기계 학습을 이용한 질의 최적화기의 비용 예측 모델 개선 연구 = Improving Cost Prediction Models for Query Optimizers Using Machine Learning

국문 초록 (Abstract)

데이터베이스 관리 시스템(DBMS)의 질의 최적화기는 사용자 질의에 적합한 실행 계획을 선정하는 핵심 요소이다. 전통적인 방식은 간단한 추측과 고정된 매개변수를 기반으로 비용을 예측하지만, 이는 실제 실행 비용과 크게 다를 수 있다. 이와 같은 문제점을 극복하기 위해 학습 기반의 질의 최적화 방법들이 연구되어 왔다. 이 논문에서는 일반적인 데이터 환경에서 학습 기반의 비용 예측 모델에 적용한 방법을 우선 소개한다. 이후, 실제 상용 질의 최적화기에 구현하여 TPC-H 벤치마크 하에서의 질의 실행 시간을 더욱 줄일 수 있음을 보였고, 추후 개선 사항에 대해 논의한다.

다국어 초록 (Multilingual Abstract)

The query optimizer of a Database Management System (DBMS) is a pivotal component responsible for selecting an optimal execution plan for user queries. Conventional methodologies often employ simplistic heuristics and rigid parameters to estimate costs, leading to potential disparities with actual execution costs. To address these challenges, research has explored learning-based query optimization techniques. In this paper, we introduce an approach that utilizes learning-based cost prediction models within a diverse data landscape. Furthermore, we showcase its integration into a commercial query optimizer, which yields enhanced query execution times based on the TPC-H benchmark. Additionally, we deliberate on prospective avenues for further refinement and improvement.