[发明专利]一种基于树注意力和基数感知的查询优化方法及存储介质

说明书

本发明涉及数据库查询领域，提供了一种基于树注意力和基数感知的查询优化方法及存储介质。主旨在于解决目前的技术方案没有考虑查询优化中基数这一最为关键的影响因素，导致了长期代价的计算不准确的问题。主要方案包括数据收集，在数据库中随机生成查询语句并执行，获得其查询执行时间；DQN模型训练，利用步骤1中所收集的数据训练DQN中包含状态特征网络、动作特征网络和基数特征网络的q‑network，得到DQN模型；DQN模型应用，对于一条查询语句，使用步骤2中训练得到的DQN模型分别计算长期奖励，选择长期奖励最大的值即可选择最优连接，进而生成完整的执行计划，即得到生成完整的查询计划。

技术领域

本发明涉及数据库查询领域，提供了一种基于树注意力和基数感知的查询优化方法及存储介质。

背景技术

对于一条查询语句，数据库并不能直接执行。数据库需要首先解析查询语句，再由优化器生成对应的查询执行计划，最后交给执行引擎执行该计划。本发明中就如何在较短时间内针对多连接的查询生成较优的查询计划提出了一种有效的解决方法。

现有三技术中的技术方案与本申请提案最为接近：

1.中国发明专利，专利名称：一种基于改进型SDD-1算法的数据库多连接查询优化方法，申请号：CN201110043615.9。

首先执行改进的SDD-1算法，利用该算法得到一个查询执行策略集，将该执行策略集作为遗传算法的初始种群产生的依据。然后，执行遗传算法，利用遗传算法的全局搜索能力对SDD-1算法得到的结果进行优化。最终得到一个比较理想的查询执行策略。具体包括如下步骤：

步骤1：设置初始参数：包括SDD-1和遗传算法的初始参数设置；

步骤2：获取查询执行策略集：从构建的查询图中寻找有益双向半连接，并从有益双向半连接候选集中选择有益双向半连接到有益双向半连接集合BS中，重复以上步骤，直到查询图中不存在有益双向半连接，将所得有益双向半连接集合BS的值添加到执行策略集合ES中，重复以上步骤，直到运行次数达到N：

步骤3：构建遗传算法初始种群：对执行策略集合ES中的元素依次执行编码操作，并将所得结果作为遗传算法的初始种群；

步骤4：运行遗传算法：对种群重复执行交叉、变异、选择操作，直到运行次数达到M；

步骤5：输出查询执行策略：将步骤4输出种群中最好的个体作为最终结果，并将其解码为查询树，即查询执行策略。

2.中国发明专利，专利名称：一种基于超图和动态计划的大数据实时查询优化方法，申请号：CN201020231887.2。

一种基于超图和动态计划的大数据实时查询优化方法，包括最佳代价模型构建过程和执行计划空间搜索过程。最佳代价模型构建过程包括如下步骤：

步骤1：分析元数据服务器中表数据，构建生成细粒度的列级统计信息直方图，并将其存储在元数据服务器中；

步骤2：利用统计信息，构建相应最佳的代价模型供生成计划时使用。

执行计划空间搜索过程包括以下步骤：

步骤1：解析数据库查询语句，将结果保存与查询超图数据结构中。

步骤2：为单个关系初始化设置执行计划，将其保存在相应动态计划表中。

步骤3：定义好计算枚举策略：每个连通子图及连通补集只被生成一次；

步骤4：通过计算领域以枚举连通子图；

步骤5：为每个连通子图找到合适的连通补集；

步骤6：为每对连通子图和补集构成的执行计划计算其代价，依照代价模型更新其执行计划；