EXPERIMENTAL STUDY OF THE EFFECTIVENESS OF ALGORITHMS FOR REPEATED QUERY OPTIMIZATION IN CLOUD DATABASES BASED ON COMPUTER TRAINING

Abstract

В облачных средах конфигурация оборудования, использование данных, и распределение рабочей нагрузки постоянно меняются. Эти изменения затрудняют оптимизатору запросов системы управления облачными базами данных подобрать оптимальный план выполнения запроса. Чтобы оптимизировать запрос с более точной оценкой затрат, в литературе было предложено во время выполнения запроса осуществлять повторную оптимизацию запроса. Тем не менее, некоторые из этих оптимизаций не могут обеспечить прирост производительности с точки зрения времени ответа на запрос или денежных затрат, которые являются двумя целями оптимизации для облачных баз данных, и могут оказывать негативное влияние на производительность из-за накладных расходов. Это поднимает вопрос о том, как определить, когда оптимизация выгодна. Целью является сравнительное исследование метода повторной оптимизации запросов, который использует компьютерное обучение. Ключевая идея алгоритма заключается в использовании прошлых выполнений запросов, чтобы научиться прогнозировать эффективность повторной оптимизации запросов, и делается это с целью помочь оптимизатору запросов избежать ненужной повторной оптимизации запросов для будущих запросов. Метод осуществляет запрос поэтапно, используя модель компьютерного обучения, для прогнозирования того, будет ли повторная оптимизация запроса полезной после выполнения этапа, и вызывает оптимизатор запросов для автоматического выполнения повторной оптимизации. In cloud environments, hardware configuration, data usage, and workload distribution are constantly changing. These changes make it difficult for the query optimizer of the cloud database management system to choose the optimal query execution plan (QEP). In order to optimize the query with a more accurate cost estimate, it was proposed in the literature to perform a second optimization of the query during the execution of the query. However, some of these options may not provide performance gains in terms of query response time or monetary costs, which are two optimization goals for cloud databases, and may have a negative impact on performance due to overhead. This raises the question of how to determine when optimization is beneficial. The purpose is a comparative study of the method of repeated query optimization, which uses computer learning. The key idea of algorithm is to use past query executions to learn how to predict the effectiveness of query re-optimization, and this is done in order to help the query optimizer avoid unnecessary re-optimization of queries for future queries. The method executes the query step by step, using a computer learning model, to predict whether repeated query optimization will be useful after the stage is completed, and calls the query optimizer to automatically perform repeated optimization.