رویکردهای یادگیری ماشین در بهینه سازی پرس وجو در پایگاه داده های توزیع شده

بهینه سازی پرس وجو یکی از ارکان اصلی کارایی در سیستم های پایگاه داده است که با انتخاب موثرترین طرح اجرایی از میان فضای جستجویی بسیار گسترده، سرعت اجرای پرس وجوهای SQL را تعیین می کند. در پایگاه داده های توزیع شده، این مسئله به دلیل هزینه های ارتباطات شبکه، نحوه بخش بندی و جای گذاری داده، الحاق های میان گره ای و ناهمگونی زیرساخت های ذخیره سازی پیچیده تر می شود. بهینه سازهای سنتی مبتنی بر هزینه، که بر تخمین کاردینالیتی متکی اند، در سناریوهای شامل الحاق های چندگانه و ویژگی های همبسته با خطاهای قابل توجهی مواجه شده و در نتیجه به انتخاب طرح های غیربهینه و کاهش سرعت اجرا منجر می شوند. در این زمینه، یادگیری ماشین به عنوان رویکردی تحول آفرین برای بهبود دقت تخمین و افزایش کارایی اجرایی مطرح شده است. این مقاله مروری، کاربرد روش های یادگیری ماشین در بهینه سازی پرس وجو در محیط های توزیع شده را بررسی کرده و تمرکز ویژه ای بر نقش یادگیری تقویتی در ترتیب دهی الحاق و انتخاب طرح اجرایی دارد. شش دسته رویکرد شامل تخمین کاردینالیتی با یادگیری عمیق، مدل های هزینه عصبی، یادگیری تقویتی، الگوریتم های ژنتیک، بهینه سازی بیزی برای تنظیم پایگاه داده و روش های مبتنی بر مدل های زبانی بزرگ تحلیل شده اند. سامانه هایی نظیر Neo، Bao، Balsa، Lero، LEON، LOGER، SkinnerDB و FOSS در بنچ مارک Join Order Benchmark بهبود سرعتی بین ۱.۵ تا ۲.۸ برابر نسبت به PostgreSQL گزارش کرده اند که نشان دهنده ظرفیت عملی این رویکردها در کاهش زمان اجرای پرس وجو است. با این حال، ارزیابی های نقادانه حاکی از آن است که علی رغم دستاوردهای قابل توجه در بهبود سرعت، این روش ها هنوز تحت چارچوب های ارزیابی استاندارد به طور نظام مند از بهینه سازهای سنتی پیشی نگرفته اند.

کلیدواژه ها:

بهینه سازی پرس وجو ، پایگاه داده های توزیع شده ، یادگیری تقویتی ، یادگیری ماشین ، تخمین کاردینالیتی