CN116821171B - 一种生成新虚拟视图加速计算任务的方法 - Google Patents
一种生成新虚拟视图加速计算任务的方法 Download PDFInfo
- Publication number
- CN116821171B CN116821171B CN202310772391.8A CN202310772391A CN116821171B CN 116821171 B CN116821171 B CN 116821171B CN 202310772391 A CN202310772391 A CN 202310772391A CN 116821171 B CN116821171 B CN 116821171B
- Authority
- CN
- China
- Prior art keywords
- view
- virtual view
- cost
- query
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000001133 acceleration Effects 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种生成新虚拟视图加速计算任务的方法,包括结合深度学习和视图生成算法,自动学习和发现不同视图之间的关系,并自动生成可以共享计算是typo;本发明结合深度学习和视图生成算法,可以自动学习和发现不同视图之间的关系,并自动生成可以共享计算是虚拟视图,得到更加优质的查询计划,从而显著提高查询性能和减少计算时间,新的计算方法解决传统的数据库优化器生成虚拟视图存在的缺陷,大幅拓展可能的虚拟视图生成方案,提高查询计划的性能,降低查询计划的开销。
Description
技术领域
本发明涉及数据库技术领域,具体为一种生成新虚拟视图加速计算任务的方法。
背景技术
目前现有的数据库优化器是通过视图合并算法生成虚拟视图来加速计算任务,但是传统的视图合并算法并不能保证生成的查询计划是最优的,而且,虚拟视图的使用可能会增加查询优化的时间和开销,当涉及多个虚拟视图时,可能会出现查询计划的复杂性和可读性差的问题,在使用虚拟视图的是需要权衡优缺点,根据具体的情况进行选择,在使用虚拟视图的时候要避免过度优化,以免引入不必要的复杂性和开销,为此我们提出一种生成新虚拟视图加速计算任务的方法用于解决上述问题。
发明内容
本发明的目的在于提供一种生成新虚拟视图加速计算任务的方法,以解决传统的数据库优化器生成虚拟视图查询性能较低和优化时间长问题。
为实现上述目的,本发明提供如下技术方案:一种生成新虚拟视图加速计算任务的方法,包括以下步骤:
步骤1:视图嵌入层接收若干视图帧,计算出视图帧的视图向量,并将视图向量输入到图卷积神经网络层;
步骤2:图卷积神经网络层构建若干视图向量之间的关系图,并依据关系图计算出视图合并分组,并输入到视图合并层;
步骤3:视图合并层计算出虚拟视图候选集合输入到代价模型;
步骤4:代价模型计算出最优虚拟视图合集和物理执行计划;
步骤5:将代价模型输出的物理执行计划输入到数据库系统中,并改写数据库系统原本的执行计划,数据库系统执行改写之后的物理计划,得到实际执行的计算资源和性能开销的参数;
步骤6:将实际执行计划得到的参数作为新的训练集,新的训练集再迭代代价模型。
优选的,视图嵌入层由嵌入层和RNN编码器构建组成,视图嵌入层输入视图帧,输出一个固定长度的向量;
嵌入层:将输入的视图序列转化为d维的向量,并输入到RNN编码器中;
RNN编码器:共有L层,每层包含了门控循环单元,将最后一层门控循环单元的状态作为输出。
优选的,图卷积神经网络层捕捉不同视图之间依赖关系具体操作如下:
将视图向量表示为节点,节点之间的联系表示为边,边根据类型赋予权重,每个节点聚合邻近节点信息,根据每个节点的最终特征向量组成视图合并分组。
优选的,边的类型包括属于同一个执行计划并构成冲突、彼此共享部分子计算、一个视图包含另一个视图子计算部分。
