You are not logged in | Log in

Choosing an optimal query plan is known to be a hard task, dependent on database settings and data

that the query operates on. Recent work “Database Workload Characterization with Query Plan

Encoders” shows how we can harvest potential of transformers, widely used and powerful neural

networks, to encode structure of a query plan and even predict its latency on a given database. This

lecture will describe the details of used architecture and results of the aforementioned paper.

Wybór optymalnego planu kwerend jest trudnym zadaniem, które zależy od ustawień bazy danych

oraz samych danych, na których operuje kwerenda. Ostatnia praca “Database Workload

Characterization with Query Plan Encoders” pokazuje jak wykorzystać potencjał transformerów,

szeroko używanych i skutecznych sieci neuronowych, aby zakodować strukturę planu wykonania

kwerendy, a nawet przewidzieć czas jego wykonania na zadanej bazie danych. Niniejszy referat

przybliży szczegóły wykorzystanej architektury i wyniki wyżej wspomnianej pracy.

Database Workload Characterization with Query Plan Encoders