Employing Machine Learning in Query Optimization /
توظيف تعلم الاله في امثلية الاستعلام /
by Mohammed Ramadan ; Supervision Prof. Dr. Ihab Ezzat, Prof. Dr. Hoda M. O. Mokhtar, Dr. Ayman Elkilany.
- 71 leaves : illustrations ; 30 cm. + CD.
Thesis (M.Sc)-Cairo University, 2024.
Bibliography: pages 71-66.
With the current availability of massive datasets and scalability requirements, different systems are required to provide their users with the best performance possible in terms of speed. On the physical level, performance can be translated into queries’ execution time in database management systems(DBMS). Queries have to execute efficiently (i.e. in minimum time) to meet users’ needs, which puts an excessive burden on the DBMS. In this thesis, we mainly focus on enhancing the query optimizer, which is one of the main components in DBMS that is responsible for choosing the optimal query execution plan and consequently determines the query execution time. Inspired by recent research in reinforcement learning in different domains, this thesis proposes Deep Reinforcement Learning Based Query Optimizer (RL_QOptimizer), a new approach to find the best policy for join order in the query plan which depends solely on the reward system of reinforcement learning. The experimental results show a notable advantage of the proposed approach against the existing query optimization model of PostgreSQL DBMS. However, changes in the data distribution can make trained reinforcement learning models outdated, resulting in longer execution times. To address such a challenge, the thesis also proposes an online training strategy in order to extend the existing reinforcement learning models and improve their adaptation when the data distribution changes. مع الازدياد المستمر في حجم قواعد البيانات والحاجة إلى التوسع، أصبح من الضروري تطوير أنظمة توفر أفضل أداء ممكن من حيث السرعة. على المستوى المادي، يمكن ترجمة الأداء إلى وقت تنفيذ الاستعلامات في أنظمة إدارة قواعد البيانات (DBMS). يتعين تنفيذ الاستعلامات بأعلى درجات الكفاءة، أي في أقل وقت ممكن، لتلبية المتطلبات المتزايدة للمستخدمين، الأمر الذي يفرض ضغوطاً كبيرة على أنظمة إدارة قواعد البيانات. في هذه الرسالة، نولي اهتمامًا خاصًا لتطوير وتحسين مُحسِّن الاستعلام، العنصر الأساسي في أنظمة إدارة قواعد البيانات وهو المسؤول عن انتقاء أنسب خطة لتنفيذ الاستعلامات، مما يؤثر بشكل مباشر على مدة تنفيذ هذه الاستعلامات. مستوحاة من التطورات الأخيرة في مجال التعلم المعزز (Reinforcement Learning) في مجالات مختلفة، تقترح هذه الأطروحة مُحسِّن الاستعلام القائم على التعلم المعزز العميق (RL_QOptimizer)، وهو نهج جديد يعتمد على نظام المكافآت في التعلم المعزز لتحديد أفضل طريقة لترتيب ربط الجداول في خطة الاستعلام. تُظهر النتائج التجريبية تفوقًا واضحًا للنهج المقترح مقارنةً بنموذج تحسين الاستعلام في نظام PostgreSQL DBMS. ومع ذلك، فإن التغييرات في توزيع البيانات يمكن أن تجعل نماذج التعلم المعزز المدربة قديمة، مما ينتج عنه أوقات تنفيذ أطول. لمواجهة هذا التحدي، تقترح الأطروحة أيضًا استراتيجية تدريب مباشر لتعزيز قدرات نماذج التعلم المعزز القائمة وتحسين قدرتها على التكيف مع التغيرات في توزيع البيانات.
Text in English and abstract in Arabic & English.
Machine Learning
Join Ordering Problem Query Execution Plan Query Optimization