论文标题：Learning database optimization techniques: the state-of-the-art and prospects

期刊：Frontiers of Computer Science

作者：Shao-Jie QIAO, Han-Lin FAN, Nan HAN, Lan DU, Yu-Han PENG, Rong-Min TANG, Xiao QIN

发表时间：18 Mar 2025

DOI： 10.1007/s11704-025-41116-7

微信链接：点击此处阅读微信文章

引用格式：

Shao-Jie QIAO, Han-Lin FAN, Nan HAN, Lan DU, Yu-Han PENG, Rong-Min TANG, Xiao QIN. Learning database optimization techniques: the state-of-the-art and prospects. Front. Comput. Sci., 2025, 19(12): 1912612

阅读原文：

问题概述

随着人工智能技术的不断发展，AI4DB(人工智能数据库技术)成为了一个备受关注的研究领域。本综述首先介绍了基于学习的数据库优化技术背景，并回顾了学习型数据库查询优化方法，重点关注了四个主流方向：基数/代价估计、学习型连接顺序选择、学习型端到端优化器和Text2SQL模型。传统数据库技术已无法有效处理大数据，学习型技术在优化数据库性能方面展现出巨大潜力。

技术步骤

文章首先介绍了传统数据库优化技术的局限性，随后详细阐述了基于机器学习的基数/代价估计方法，包括监督学习和无监督学习方法。接着，文章探讨了基于深度强化学习的连接顺序选择技术，以及如何通过端到端优化器实现查询计划的自动优化。最后，文章讨论了Text2SQL模型的最新进展及其在自然语言处理中的应用。

实验结果

大量实验结果表明，基于学习的数据库优化技术在复杂查询处理中表现出色，尤其是在大规模数据集上，能够显著提升查询性能和系统泛化能力。本文还探讨了未来研究方向，包括自动机器学习(AutoML)和在线学习在数据库优化中的应用前景。

中国学术前沿期刊网

http://journal.hep.com.cn