优选的,视图合并层构建与RNN编码器相反的解码器,解码器将图卷积神经网络层输出的视图合并分组解码为候选视图。
优选的,代价模型的视图选择方法具体操作如下:
代价函数cost(Q,ViewSet),其中Q为查询语句,ViewSet=0,1}|View|,View为虚拟视图候选集合,通过计算函数cost(Q,ViewSet)得到该查询语句Q整体的最小的查询代价和对应的虚拟视图候选集合。
优选的,计算cost(Q,ViewSet)同时,将查询语句Q的子查询替换为替换为虚拟视图,利用代价模型计算改写后的查询计划的代价。
优选的,将数据库系统原本的查询执行计划替换为改写后的查询计划,数据库系统执行改写之后的查询计划得到系统平均响应时间、CPU运行时间、IO读写时间以及内存消耗数据,将得到的性能参数作为性能指标,在不同的运行环境中赋予性能指标不同的权重,引导代价模型选择更优的虚拟视图。
优选的,一种生成新虚拟视图加速计算任务的装置,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述一个或多个处理器执行所述可执行代码时,用于实现所述的一种生成新虚拟视图加速计算任务的方法。
优选的,一种计算机可读存储介质,其特征在于:其上存储有程序,该程序被处理器执行时,实现所述的一种生成新虚拟视图加速计算任务的方法
与现有技术相比,本发明的有益效果是:
结合深度学习和视图生成算法,可以自动学习和发现不同视图之间的关系,并自动生成可以共享计算是typo,得到更加优质的查询计划,从而显著提高查询性能和减少计算时间,新的计算方法解决传统的数据库优化器生成虚拟视图存在的缺陷,大幅拓展可能的虚拟视图生成方案,提高查询计划的性能,降低查询计划的开销。
附图说明
图1为本发明流程原理示意图;
图2为本发明实施例中15个不同的原始视图构建的关系图;
图3为本发明实施例中通过图卷积神经网络层进行的分组图;
图4为本发明一种生成新虚拟视图加速计算任务的装置所在任意具备数据处理能力的设备的一种硬件结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
具体的,虚拟视图是一种在查询优化器中生成的中间结果,是一个虚拟的表,用于存储查询的部分结果,传统视图合并算法生成虚拟视图步骤如下:
a、识别查询中的视图,将其展开为基础表的组合;
b、识别查询中的重复子查询,并将其替换为虚拟视图;
c、将多个虚拟视图合成一张更大的虚拟视图;
d、将虚拟视图转换为物化视图;
通过使用虚拟视图,优化器可以减少查询的运行时间和开销,但是,虚拟视图也存在一些缺陷;首先,视图合并算法并不总是能够生成最优的查询计划,其次,虚拟视图的使用可能会增加查询优化的时间和开销,此外,当查询涉及多个虚拟视图时,可能会出现查询计划的复杂性和可读性差的问题。
参考图1,一种生成新虚拟视图加速计算任务的方法,包括以下步骤:
步骤1:视图嵌入层接收若干视图帧,计算出视图帧的视图向量,并将视图向量输入到图卷积神经网络层;
步骤2:图卷积神经网络层构建若干视图向量之间的关系图,并依据关系图计算出视图合并分组,并输入到视图合并层;
步骤3:视图合并层计算出虚拟视图候选集合输入到代价模型;
步骤4:代价模型计算出最优虚拟视图合集和物理执行计划;
步骤5:将代价模型输出的物理执行计划输入到数据库系统中,并改写数据库系统原本的执行计划,数据库系统执行改写之后的物理计划,得到实际执行的计算资源和性能开销的参数;
步骤6:将实际执行计划得到的参数作为新的训练集,新的训练集再迭代代价模型。
以上步骤结合深度学习和视图生成算法,可以自动学习和发现不同视图之间的关系,并自动生成可以共享计算是虚拟视图,得到更加优质的查询计划,从而显著提高查询性能和减少计算时间。
具体的,视图嵌入层由嵌入层E和RNN编码器构建组成,视图嵌入层输入视图帧,输出一个固定长度的向量;
V=v1,v2,...,vT表示输入的视图序列,T为表示序列的长度。
嵌入层E:将输入的视图序列转化为d维的向量xt,并输入到RNN编码器中;
