[发明专利]面向云边端协同查询的深度学习代价估计系统、方法及设备

权利要求书

1.面向云边端协同查询的深度学习代价估计系统，其特征在于，所述系统包括输入数据单元和面向云边端协同查询的深度学习代价估模型：

所述输入数据单元基于云边端系统的元数据和协同逻辑查询计划信息，以云边端系统的系统节点元信息和协同查询计划树确定面向云边端协同查询的深度学习代价估计模型的模型输入；

所述面向云边端协同查询的深度学习代价估计模型包括查询计划特征提取单元和图卷积信息融合单元；

查询特征提取单元：接收协同查询计划树编码作为输入，采用残差连接的m个树卷积模块，对协同查询计划树编码进行特征融合和特征提取；提取出长度为1×F′_n的特征向量后，将该向量沿axis＝0轴复制N次，形成N个长度为1×F′_n的特征向量，其中第i个特征向量对应着云边端系统中的一个云/边/端物理节点i；然后，对于每个云/边/端物理节点i，根据它所实际执行的数据库关系操作op，对第i个特征向量中对应于操作op的部分进行保留，其余部分使用mask操作置为0，得到最终的针对每个云/边/端节点的查询计划特征F'；

图卷积信息融合单元：接收系统节点元信息中对应的N×N邻接矩阵和N×F特征矩阵，分别记为邻接矩阵N和特征矩阵F；

然后将查询计划特征F'与特征矩阵F拼接为融合特征矩阵F'-F，再使用基于谱方法的图卷积神经网络对邻接矩阵N和融合特征矩阵F'-F进行特征提取，最后将提取结果按行展开为一维向量，经过两层全连接神经网络后输出最终的代价估计结果。

2.根据权利要求1所述的面向云边端协同查询的深度学习代价估计系统，其特征在于，所述系统节点元信息包括系统节点拓扑结构信息和各节点元数据特征；

系统节点拓扑结构信息被看作无向图，并编码为一个N×N的邻接矩阵，N为云、边、端对应的节点总数，矩阵中的元素表示两个节点之间的网络带宽Gbps；

各节点元数据特征为一个N×F的矩阵，F为元数据维度，单个节点的元数据包括静态元数据，以及节点计算负载和节点I/O负载；

所述的静态元数据包括：节点类型，节点型号，节点剩余电量，节点执行采样、过滤、聚集、选择等数据操作的能耗代价，节点计算能力，节点存储容量。

3.根据权利要求2所述的面向云边端协同查询的深度学习代价估计系统，其特征在于，所述静态元数据中的节点类型、节点型号以one-hot编码形式设置；节点剩余电量仅对端节点有效，其余类型节点此值为0；节点执行采样、过滤、聚集、选择等数据操作的能耗代价仅对端节点有效，其余类型节点此值为0。

4.根据权利要求2或3所述的面向云边端协同查询的深度学习代价估计系统，其特征在于，所述协同查询计划树分为拓扑结构和节点特征两部分进行编码：

协同查询计划树分为拓扑结构为二叉树结构，各节点编码按照树的层序遍历顺序依次拼接；

节点特征的节点特征由节点信息的编码组成；所述的节点信息包括：节点类型的one-hot编码，操作涉及到的表，操作涉及到的索引类型，操作涉及到的谓词，节点的基数估计结果。

5.根据权利要求4所述的面向云边端协同查询的深度学习代价估计系统，其特征在于，所述节点信息的编码如下：

节点类型为one-hot编码；操作涉及到的表为one-hot编码；操作涉及到的索引类型为one-hot编码；操作涉及到的谓词为one-hot编码；节点的基数估计结果为整数值。

6.基于面向云边端协同查询的深度学习代价估计方法，其特征在于，包括以下步骤：

获取用户的查询语句后，利用数据库技术将用户输入的SQL查询语句解析为查询计划树，并生成协同查询计划树的向量树编码；

然后分析执行查询计划树中各算子的物理节点，生成Mask矩阵；

基于权利要求1至5之一所述的面向云边端协同查询的深度学习代价估计系统预测查询的代价；

进行实际查询并生成实际代价；云边端系统收集查询的实际代价，并将数据对保存到数据库中；所述数据对是指面向云边端协同查询的深度学习代价估计模型的模型输入与实际代价构成的数据对。