id: 02243469
dt: j
an: 02243469
au: Ewen, Stephan; Ortega-Binderberger, Michael; Markl, Volker
ti: A learning optimizer for a federated database management system.
so: Inform., Forsch. Entwickl. 20, No. 3, 138-151 (2005).
py: 2005
pu: Springer-Verlag, Berlin
la: DE
cc: 
ut: 
ci: 
li: doi:10.1007/s00450-005-0206-8
ab: Summary: Anfrageoptimierer in modernen Datenbanksystemen (DBS) verwenden
    ein Kostenmodell, um für eine Anfrage einen effizienten Zugriffsplan
    aus der Menge aller möglichen Zugriffspläne auszuwählen. Die
    Genauigkeit, mit der diese Kosten geschätzt werden, hängt stark davon
    ab, wie genau Statistiken über die Datenverteilung die ihnen zugrunde
    liegenden Daten modellieren. Veraltete Statistiken, oder ungültige
    Annahmen im statistischen Modell, führen häufig zur Auswahl
    suboptimaler Zugriffspläne und dadurch zu Defiziten bei der
    Ausführungsgeschwindigkeit von Datenbankanfragen. Föderierte Systeme
    müssen auf dem koordinierenden DBS Statistiken über verteilte Daten
    unterhalten, um effiziente Zugriffspläne zu entwickeln, wenn Daten aus
    verschiedenen Datenquellen zusammengeführt werden. Fehlerhafte
    Statistiken verursachen in diesem Fall schlechte Lastenverteilung sowie
    zusätzlichen Kommunikationsaufwand und Netzlast. Die Synchronisation
    dieser zusätzlichen Statistiken mit den Statistiken der entfernten
    Datenquellen ist problematisch, da Datenquellen völlig unabhängig
    voneinander sind und ihre Statistiken eventuell nicht externalisieren
    oder inkompatible bzw. andere statistische Modelle verwenden als das
    koordinierende DBS. Im folgenden zeigen wir eine Erweiterung der
    Feedback-Schleife von DB2s lernendem Optimierer (LEO) auf föderierte
    Architekturen, die es LEO ermöglicht, automatisch Statistiken über
    Daten auf entfernten Datenquellen zu lernen und zu verwalten. Wir
    diskutieren mehrere Möglichkeiten, Feedback für föderierte Anfragen
    zu erhalten und stellen einen Lösung vor, die lokales Feedback
    verwendet, und einen Stichprobenprozess (statistical sampling) zu
    steuren, der die benötigten entfernten Daten basierend auf dem
    Feedback effizient ermittelt. Mittels einer detaillierten
    Leistungsanalyse der vorgestellten Möglichkeiten im Rahmen einer
    Fallstudie belegen wir, dass der potenzielle Geschwindigkeitszuwachs
    für Datenbankanfragen sehr hoch ist, während die Zusatzbelastung
    durch LEO in moderaten Grenzen liegt.
rv: