Plan-Structured Deep Neural Network Models for Query Performance Prediction

这篇文章提出了一个基于深度学习的查询性能预测方法，旨在准确预测数据库中查询的执行时间。查询性能预测是一个复杂的问题，与基数估计（CE）、成本模型（CM）和性能估计（PE）密切相关。传统的查询优化器依赖于人工设计的特征和成本模型来预测查询的执行时间，但这些方法往往无法准确捕捉查询操作符之间的复杂交互，尤其是在面对复杂的查询执行计划时。

文章的核心思想是利用深度学习技术，通过为每个查询操作符设计一个神经网络单元（neural unit），并将这些单元按照查询执行计划的树形结构组合起来，形成一个整体的神经网络模型。这种模型能够自动学习操作符的性能特征以及它们之间的交互，而无需人工设计特征。在查询执行计划的树形结构中，每个节点代表一个操作符，节点之间的父子关系反映了操作符之间的依赖关系。文章指出，查询执行计划具有分支隔离的特性，即一个操作符的性能只影响其祖先节点，而不会影响其兄弟节点。这种特性使得可以独立地建模每个操作符的性能，并将它们组合成一个整体的查询性能预测模型。

在训练阶段，模型会使用大量的查询执行计划及其实际执行时间作为训练数据。对于每个查询执行计划，模型会计算每个节点的预测延迟，并将其与实际延迟进行比较，以调整模型的参数。通过这种方式，模型能够学习到每个操作符的性能特征，以及这些特征如何影响父节点的性能。在推理阶段，模型会从叶子节点开始，根据输入的特征（如表的谓词、索引信息等）预测每个操作符的延迟，并将这些延迟信息逐层向上传递，最终在根节点得到整个查询的预测延迟。

此外，文章还提出了一些优化方法来加速模型的训练过程，例如通过信息共享和批量处理来减少计算开销。这些优化方法对于实际应用非常重要，因为它们能够显著降低模型的训练时间。总体而言，这种方法为查询性能预测提供了一种新的思路，通过利用深度学习的强大能力，能够更准确地预测查询的执行时间，从而为数据库管理系统中的资源管理和查询调度提供更好的支持。