Автоматическое индексирование баз данных с использованием обучения с подкреплением
DOI: 10.21293/1818-0442-2026-29-2-116-128
☷
- О ТУСУРе
- Абитуриентам
-
Студентам
- Первокурсникам
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Групповое проектное обучение
- Журнал посещаемости
- Журнал успеваемости
- Клубы по интересам
- Спорт в ТУСУРе
- Профком студентов
- Содействие трудоустройству
- Облачное хранилище ТУСУРа
- Поддержка студенческих семей
- Поддержка участников СВО и их детей
- Многофункциональный центр
- Аспирантам
-
Сотрудникам
- Телефонный справочник
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Журнал посещаемости
- Журнал успеваемости
- Генератор рабочих программ
- Генератор ОПОП
- Генератор ИПРП
- Показатели эффективности труда ППС
- Спорт в ТУСУРе
- Профком сотрудников
- Облачное хранилище ТУСУРа
- Выпускникам
- Партнёрам
Аннотация: Актуальность. Индексы существенно влияют на производительность систем управления базами данных, их автоматический выбор при изменяющейся нагрузке остается сложной многокритериальной задачей. Цель исследования. Разработать запрос-ориентированный метод автоматического управления индексами на основе обучения с подкреплением для работы в высоконагруженной среде. Методы. Инструменты и подходы, которые применял автор: постановка задачи в виде марковского процесса принятия решений, сравнительный анализ современных подходов к индексированию, оценочный механизм оптимизатора запросов, эксплуатационная телеметрия СУБД, проверка результата на нагрузках ТРС-Н. Научная новизна. Предложен метод автоматической индексации с использованием обучения с подкреплением, в котором индексное действие выбирается в локальном контексте оптимизируемого запроса, а суррогатная награда оптимизатора отделена от фактической награды, вычисляемой по статистике выполненных запросов. Результаты. В последовательном, конкурентном и синтетическом сценариях стратегия обучения с подкреплением превзошла базовую индексацию по времени выполнения и интегральным метрикам производительности. Практическая значимость. Метод может применяться как компонент безопасности контура автоматической настройки индексов в промышленных СУБД.
Ключевые слова: обучение с подкреплением, автоматическое индексирование, запрос-ориентированный выбор индексов, динамическая настройка индексов, физическое проектирование баз данных, статистика выполнения запросов, оценка стоимости запросов
Библиография статьи:
Коломиец В. В. Автоматическое индексирование баз данных с использованием обучения с подкреплением / В. В. Коломиец // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2026. – Т. 29, № 2. – С. 116–128. DOI: 10.21293/1818-0442-2026-29-2-116-128
Авторы и правообладатели:
- Коломиец В. В. , Сибирский государственный университет путей сообщения
- 1. Agrawal S. AutoAdmin: Self-Tuning Database Systems Technology / S. Agrawal, N. Bruno, S. Chaudhuri, V. Narasayya // IEEE Data Engineering Bulletin. – 2006. – Vol. 29, No. 3. – P. 7–15.
- 2. Chaudhuri S. Self-Tuning Database Systems: A Decade of Progress / S. Chaudhuri, V. Narasayya // VLDB '07: Procee- dings of the 33rd international conference on Very large data bases. – Vienna Austria: ACM, 2007. – P. 3–14.
- 3. Wu Y. Automatic Index Tuning: A Survey / Y. Wu, X. Zhou, Y. Zhang, G. Li // IEEE Transactions on Knowledge and Data Engineering. – 2024. – Vol. 36, No. 12. – P. 7657–7676.
- 4. Lan H. An Index Advisor Using Deep Reinforcement Learning / H. Lan, Z. Bao, Y. Peng // Proceedings of the 29th ACM International Conference on Information and Knowledge Management (CIKM). – New York: ACM, 2020. – P. 2105–2108.
- 5. Shi J. Learned Index Benefits: Machine Learning Based Index Performance Estimation / J. Shi, G. Cong, X.-L. Li // Pro- ceedings of the VLDB Endowment. – 2022. – Vol. 15, No. 13. – P. 3950–3962.
- 6. Sutton R.S. Reinforcement Learning: An Introduction / R.S. Sutton, A.G. Barto. – 2nd ed. – Cambridge, MA: MIT Press, 2018. – 552 p.
- 7. Human-level Control through Deep Reinforcement Learning / V. Mnih, K. Kavukcuoglu, D. Silver et al. // Nature. – 2015. – Vol. 518. – P. 529–533.
