文章摘要:查询是数据库系统的主要负载，查询的执行效率直接影响着系统的性能。目前，由于查询交互（Query Interaction， QI——查询之间的相互影响）复杂多变，查询优化器不能准确地评估查询进入系统产生的影响，很难为并行查询选择较优执行计划。将查询的平均响应时间、平均执行时间、平均I/O时间和平均缓冲区命中率作为QI的特征参数，表示QI；提出多维度查询交互度量（Multi-dimensional Measurement of Query Interaction， MMQI）模型和执行计划选择（Execution Plan Selection， EPS）模型，采用深度神经网络，在度量QI的基础上，把QI作为主要因素，为并行查询选择较优执行计划。考虑到查询执行计划是由一系列关系运算组成的，以及QI具有时域特性，MMQI采用双向长短期记忆神经网络（Bidirectional Long-Short Term Memory， Bi-LSTM）度量QI，从查询执行计划提取特征作为输入，将QI特征参数的改变作为输出，预测查询采用不同执行计划进入系统后QI特征参数的改变；EPS把预测到的查询特征参数的改变作为查询交互特征（Feature of Query Interaction， FQI），与查询候选执行计划特征（Features of Candidate Plan， FCP）融合，作为另一个Bi-LSTM的输入，为查询动态地选择较优执行计划。在PostgreSQL上的实验表明，MMQI-EPS比查询优化器选择较优执行计划的平均准确率提高38.6%。

文章关键词:

论文分类号:TP311.13

文章来源：《计算机光盘软件与应用》 网址: http://www.jsjgprjyyy.cn/qikandaodu/2022/0125/1813.html

上一篇：汽车工业论文_基于机器视觉的圆柱形蜂窝陶瓷侧
下一篇：电力工业论文_基于优化Elman神经网络的锂电池