Query Optimization mit Reinforcement Learning : Ein systematisierender Überblick und eine kritische Betrachtung

Query Optimizer sind ein wichtiger Teil eines DBMS. Die Aufgabe, aus einer Anfrage einen Ausführungsplan zu erstellen, ist sehr komplex. Reinforcement Learning (RL) zeigt gute Ansätze komplexe Systeme in diversen Gebieten zu lösen. Diese guten Ansätze wurden auf die Query Optimization übertragen und zeigen auch hier gute Ergebnisse, sei es beim Finden einer guten Join Order, der Kardinalitätsabschätzung oder Generierung ganzer Ausführungs pläne. Trotz dieser guten Ergebnisse bestehen weiterhin Herausforderungen in der Implementierung von RL-Methoden in der Query Optimization. Aus diesem Grund beschäftigt sich die vorliegende Arbeit mit der Analyse der Herausforderungen bei der Verwendung von RL-Methoden bei der Query Optimization in der jüngeren Forschung. Für die Jahre 2019- 2024 wurde eine Literaturanalyse durchgeführt, in der Artikel in diesem Bereich auf Her ausforderungen und mögliche Lösungsansätze untersucht wurden. Die Ar tikel wurden in den digitalen Bibliotheken der Association for Computing Machinery (ACM), des Institute of Electrical and Electronics Engineers (IEEE) und bei Google Scholar gesucht und ausgewertet. Diese Auswertung ergab neun Herausforderungsgebiete sowie deren Häufigkeit der Nennung in den untersuchten Artikeln. Demnach sind die Trainingseffizienz und Robustheit von lernenden Query Optimizern die in diesen Artikeln meistgenannten Herausforderungen.