Exploitation des connaissances sur les charges de travail dynamiques et hétérogènes pour améliorer la performance des conseillers d'index

Les conseillers d'index actuels peinent souvent à équilibrer efficacité et efficience lors des variations de charges de travail. Cela découle d'une ignorance de la similitude continue et de la variété lointaine dans les charges de travail. Cet article propose un conseiller d'index basé sur l'apprentissage appelé BALANCE, qui améliore la performance d'indexation en exploitant les connaissances obtenues de charges de travail dynamiques et hétérogènes. Notre approche se compose de trois composantes. Premièrement, nous construisons des Conseillers d'Index Légers (LIA) distincts sur des morceaux séquentiels de charges de travail similaires, où chaque LIA est entraîné avec un petit lot de charges de travail tirées du morceau, et fournit des recommandations directes d'index pour toutes les charges de travail du même morceau. Deuxièmement, nous effectuons un mécanisme de transfert de politique en adaptant la stratégie de sélection d'index du LIA à partir de connaissances historiques, réduisant considérablement les coûts d'entraînement. Troisièmement, nous employons une méthode d'apprentissage contrastif auto-supervisé pour fournir une représentation de charge de travail prête à l'emploi, permettant au LIA de générer des recommandations d'index plus précises. Des expériences étendues sur divers benchmarks montrent que BALANCE améliore le conseiller d'index basé sur l'apprentissage, SWIRL, de 10,03 % tout en réduisant de 35,70 % en moyenne les coûts d'entraînement.