비용 기반 또는 학습 기반?

전통적인 비용 기반 최적화기는 간단한 SQL 쿼리에 대해 최적의 계획을 생성하는 데 효율적이고 안정적이지만, 복잡한 쿼리에 대해 높은 품질의 계획을 생성하지 못할 수 있습니다. 따라서 최근에는 과거 경험을 기반으로 높은 품질의 계획을 학습할 수 있는 학습 기반 최적화기가 제안되었습니다. 그러나 학습 기반 최적화기는 훈련 샘플과 분포가 다른 동적 작업 부하에 대해서는 잘 작동하지 않습니다. 본 논문에서는 이러한 두 유형의 최적화기의 장점을 채택하고 단점을 피하는 하이브리드 최적화기를 제안하며, 먼저 각 유형의 최적화기로부터 높은 품질의 후보 계획을 생성한 다음, 그 후보들 중에서 최선의 계획을 선택합니다. 두 가지 도전 과제가 있습니다. (1) 높은 품질의 후보를 어떻게 생성할 것인가? 우리는 학습 기반 방법을 활용하여 매우 유익한 힌트를 생성하고 이 힌트를 보완하여 후보로서 완전한 계획을 생성하는 비용 기반 방법을 사용하는 힌트 기반 후보 생성 방법을 제안합니다. (2) 다양한 후보 계획을 어떻게 평가하고 최적의 계획을 선택할 것인가? 우리는 각 계획의 실행 시간 및 불확실성을 예측하는 불확실성 기반 최적 계획 선택 모델을 제안합니다. 불확실성은 실행 시간 예측의 신뢰도를 반영합니다. 우리는 불확실성 모델을 사용하여 계획을 선택합니다. 실제 데이터셋에 대한 실험 결과는 우리의 방법이 최신 최첨단 기준보다 우수하며 PostgreSQL에 비해 총 대기 시간을 25% 줄이고 꼬리 지연 시간을 65% 줄였음을 보여주었습니다.