Divo: Erlernen eines stabilen und effektiven Query-Optimierers mit vielfältiger Arbeitslast

Gelerntes Query-Optimieren (LQOs) hat in den letzten Jahren bemerkenswerte Fortschritte gezeigt. Trotz wettbewerbsfähiger Leistung im Vergleich zu traditionellen Methoden haben aktuelle LQOs Schwierigkeiten, Stabilität zu bewahren und effiziente Pläne zu erzeugen, wenn sie mit Arbeitslasten mit erheblicher Diversität konfrontiert werden, was eine große Herausforderung für den Einsatz in der realen Welt darstellt. Divo ist ein gelernter Query-Optimizer, der darauf ausgelegt ist, die im Training bei diversen Arbeitslasten beobachtete Leistungsabnahme zu überwinden. Erstens schlägt Divo einen sich entwickelnden Query-Generator auf Vorlagenbasis vor, um vielfältige Abfragen für ein ausreichendes Training bereitzustellen. Durch Modifikation und Kombination von Query-Vorlagen synthetisiert der Query-Generator 3.000 informative neue Abfragen mit hoher Treue zu bestehenden Arbeitslasten. Zweitens etabliert Divo eine zweiphasige Modelltrainingspipeline, um das RL-Training mit zahlreichen im Voraus gesammelten Plänen zu verbessern. Wir sammelten über 100.000 Pläne aus öffentlichen Arbeitslasten und vielfältig generierten Abfragen, um statische Erfahrungen zu bilden, die effektiv in verschiedenen Trainingsarbeitslastkonfigurationen genutzt werden, um Divos Planerstellung durch Erweiterung zusätzlicher Komponenten zu verbessern. Drittens schlägt Divo eine diversitätsbewusste Verlustfunktion vor, um stabil von diversifizierten Eingabeabfragen zu lernen. Durch das Erlernen der Wahrscheinlichkeitsverteilungen von Latenzen handhabt Divo flexibel verschiedene Abfragen und toleriert inkonsistente wahre Latenzen aus Trainingsabfragen. Wir bewerten Divos Leistung auf PostgreSQL mit einer komplizierten gemischten Arbeitslast aus JOB, DSB, Extended JOB, Stack und generierten Abfragen, mit drei verschiedenen Trainings- und Testarbeitslastkonfigurationen, aufgeteilt nach Vorlage. Experimente zeigen Divos Vorteil bei der Gesamtausführungslatenz mit einer 1,3-fachen Beschleunigung im Vergleich zu PostgreSQL, was im Durchschnitt 14,9-fach besser ist als sechs bestehende LQOs.