20、多臂老虎机在在线索引选择中的应用与优势

多臂老虎机在在线索引选择中的应用与优势

1. 引言

在现代数据库管理系统（DBMS）中，物理设计调优尤其是索引选择，对于提高查询性能至关重要。尽管已有许多商业工具提供索引建议，但这些工具通常依赖于静态工作负载和查询优化器的成本模型，这在动态和不可预测的工作负载中表现不佳。本文介绍了一种基于多臂老虎机（MAB）的学习框架，用于在线索引选择。该框架通过探索和观察实际性能，学习索引的好处，从而避免了对数据库管理员（DBA）和查询优化器的依赖。实验结果表明，MAB在多种工作负载下表现出色，尤其在数据倾斜和即兴查询场景中具有显著优势。

2. 多臂老虎机学习框架

2.1 框架概述

多臂老虎机（MAB）是一种统计机器学习方法，特别适用于不确定环境中的序列决策问题。在在线索引选择中，MAB将不同索引视为不同的“臂”，并通过选择和观察这些臂的实际性能来优化索引配置。具体而言，MAB框架包含以下几个关键步骤：

1. 初始化 ：设置初始参数，如超参数 (\lambda) 和 (\alpha)。
2. 观测 ：获取当前工作负载的特征向量和上下文信息。
3. 选择 ：基于上下文信息，选择一组索引（即“臂”）。
4. 执行 ：创建选定的索引并执行查询，记录实际性能。
5. 更新 ：根据执行结果更新模型参数，为下一轮选择做准备。

2.2 代码实现