查询是数据库系统最主要的操作,查询性能直接决定了应用程序的响应速度和用户体验.多查询并行场景下,查询之间争用或共享数据库系统资源,产生查询交互(Query Interaction,QI),是影响查询性能的主要因素,准确度量QI是为查询选择合适执行...查询是数据库系统最主要的操作,查询性能直接决定了应用程序的响应速度和用户体验.多查询并行场景下,查询之间争用或共享数据库系统资源,产生查询交互(Query Interaction,QI),是影响查询性能的主要因素,准确度量QI是为查询选择合适执行计划及提升查询性能的关键.QI随着查询中操作的执行动态变化,现有度量方法只考虑新查询加入时刻系统资源的使用情况,不考虑系统资源在查询执行过程中的变化,度量不准确.为此,本文提出查询组合时序异构图,用于描述查询组合中QI随时间的动态变化;提出时间感知多边类型权重计算模型(Time-Aware Multi-edge Type Weight Calculation,TA-MTWC),计算异构图中操作节点之间任意执行时刻的边权重,捕捉QI随时间的动态变化;提出查询组合时序异构图分类模型(Query-mix Time-series Heterogeneous Graph Classification,QTHGC),采用长短期记忆神经网络(Long Short Term Memory,LSTM)学习多个时刻图表示之间的时序关系,为并行查询选择执行计划.在PostgreSQL上的实验证明,QTHGC的平均准确率比查询优化器提高51.2%,比现有最新的QHGC模型提高2.87%.展开更多
文摘查询是数据库系统最主要的操作,查询性能直接决定了应用程序的响应速度和用户体验.多查询并行场景下,查询之间争用或共享数据库系统资源,产生查询交互(Query Interaction,QI),是影响查询性能的主要因素,准确度量QI是为查询选择合适执行计划及提升查询性能的关键.QI随着查询中操作的执行动态变化,现有度量方法只考虑新查询加入时刻系统资源的使用情况,不考虑系统资源在查询执行过程中的变化,度量不准确.为此,本文提出查询组合时序异构图,用于描述查询组合中QI随时间的动态变化;提出时间感知多边类型权重计算模型(Time-Aware Multi-edge Type Weight Calculation,TA-MTWC),计算异构图中操作节点之间任意执行时刻的边权重,捕捉QI随时间的动态变化;提出查询组合时序异构图分类模型(Query-mix Time-series Heterogeneous Graph Classification,QTHGC),采用长短期记忆神经网络(Long Short Term Memory,LSTM)学习多个时刻图表示之间的时序关系,为并行查询选择执行计划.在PostgreSQL上的实验证明,QTHGC的平均准确率比查询优化器提高51.2%,比现有最新的QHGC模型提高2.87%.
