Location: | APB 3105 |
Quantity: | 0V/2Ü/0P SWS |
Language: | German (English on request) |
Modules: | INF-AQUA, INF-VERT4, INF-04-HS, MINF-04-HS, INF-D-940, IST-05-FG-AVS, IST-05-HS |
Ein aktueller Trend in der Datenbankforschung beschäftigt sich mit der Idee Modelle, die mittels machinellen Lernens erzeugt wurden, für verschiedene Bereiche in Datenbanksystemen einzusetzen. Hier konnte bereits gezeigt werden das klassische Datenbankindexstrukturen wie B-Bäume, R-Bäume oder Hash-Maps durch neuronale Netze (NN) ersetzt werden können. Ein weiterer vielversprechender Forschungsgegenstand ist die Anfrageoptimierung. Hier existieren bereits erste Papiere welche sich mit der Ermittlung der optimalen Join-Reihenfolge sowie der Kardinalitätsschätzung mittel NN beschäftigten. Aber auch „im Großen“ wird machinelles Lernen eingesetzt, um Datenbanksysteme mit ihrer Vielzahl von Einstellungen und Parametern zu konfigurieren und den aktuellen Workloads anzupassen.
The Case for Learned Index Structures
Learning to optimize join queries with deep reinforcement learning
Learning state representations for query optimization with deep reinforcement learning
Deep reinforcement learning for join order enumeration
Automatic database management system tuning through large-scale machine learning (OtterTune)
SageDB: A Learned Database System
Learning-based query performance modeling and prediction
Selectivity estimation in extensible databases – A neural network approach
Learned Cardinalities: Estimating Correlated Joins with Deep Learning
Cardinality Estimation Using Neural Networks
Towards Predicting Query Execution Time for Concurrent and Dynamic Database Workloads
Predicting query execution time: Are optimizer cost models really unusable?
Robust Estimation of Resource Consumption for SQL Queries using Statistical Techniques
Ein Hauptseminar soll die Fähigkeit vermitteln,