000			05446namaa22004331i 4500
003			OSt
005			20250612113334.0
008			250503s2024 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a005.31
092			_a005.31 _221
097			_aM.Sc
099			_aCai01.20.04.M.Sc.2024.Mo.E
100	0		_aMohammed Ramadan, _epreparation.
245	1	0	_aEmploying Machine Learning in Query Optimization / _cby Mohammed Ramadan ; Supervision Prof. Dr. Ihab Ezzat, Prof. Dr. Hoda M. O. Mokhtar, Dr. Ayman Elkilany.
246	1	5	_aتوظيف تعلم الاله في امثلية الاستعلام /
264		0	_c2024.
300			_a71 leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2024.
504			_aBibliography: pages 71-66.
520			_aWith 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 However, changes in the data distribution can make trained reinforcement learning models outdated, resulting in longer execution times.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.
520			_aمع 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.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		7	_aMachine Learning _2qrmak
653		0	_aJoin Ordering Problem _aQuery Execution Plan _aQuery Optimization
700	0		_aIhab Ezzat _ethesis advisor.
700	0		_aHoda M. O. Mokhtar _ethesis advisor.
700	0		_aAyman Elkilany _ethesis advisor.
900			_b01-01-2024 _cIhab Ezzat _cHoda M. O. Mokhtar _cAyman Elkilany _UCairo University _FFaculty of Computers and Artificial Intelligence _DDepartment of Information Systems
905			_aShimaa _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c171832