[发明专利]基于深度学习的自动化时序数据库索引推荐方法及设备

说明书

基于深度学习的自动化时序数据库索引推荐方法、存储介质及设备，属于数据库技术领域。为了目前针对时序数据库还没有有效可行的自动化索引推荐方法的问题。本发明所述方法通过强化学习模型进行时序数据库的索引推荐，强化学习模型的代理负责决策的过程；代理与数据库的环境模型进行交互，环境模型计算代理因其决策而获得的状态转换和代价；DBMS接口负责执行数据库的创建、升级或删除动作并获取当前的索引配置的统计信息。本发明主要用于时序数据库的索引推荐。

技术领域

本发明涉及一种数据库索引推荐方法、存储介质及设备，属于数据库技术领域。

背景技术

选择索引对于数据库技术来说非常重要，且这类问题复杂程度非常高。从1970年就开始了关于选择索引的研究，而且许多基于各种各样的方法、通过不同的指标来建立索引的算法慢慢发展起来。第一个算法是基于删除索引的算法，之后发展出了如Extend、基于机器学习的算法、DTA等算法。大部分算法都是在学术性论文中提出来的，也有些是在商业系统中应用的，比如AutoAdmin、DB2Advis、DTA等。目前的研究工作中，关于索引推荐的算法大约分如下几类：

1.从空索引配置开始迭代的添加索引的算法，如AutoAdmin、DB2Advis、DTA、Extend等:比如其中的Extend算法是Schlosser等人的复合索引迭代选择算法。专注于性能提升而不限制先验的索引候选集。

2.从大量的索引配置中逐渐删除索引的算法，如Drop、Relaxation等：比如其中Whang的Drop启发式算法是最早的索引选择算法之一。

3.基于线性规划的算法，如CoPhy等：Dash等人提出了一个复杂的线性规划求解数据库索引选择问题的算法CoPhy。线性规划是通过使用线性方程指定优化目标和约束来解决优化问题的常用方法，然后使用现成的求解器来求最佳解。该算法优化了求解器，尽早丢弃了无效和次优的方案。

4.基于深度学习的算法，这是近年新出现的一类算法：Kraska等人的工作就是使用了通过机器学习的索引结构代替了传统的索引结构，从而在某些情况下表现良好，并优于当前数据库管理系统中使用的传统数据结构。Pavlo等人开发了Peloton，这是一个可以根据传入的工作负载自动的优化数据库系统的架构，从而为将来可能传入的工作负载做好准备。

但是，由于时序数据不同于传统的关系型数据库的特征(写入量大，对更新和删除的支持少等)，往往不能使用关系型数据库来维护，需要使用专用的时序数据库来管理。针对近年火热的时序数据库，目前还没有有效可行的自动化索引推荐方法。

发明内容

本发明为了目前针对时序数据库还没有有效可行的自动化索引推荐方法的问题。

基于深度学习的自动化时序数据库索引推荐方法，通过强化学习模型进行时序数据库的索引推荐，具体包括以下步骤：

强化学习模型的代理RL Agent负责决策的过程；代理与数据库的环境模型Environment进行交互，环境模型计算代理因其决策而获得的状态转换和代价；DBMS接口负责执行数据库的创建、升级或删除动作并获取当前的索引配置的统计信息；

环境模型包括状态、动作和代价；

将状态表示为二维向量其中两个维度分别为index number和column number；index number代表当前的索引的编号，column number表示当前列的编号；

动作为向量动作行为包括：创建索引、升级索引、删除索引和不进行操作；每一个动作表示里前C位中的某一位如果是0则代表不对该列进行索引操作，如果是1则代表对该列进行索引操作；如果前面C位都是0，最后一位如果是0，表示不进行操作，如果是1，表示删除该索引；如果前面C位中有某几位为1，最后一位为0表示创建索引，最后一位为1表示升级索引；

代价函数如下：