一种基于Listwise排序学习的数据库查询器优化方法技术

本发明专利技术属于信息检索技术领域，具体涉及一种基于Listwise排序学习的数据库查询器优化方法。该方法引入列表排序来捕获所有候选计划的相对顺序，让它们与执行计划的实际计算成本的顺序保持一致。本发明专利技术设计了一种使用基于代价排序的损失函数进行训练的深度神经网络，应用基于树的卷积神经网络(TBCNN)来捕获执行计划的树结构特征以用于后续的排序任务，此外，还结合了掩码技术对计划枚举模块输出的候选计划进行编码，以增强模型的鲁棒性，让模型能够快速适应工作负载漂移和数据漂移。

【技术实现步骤摘要】

本专利技术属于信息检索，具体涉及一种基于listwise排序学习的数据库查询器优化方法。

技术介绍

1、在数据库管理系统领域中，有一种针对用户的sql查询语句进行内部优化的任务，称作查询优化器。查询优化器旨在从一个较大的执行计划空间中寻找最优的执行计划，其最小化了用户查询的执行时间和资源利用，同时最大化了系统的总体效率。

2、传统的查询优化器利用一组启发式的规则并使用基于代价的优化技术来生成执行计划，它们首先依赖于一组预定义的规则，这些规则规定了如何优化查询，然后根据数据统计信息(例如表大小、索引统计信息和数据分布信息)来估计不同执行计划的代价，然后选择代价估计最低的执行计划。然而，由于传统的基数估计经常做出简化的假设，因为每列都有均匀分布的值，导致计划不理想，并且可能会难以应对非常复杂的查询或数据分布快速变化的场景。此外，代价模型严重依赖基数估计，它估计查询中涉及的每个表中不同值的数量。代价模型的参数也很难确定，通常需要经验丰富的dba手动干预。

3、深度学习模型可以从数据中学习复杂的模式和关系，使它们能够适应各种查询模式和数据分本文档来自技高网...

【技术保护点】

1.一种基于Listwise排序学习的查询优化器优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于Listwise排序学习的数据库查询器优化方法，其特征在于，所述将每个物理执行算子节点编码为向量节点的方法是，对物理算子信息、谓词信息、基数估计信息、操作表的属性信息和操作的表信息进行编码。

3.根据权利要求1所述的一种基于Listwise排序学习的数据库查询器优化方法，其特征在于，所述采用树卷积网络从查询计划树中提取节点特征和结构特征的方法是，利用多层树卷积在每个查询计划树上滑动一组三角滤波器，提取树结构中不同节点之间的父子关系。

4...

【技术特征摘要】

1.一种基于listwise排序学习的查询优化器优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于listwise排序学习的数据库查询器优化方法，其特征在于，所述将每个物理执行算子节点编码为向量节点的方法是，对物理算子信息、谓词信息、基数估计信息、操作表的属性信息和操作的表信息进行编码。

3.根据权利要求1所述的一种基于listwis...

【专利技术属性】
技术研发人员：席瑞，陈雪，颜子涵，刘威，刘昱博，侯孟书，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：