3-AI赋能数据库查询优化：Tree Transformer排序学习突破传统瓶颈-崔鹏.pdf

1、AI 赋能数据库查询优化Tree Transformer+排序学习突破传统瓶颈开源生态大会暨开源生态大会暨PostgreSQLPostgreSQL高峰论坛高峰论坛以开源之道见致远之志标题一：智能查询优化技术标题二：基于排序学习的查询计划选择算法标题三：基于Tree Transformer的查询计划表征算法标题四：原型系统设计与实现目录CONTENTS开源生态大会暨开源生态大会暨PostgreSQLPostgreSQL高峰论坛高峰论坛以开源之道见致远之志研究背景与意义开源生态大会暨开源生态大会暨PostgreSQLPostgreSQL高峰论坛高峰论坛以开源之道见致远之志背景开源生态大会暨开源生态

2、大会暨PostgreSQLPostgreSQL高峰论坛高峰论坛以开源之道见致远之志传统查询优化器受基数传统查询优化器受基数/代价估计误差代价估计误差、树形特征提取局限树形特征提取局限，复杂查询性能不佳复杂查询性能不佳；1.核心：提出 QPR（Tree Transformer 表征）多维度提取特征，QPSLR（排序学习）建模排序而非回归；2.创新：突破传统回归范式，精准捕捉计划树依赖；3.实验：真实数据集上估计误差显著降低，查询执行效率提升 19%-49%；4.应用：PostgreSQL 原型系统落地，适配静态/动态工作负载。数据库查询优化挑战开源生态大会暨开源生态大会暨PostgreSQLPo

3、stgreSQL高峰论坛高峰论坛以开源之道见致远之志数据增长挑战随着大数据时代到来，数据规模呈爆炸式增长，数据库管理系统在处理复杂查询和高效数据检索方面面临前所未有的挑战，传统查询优化器性能受限。传统方法局限传统查询优化器依赖经验和启发式规则的基数估计器和代价模型，难以适应数据量激增和查询模式变化，可能选择效率低的执行计划。AI技术的机遇开源生态大会暨开源生态大会暨PostgreSQLPostgreSQL高峰论坛高峰论坛以开源之道见致远之志AI赋能方向Part 01人工智能技术，尤其是机器学习和深度学习的发展，为数据库查询优化提供新途径，“AI4DB”成为研究热门领域。研究热点Part 02利

4、用机器学习改进传统查询优化器的研究活跃，多种机器学习技术被应用于查询优化，如基数估计、代价模型和计划枚举等方面。传统查询优化技术开源生态大会暨开源生态大会暨PostgreSQLPostgreSQL高峰论坛高峰论坛以开源之道见致远之志传统优化策略开源生态大会暨开源生态大会暨PostgreSQLPostgreSQL高峰论坛高峰论坛以开源之道见致远之志执行流程对于给定SQL查询，查询优化器通过计划枚举生成多个等价执行计划，利用基数估计器估计中间结果大小，依据代价模型选择预期代价最低的计划执行。优化器核心查询优化器是数据库管理系统的关键部件，负责将用户查询请求转换为高效执行计划，主要通过计划枚举、基数

5、估计和代价模型来实现。0102传统方法局限开源生态大会暨开源生态大会暨PostgreSQLPostgreSQL高峰论坛高峰论坛以开源之道见致远之志01基数估计方法分为基于摘要和基于采样两类，但都存在不足。基于摘要的方法难以捕捉数据相关性，基于采样的方法性能依赖采样策略且需额外存储开销。基数估计问题02传统代价模型依赖预设常数，其准确性受基数估计影响，且查询计划代价估计与实际执行时间不一定呈线性关系，可能导致选择的执行计划质量不佳。代价模型缺陷03计划枚举策略旨在寻找最优连接顺序，但该问题是NP难题。传统方法如动态规划、记忆化搜索和遗传算法存在受基数估计和代价模型误差、搜索空间规则及处理多表连接

6、能力限制等问题。计划枚举限制查询优化器开源生态大会暨开源生态大会暨PostgreSQLPostgreSQL高峰论坛高峰论坛以开源之道见致远之志查询优化器是数据库管理系统（DBMS）的核心组件，负责生成高效的查询执 行计划。它主要由基数估计、代价模型和计划枚举这三个核心模块组成。PostgreSQL查询优化器开源生态大会暨开源生态大会暨PostgreSQLPostgreSQL高峰论坛高峰论坛以开源之道见致远之志查询优化器的核心任务是制定出一个最佳的执行计划。实际上，一个给定的 SQL 查询可以有多种执行方式，而这些不同的方式都会产生同样的结果集。查询优化器需要对所有可能的执行计划进行评估，以选出