Élagage d'action adaptatif : Mise à l'échelle de la sélection d'index pour des charges de travail inédites

Table des liens

Résumé et 1. Introduction

1. Travaux connexes

   2.1 Approches traditionnelles de sélection d'index

   2.2 Approches de sélection d'index basées sur le RL

2. Problème de sélection d'index

3. Méthodologie

   4.1 Formulation du problème DRL

   4.2 Apprentissage par renforcement profond sensible aux instances pour une sélection d'index efficace

4. Cadre système d'IA2

   5.1 Phase de prétraitement

   5.2 Phase d'entraînement et d'application RL

5. Expériences

   6.1 Configuration expérimentale

   6.2 Résultats expérimentaux

   6.3 Comparaison des performances de bout en bout

   6.4 Observations clés

6. Conclusion et travaux futurs, et Références

6.4 Observations clés

En résumant nos expériences approfondies, IA2 représente une avancée significative dans la sélection d'index, surpassant les méthodes existantes dans plusieurs domaines clés :

\ Efficacité d'entraînement rapide : IA2 excelle avec sa vitesse d'entraînement inégalée, tirant parti d'un modèle de coût hypothétique et de modèles pré-entraînés pour faciliter une adaptabilité et un apprentissage rapides. Cette efficacité permet à IA2 de réduire considérablement le temps d'entraînement par rapport aux concurrents, le rendant hautement adapté aux environnements où la vitesse est cruciale.

\ Modélisation avancée de la charge de travail : Contrairement aux méthodes statiques ou exhaustives, IA2 utilise une modélisation dynamique de la charge de travail, lui permettant de s'adapter de manière transparente aux requêtes et structures de bases de données changeantes. Cette flexibilité garantit une sélection d'index optimale dans divers scénarios, y compris des charges de travail jamais rencontrées auparavant.

\ Exploration efficace de l'espace d'action : IA2 introduit une approche innovante pour élaguer et naviguer dans l'espace d'action, identifiant efficacement les actions significatives dès le début du processus d'entraînement. Cette stratégie contraste avec les techniques plus gourmandes en ressources de SWIRL [6] ou les règles rigides de Lan et al. [7], offrant une voie équilibrée pour optimiser les configurations d'index sans recherche exhaustive ni simplification excessive.

\

:::info Auteurs :

(1) Taiyi Wang, University of Cambridge, Cambridge, Royaume-Uni (Taiyi.Wang@cl.cam.ac.uk) ;

(2) Eiko Yoneki, University of Cambridge, Cambridge, Royaume-Uni (eiko.yoneki@cl.cam.ac.uk).

:::

:::info Cet article est disponible sur arxiv sous licence CC BY-NC-SA 4.0 Deed (Attribution-Noncommercial-Sharelike 4.0 International).

:::

\