RNN编码器:共有L层,每层包含了门控循环单元,记为其中l表示第几层数,t表示时间步,将最后一层门控循环单元的状态/>作为输出。
具体的,图卷积神经网络层捕捉不同视图之间依赖关系具体操作如下:
将视图向量表示为节点,一个原始视图即为一个节点,节点之间的联系表示为边,边根据类型赋予权重,每个节点聚合邻近节点信息,根据每个节点的最终特征向量组成视图合并分组;边的类型包括属于同一个执行计划并构成冲突、彼此共享部分子计算、一个视图包含另一个视图子计算部分。
两节点之间的边权重由如下公式计算得到:
W3=max(gA.π(B.π),gB.π(A.π))
W[a,b]=W1*W2*W3
其中,W1表示节点A和节点B的自然连接是否完全一致,完全一致为1;W2表示节点AB的选择算子有多少共享的数据范围,完全一致为1;W3表示节点AB的投影算子有多少共享的计算能力,若一方能覆盖另一方则为1;边权重W[a,b]表示W1,W2,W3三者的乘积。
具体的,构建的图卷积神经网络层为逐层传播信息,以便每个节点能够聚合其邻近节点的信息,每个节点都需要经过K层编码,最终输出最终特征向量。
无向图G=(V,E),其中V={v1,v2,...,vn}表示节点集合,E表示边集合;输入的视图向量序列为x=x1,x2,...,xn,其中xi表示节点vi的特征向量,计算每个节点vi的邻居节点的特征向量集合的平均值:
其中,Ni表示节点i的邻居节点集合,|Ni|表示邻居节点数量,l-1表示前一层。
对每个节点及其邻居节点的特征向量进行拼接,并对其进行线性变换和非线性变换:
其中,Wl表示权重矩阵,bl表示偏置向量,σ表示sigmoid激活函数。
节点特征向量进行K层的编码之后,节点最终特征向量表示:
图卷积神经网络层的输出为每个节点vi的最终特征向量组成集合图卷积神经网络层输出集合的大小依赖与输入视图的节点数。
具体的,视图合并层构建与RNN编码器相反的解码器,解码器将图卷积神经网络层输出的视图合并分组解码为候选视图,经过视图合并层可以得到一批新的虚拟视图,新的虚拟视图与原始视图相比具有公共子查询,当新的虚拟视图被用于改写原执行计划时,预期会降低开销提高性能。
具体的,新的虚拟视图之间可能存在冲突,这样会使得收益低于预期效果,甚至不如原始效果,本发明通过基于代价模型的视图选择算法,解决新的虚拟视图之间冲突的问题。
代价函数cost(Q,ViewSet),其中Q为查询语句,ViewSet=0,1}|View|,View为虚拟视图候选集合,通过计算函数cost(Q,ViewSet)得到该查询语句Q整体的最小的查询代价和对应的虚拟视图候选集合,计算cost(Q,ViewSet)同时,将查询语句Q的子查询替换为替换为虚拟视图,利用传统的代价模型,计算改写后的查询计划的代价。
将数据库系统原本的查询执行计划替换为改写后的查询计划,数据库系统执行改写之后的查询计划得到系统平均响应时间、CPU运行时间、IO读写时间以及内存消耗数据,将得到的性能参数作为性能指标,在不同的运行环境中赋予性能指标不同的权重,引导代价模型选择更优的虚拟视图。
具体的,以标准测试集的查询TPC-DS-Q9为例,首先我们从查询中分离出原始视图,代码如下:
这里基于表store_sales我们可以得到15个不同的原始视图,以其中两个视图为例,将sql用关系代数的形式表达,重点标注出其中三个维度的特征:使用了哪些表/join关系;使用了怎样的过滤条件;使用了怎样的聚合函数,进行正则化:
A:πcount(*)(σss_quantity>1∧ss_quantity<20(store_sales))
B:πavg(ss_ext_discount_amt)(σss_quantity>1∧ss_quantity
<20(store_sales))
将15个不同的原始视图进行正则化,构建关系图,如图2所示,通过观察可以发现一下特点:
A、同一列三个一组的原始视图,具有相同的过滤条件;
B、同一行五个一组的原始图片,具有相同的聚合函数;
