Poda Adaptativa de Ações: Dimensionamento da Seleção de Índices para Cargas de Trabalho Desconhecidas

Tabela de Links

Resumo e 1. Introdução

1. Trabalhos Relacionados

   2.1 Abordagens Tradicionais de Seleção de Índices

   2.2 Abordagens de Seleção de Índices Baseadas em RL

2. Problema de Seleção de Índices

3. Metodologia

   4.1 Formulação do Problema DRL

   4.2 Aprendizagem por Reforço Profundo Consciente de Instância para Seleção Eficiente de Índices

4. Framework do Sistema IA2

   5.1 Fase de Pré-processamento

   5.2 Fase de Treino RL e Aplicação

5. Experiências

   6.1 Configuração Experimental

   6.2 Resultados Experimentais

   6.3 Comparação de Desempenho End-to-End

   6.4 Principais Insights

6. Conclusão e Trabalho Futuro, e Referências

6.4 Principais Insights

Resumindo as nossas experiências extensivas, o IA2 representa um avanço significativo na seleção de índices, superando os métodos existentes em várias áreas-chave:

\ Eficiência de Treino Rápida: O IA2 destaca-se pela sua velocidade de treino incomparável, aproveitando um modelo de custo hipotético e modelos pré-treinados para facilitar uma rápida adaptabilidade e aprendizagem. Esta eficiência permite ao IA2 reduzir drasticamente o tempo de treino em comparação com os concorrentes, tornando-o altamente adequado para ambientes onde a velocidade é crucial.

\ Modelação Avançada de Carga de Trabalho: Ao contrário dos métodos estáticos ou exaustivos, o IA2 emprega modelação dinâmica de carga de trabalho, permitindo-lhe adaptar-se perfeitamente a consultas e estruturas de base de dados em mudança. Esta flexibilidade garante uma seleção ótima de índices em diversos cenários, incluindo cargas de trabalho anteriormente não vistas.

\ Exploração Eficaz do Espaço de Ação: O IA2 introduz uma abordagem inovadora para poda e navegação do espaço de ação, identificando eficientemente ações significativas no início do processo de treino. Esta estratégia contrasta com as técnicas mais intensivas em recursos do SWIRL [6] ou as regras rígidas de Lan et al. [7], oferecendo um caminho equilibrado para otimizar configurações de índices sem pesquisa exaustiva ou simplificação excessiva.

\

:::info Autores:

(1) Taiyi Wang, University of Cambridge, Cambridge, Reino Unido (Taiyi.Wang@cl.cam.ac.uk);

(2) Eiko Yoneki, University of Cambridge, Cambridge, Reino Unido (eiko.yoneki@cl.cam.ac.uk).

:::

:::info Este artigo está disponível no arxiv sob a licença CC BY-NC-SA 4.0 Deed (Attribution-Noncommercial-Sharelike 4.0 International).

:::

\