申请/专利权人：电子科技大学长三角研究院(衢州)

申请日：2023-12-28

公开（公告）日：2024-04-12

公开（公告）号：CN117874071A

主分类号：G06F16/2453

分类号：G06F16/2453;G06N3/0442;G06N3/0455;G06N3/08;G06F18/214

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种基于机器学习的数据库查询优化器代价模型，涉及数据库技术领域，该数据库查询优化器代价模型在跨越若干数据库的多个数据集上进行训练，其框架包括编码器模块、Tree‑LSTM模型和预测模块，其训练过程包括预训练阶段和微调阶段；预测模块基于残差连接构建，且包括五个线性层，其第一、四线性层组成适配器；在预训练阶段，提取节点特征，并对节点特征的算子类型、基数和代价进行编码，之后转换为向量；Tree‑LSTM模型将向量转化为隐藏状态；预测模块根据隐藏状态生成成本估算；在微调阶段，冻结预训练的Tree‑LSTM模型的参数，以及第二、三、五线性层，然后根据目标数据库的本地知识调整适配器的参数。本模型在面对不同数据库时能保持准确性并进行快速推理。

主权项：1.一种基于机器学习的数据库查询优化器代价模型，其特征在于，该数据库查询优化器代价模型在跨越若干数据库的多个数据集上进行训练，其框架结构包括编码器模块、Tree-LSTM模型和预测模块，其训练过程包括预训练阶段和微调阶段；预测模块基于残差连接构建，其包括多层感知机，多层感知机包括第一线性层、第二线性层、第三线性层、第四线性层和第五线性层，其第一线性层和第四线性层组成适配器；在预训练阶段，编码器模块从目标数据库的数据集的物理查询计划树中提取节点特征，并对节点特征的算子类型、基数和代价进行编码，之后转换为最终输出的特征向量；Tree-LSTM模型将最终输出的特征向量转化为隐藏状态；预测模块根据隐藏状态生成成本估算；在微调阶段，冻结预训练的Tree-LSTM模型中的所有参数，以及多层感知机的第二线性层、第三线性层和第五线性层，然后根据目标数据库的本地知识调整适配器的参数，以匹配适应目标数据库。

全文数据：

权利要求：

百度查询： 电子科技大学长三角研究院(衢州) 基于机器学习的数据库查询优化器代价模型

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD