, pp. 1705–1718.
  11. Poess M., Nambiar R. TPC H benchmark standard specification. URL: https://www.tpc.org/tpc_documents_current_versions/pdf/tpc-h_v2.17.1.pdf
  12. Trummer I. DB-BERT: a Database Tuning Tool that “Reads the Manual”. arXiv e-prints, Dec. 2021, arXiv:2112.10925.
  13. Van Aken D., Pavlo A., Gordon G.J., Zhang B. Automatic database management system tuning through large-scale machine learning. Proc. ACM International Conference on Management of Data, New York, USA, 2017, pp. 1009–1024.
  14. Wu W., Chi Y., Zhu S., Tatemura J., Hacigumus H., Naughton J. F. Predicting query execution time: Are optimizer cost models really unusable? Proc. IEEE 29th International Conference on Data Engineering, 2013, pp. 1081–1092.
  15.  Zhang J., Liu Y., Zhou K., Li G., Xiao Z., Cheng B., Xing J., Wang Y., Cheng T., Liu L., Ran M., Li Z. An end-to-end automatic cloud database tuning system using deep reinforcement learning. Proc. International Conference on Management of Data, New York, USA, 2019, pp. 415—432.
  16. Zhu R., Chen W., Ding B., Chen X., Pfadler A., Wu Z., Zhou J. Lero: A learning-to-rank query optimizer. Proc. VLDB Endowment, 2023, vol. 16, pp. 1466–1479.

Полная версия (english)