- 8. Kossmann J. SWIRL: Selection of Workload-aware In- dexes Using Reinforcement Learning / J. Kossmann, A. Kas- tius, R. Schlosser // Proceedings of the 25th International Con- ference on Extending Database Technology (EDBT). – Edin- burgh, UK, 2022. – P. 155–168.
- 9. Budget-aware Index Tuning with Reinforcement Lear- ning / W. Wu, C. Wang, T. Siddiqui et al. // Proceedings of the 2022 International Conference on Management of Data (SIG- MOD). – USA: ACM, 2022. – P. 1528–1541.
- 10. Wang T. IA2: Leveraging Instance-Aware Index Advi- sor with Reinforcement Learning for Diverse Workloads / T. Wang, E. Yoneki // Proceedings of the 4th Workshop on Ma- chine Learning and Systems (EuroMLSys). – New York: ACM, 2024. – P. 10–17.
- 11. Wang T. AutoIndexer: A Reinforcement Learning-En- hanced Index Advisor Towards Scaling Workloads / T. Wang, E. Yoneki // arXiv e-prints. – 2025. – Art. no. arXiv:2507. 23084.
- 12. Basu D. Regularized Cost-Model Oblivious Database Tuning with Reinforcement Learning / D. Basu, Q. Lin, W. Chen et al. // Transactions on Large-Scale Data- and Knowledge-Centered Systems: Lecture Notes in Computer Sci- ence. – Cham: Springer, 2016. – Vol. 28. – P. 96–132.
- 13. Sharma A. The Case for Automatic Database Admin- istration using Deep Reinforcement Learning / A. Sharma, F.M. Schuhknecht, J. Dittrich // arXiv e-prints. – 2018. – Art. no. arXiv:1801.05643.
- 14. SMARTIX: A Database Indexing Agent Based on Re- inforcement Learning / G.P. Licks, J.C. Couto, P. Miehe et al. // Applied Intelligence. – 2020. – Vol. 50, No. 8. – P. 2575–2588.
- 15. Sadri Z. Online Index Selection Using Deep Rein- forcement Learning for a Cluster Database / Z. Sadri, L. Gruen- wald, E. Leal // 2020 IEEE 36th International Conference on Data Engineering Workshops (ICDEW). – Dallas, TX: IEEE, 2020. – P. 158–161.
- 16. Sadri Z. DRLindex: Deep Reinforcement Learning In- dex Advisor for a Cluster Database / Z. Sadri, L. Gruenwald, E. Leal // Proceedings of the 24th International Database Engi- neering & Applications Symposium (IDEAS). – Seoul, Repub- lic of Korea: ACM, 2020. – Article 11. – P. 1–8.
- 17. Sharma V. MANTIS: Multiple Type and Attribute In- dex Selection using Deep Reinforcement Learning / V. Sharma, C. Dyreson, N. Flann // Proceedings of the 25th International Database Engineering & Applications Symposium (IDEAS). – New York, USA, 2021. – P. 56–64.
- 18. Yan Y. Index Selection for NoSQL Database with Deep Reinforcement Learning / Y. Yan, S. Yao, H. Wang, M. Gao // Information Sciences. – 2021. – Vol. 561. – P. 20–30.
- 19. Sharma V. Indexer++: Workload-Aware Online Index Tuning with Transformers and Reinforcement Learning / V. Sharma, C. Dyreson // Proceedings of the 37th ACM/SIGAPP Symposium on Applied Computing (SAC). – New York: ACM, 2022. – P. 372–380.
- 20. Welborn J. Learning Index Selection with Structured Action Spaces / J. Welborn, M. Schaarschmidt, E. Yoneki // arXiv e-prints. – 2019. – Art. no. arXiv:1909.07440.
- 21. Wu Y. Index Advisor via DQN with Invalid Action Mask in Tree-Structured Action Space / Y. Wu, Y. Zhang, N. Li // Advanced Data Mining and Applications. ADMA 2022. Lec- ture Notes in Computer Science. – Cham: Springer, 2022. – Vol. 13781. – P. 434–445.
- 22. Zhou W. Breaking It Down: An In-depth Study of In- dex Advisors / W. Zhou, C. Lin, X. Zhou, G. Li // Proceedings of the VLDB Endowment. – 2024. – Vol. 17, No. 10. – P. 2405– 2418. DOI: 10.14778/3675034.3675035.
Рукописи статей направлять на адрес редакции:
journal@tusur.ru
Последний выпуск
Адрес редакции
Подписка на обновления
