Preparation-For-MIT6.824
refs:
All articles on this blog are licensed under CC BY-NC-SA 4.0 unless otherwise stated.
Related Articles
2023-03-04
Paper Reading: On the Calculation of Optimality Ranges for Relational Query Execution Plans
笔记 最优范围的目的 ：指出何时最优计划仍然最优。 最优范围计算的步骤： 1.搜索到估计最优计划： 三个子步骤 2.枚举可替代的计划 ：用动态规划算法（我记得书上动态规划算法是用在枚举仅有连接和选择的查询里，枚举出最优连接次序）得到的 表（由计划类组成，每个计划类有相同属性） ，用此表来枚举可替代的计划，基于最优子结构的特性，但是这样只能枚举一个计划类的包含最优子计划的替代计划。但是此算法需要考虑所有可能的计划类，不只是包含（依赖于）DPC 的算法，需要用剪枝算法，需要考虑不止包含最优子计划的可替代计划 第二个基石：OPC（Optimal Plan Container） 用于 算法2（剪枝算法） 得到较少的可替代计划集合。剪枝 3.计算最优计划的最优范围： 给定一个成本函数（也可以是非线性函数），$C_{out}$等线性函数可以，（ 第一个基石） 根据该成本函数得到最优计划关于某个 待求最优范围 的子计划的 PCFs ，将其与 可替代计划的PCFs求得交叉点，用于算法1计算得到紧致的最优范围。 最优范围的计算： 通过查询优化时的 动态规划枚举算法 ，得到 最优计划 和 维...
2023-03-04
Paper Reading: Robustness metrics for relational query execution plans
笔记本篇文章的两个核心内容： “three novel metrics for the robustnes” (Florian Wolf 等, 2018, p. 1360)：三个健壮性指标（关于基数估计误差），用于衡量qep的健壮性。适用性很强： “all kinds of operators, operator implementations, query execution plan trees, and monotonically increasing and differentiable cost function” (Florian Wolf 等, 2018, p. 1361) 支持各种运算，运算的物理实现，查询执行计划树以及单调递增和可微分的代价函数 “a novel plan selection strategy that takes both, estimated cost and estimated robustness into account, when choosing a plan for execution” (Florian Wolf 等, 2018...
2023-03-04
Paper Reading: Plan Stitch: Harnessing the Best of Many Plans
Title“Plan Stitch: Harnessing the Best of Many Plans” (Ding 等, 2018, p. 1123) 【 计划缝合：利用众多计划的精华/最优 两个关键点： 缝合 精华/最优 对本科毕设的最后一步或许有帮助：基于Plan模版进行拼接和修改。】 Abstract“ABSTRACT” (Ding 等, 2018, p. 1123) 【摘要：背景：查询优化器选择一个非最优的查询执行计划，会导致查询性能的下降。现如今的商业 DBMS 会选择使用 Reversion-based plan correction 来解决该问题。其原理是在检测到出现查询性能降低时，重新纠正——使用之前仍然有效且具有最低执行代价的旧计划。 真正的发现：RBPC 的基本原理使得其风险很小，但是忽略了更加有效的优化方式——**从之前执行计划的高效 *子计划* 中获得潜在价值的信息！**这会比单独旧的执行计划 代价更低。 研究成果：在 Microsoft SQL Server 之上实现 Plan Stitch 方法，经过 TPC-DS 测试，显...
2023-03-04
Paper Reading: How good are query optimizers, really?
Title“How Good Are Query Optimizers, Really?” (Leis 等, 2015, p. 204) 「查询优化器到底有多好？大概就是通过比较查询优化器的有无时，查询执行的性能，来得到查询优化器对性能提升的程度」 Abstract“ABSTRACT” (Leis 等, 2015, p. 204) 「摘要： Background：找到好的连接次序，对于查询性能的提升很重要 Why：引入 JOB，并使用复杂、真实的查询在传统优化器架构下 实验性地 测试优化器的主要组件。 What：如上，就是测试优化器的主要组件： 基数估计器 代价模型 计划枚举技术：穷举动态规划算法和启发性算法 How：通过引用 Join Order Benchmark，使用复杂真实多连接的查询 Novelty：引入JOB新的基准测试？ Conclusion： cardinality estimators：所有的都会出现大错误，并且如果查询引擎过于依赖他们，查询性能将不会很好 cost model：比 Cardinality estimator 对于查询性能的影响小 plan...
Comments
