APQO自适应参数化查询优化框架——OceanBase 校企联合研究成果
摘要
传统学习型参数化查询优化依赖静态计划缓存，面对查询参数分布漂移的动态负载时缓存易失效，导致 SQL 查询延迟显著升高。OceanBase 联合华东师大团队提出 APQO 自适应参数化查询优化框架，为支持计划缓存在线持续演化的学习型 PQO 方法。该框架通过离线训练基础预测模型、搭配在线轻量级校准器动态修正预测误差，实现计划缓存自适应更新。
请登录后发表评论
登录
全部评论
OceanBase 学术前沿
- 目录
- 学术加油站｜面向HTAP数据库的基准评测工具研究进展
- 国际顶会收录 OceanBase 论文：三项技术创新使查询延迟最多减少 3.1 倍
- LoVR：面向长视频的多模态检索基准——OceanBase 校企联合研究
- 贝叶斯不确定性引导的早停框架ESTune——OceanBase 校企联合研究
- DeepK 自动程序修复框架论文——OceanBase 校企联合研究
- APQO自适应参数化查询优化框架——OceanBase 校企联合研究成果
- 主流关系型数据库系统缺陷实证研究——OceanBase 校企联合研究
- 基于分层协作多智能体的数据库参数调优——OceanBase 校企研究
- OceanBase联合研究成果：三层协同，让数据在混合内存中“各得其所”
- 学术加油站｜HIST，面向海量数据的学习型多维直方图
- 学术加油站｜机器学习应用在数据库调优领域的前沿工作解读
- CNCC技术论坛｜分布式数据库HTAP的探索与实践
- 学术加油站｜FLAT，一个轻量且高效的基数估计模型
- Paper Time｜开放式时空大数据助力智能公交路线规划
- 7.07亿TPC-C背后的技术突破，OceanBase研究成果入选VLDB
- 国际顶会收录 OceanBase 工作：缓解 LSM 性能尖峰，同时优化延迟和吞吐
