Адаптивне обрізання дій: масштабування вибору індексів для невідомих робочих навантажень

Таблиця посилань

Анотація та 1. Вступ

1. Пов'язані роботи

   2.1 Традиційні підходи до вибору індексів

   2.2 Підходи до вибору індексів на основі RL

2. Проблема вибору індексів

3. Методологія

   4.1 Формулювання проблеми DRL

   4.2 Глибоке навчання з підкріпленням з урахуванням екземплярів для ефективного вибору індексів

4. Системна структура IA2

   5.1 Фаза попередньої обробки

   5.2 Фаза навчання RL та застосування

5. Експерименти

   6.1 Налаштування експерименту

   6.2 Результати експерименту

   6.3 Порівняння продуктивності від початку до кінця

   6.4 Ключові висновки

6. Висновок і майбутня робота, та посилання

6.4 Ключові висновки

Підсумовуючи наші масштабні експерименти, IA2 представляє значний прогрес у виборі індексів, перевершуючи існуючі методи в кількох ключових областях:

\ Швидка ефективність навчання: IA2 вирізняється безпрецедентною швидкістю навчання, використовуючи модель вартості "що-якби" та попередньо навчені моделі для швидкої адаптації та навчання. Ця ефективність дозволяє IA2 значно скоротити час навчання порівняно з конкурентами, що робить його дуже придатним для середовищ, де швидкість має вирішальне значення.

\ Розширене моделювання робочого навантаження: На відміну від статичних або вичерпних методів, IA2 використовує динамічне моделювання робочого навантаження, що дозволяє йому безперешкодно адаптуватися до змін у запитах та структурах бази даних. Ця гнучкість забезпечує оптимальний вибір індексів у різних сценаріях, включаючи раніше невідомі робочі навантаження.

\ Ефективне дослідження простору дій: IA2 впроваджує інноваційний підхід до обрізання та навігації простору дій, ефективно визначаючи значущі дії на ранніх етапах процесу навчання. Ця стратегія контрастує з більш ресурсоємними методами SWIRL [6] або жорсткими правилами Lan та ін. [7], пропонуючи збалансований шлях до оптимізації конфігурацій індексів без вичерпного пошуку або надмірного спрощення.

\

:::info Автори:

(1) Taiyi Wang, University of Cambridge, Cambridge, United Kingdom (Taiyi.Wang@cl.cam.ac.uk);

(2) Eiko Yoneki, University of Cambridge, Cambridge, United Kingdom (eiko.yoneki@cl.cam.ac.uk).

:::

:::info Ця стаття доступна на arxiv за ліцензією CC BY-NC-SA 4.0 Deed (Attribution-Noncommercial-Sharelike 4.0 International).

:::

\