一种基于树型Transformer的索引效益估计模型OA

在关系型数据库领域,索引选择是提升查询性能的关键,准确高效地估计候选索引配置效益对优化查询性能至关重要.针对传统基于“what-if”调用工具的代价估计方法存在效率低下、准确性不足以及难以应对大规模复杂查询负载等问题,提出一种基于树型Transformer的索引效益估计模型Tree-IBE(Treebased Transformer Index Benefit Estimation Model),利用Transformer架构的自注意力机制和高效的特征编码技术,能够直接从查询计划和索引配置中学习索引代价,无需依赖“what-if”调用工具. TreeIBE首先通过查询计划节点编码器和索引编码器进行特征编码,全面捕捉查询计划和索引配置的关键信息,然后利用树型Transformer层的多头注意力机制,并行从多个表示子空间捕捉执行计划节点间的依赖关系,精准表示执行计划的结构和性能特性,结合轻量级的估计层输出估计的索引效益.在JOB、TPC-H和TPC-DS三个标准数据集上验证模型的性能,实验结果表明:Tree-IBE在准确性和效率上均优于现有方法,尤其在复杂查询负载下具有显著优势.