C、所有的原始视图中具有相同的结构(一个聚合算子+一个过滤算子+表)。
通过图卷积神经网络层可以得到如图3表示的11种分组,每个分组方案中要么包括相同的过滤条件,要么采用相同的聚合算子,或者两个皆有。
将11种分组输入到视图合并层,可以得到若干新虚拟视图,将新虚拟视图输入到代价模型中,选出最优虚拟视图并对原查询的执行计划进行改写,新的执行计划比原执行计划提升了20%。
本发明一种生成新虚拟视图加速计算任务的装置的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图4所示,为本发明一种生成新虚拟视图加速计算任务的装置所在任意具备数据处理能力的设备的一种硬件结构图,除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的一种生成新虚拟视图加速计算任务的装置。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种生成新虚拟视图加速计算任务的方法,其特征在于:包括以下步骤:
步骤1:视图嵌入层接收若干视图帧,计算出视图帧的视图向量,并将视图向量输入到图卷积神经网络层;
步骤2:图卷积神经网络层构建若干视图向量之间的关系图,并依据关系图计算出视图合并分组,并输入到视图合并层;
步骤3:视图合并层计算出虚拟视图候选集合输入到代价模型;
步骤4:代价模型计算出最优虚拟视图合集和物理执行计划;
步骤5:将代价模型输出的物理执行计划输入到数据库系统中,并改写数据库系统原本的执行计划,数据库系统执行改写之后的物理计划,得到实际执行的计算资源和性能开销的参数;
步骤6:将实际执行计划得到的参数作为新的训练集,新的训练集再迭代代价模型;
视图嵌入层由嵌入层和RNN编码器构建组成,视图嵌入层输入视图帧,输出一个固定长度的向量;
嵌入层:将输入的视图序列转化为d维的向量,并输入到RNN编码器中;
RNN编码器:共有L层,每层包含了门控循环单元,将最后一层门控循环单元的状态作为输出;
代价模型的视图选择方法具体操作如下:
代价函数cost(Q,ViewSet),其中Q为查询语句,ViewSet={0,1}|View|,View为虚拟视图候选集合,通过计算函数cost(Q,ViewSet)得到该查询语句Q整体的最小的查询代价和对应的虚拟视图候选集合。
2.根据权利要求1所述的一种生成新虚拟视图加速计算任务的方法,其特征在于:图卷积神经网络层捕捉不同视图之间依赖关系具体操作如下:
将视图向量表示为节点,节点之间的联系表示为边,边根据类型赋予权重,每个节点聚合邻近节点信息,根据每个节点的最终特征向量组成视图合并分组。
3.根据权利要求2所述的一种生成新虚拟视图加速计算任务的方法,其特征在于:边的类型包括属于同一个执行计划并构成冲突、彼此共享部分子计算、一个视图包含另一个视图子计算部分。
4.根据权利要求1所述的一种生成新虚拟视图加速计算任务的方法,其特征在于:视图合并层构建与RNN编码器相反的解码器,解码器将图卷积神经网络层输出的视图合并分组解码为候选视图。
5.根据权利要求1所述的一种生成新虚拟视图加速计算任务的方法,其特征在于:计算cost(Q,ViewSet)同时,将查询语句Q的子查询替换为虚拟视图,利用代价模型计算改写后的查询计划的代价。
6.根据权利要求5所述的一种生成新虚拟视图加速计算任务的方法,其特征在于:将数据库系统原本的查询执行计划替换为改写后的查询计划,数据库系统执行改写之后的查询计划得到系统平均响应时间、CPU运行时间、IO读写时间以及内存消耗数据,将得到的性能参数作为性能指标,在不同的运行环境中赋予性能指标不同的权重,引导代价模型选择更优的虚拟视图。
7.一种生成新虚拟视图加速计算任务的装置,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述一个或多个处理器执行所述可执行代码时,用于实现权利要求1-6任一项所述的一种生成新虚拟视图加速计算任务的方法。
8.一种计算机可读存储介质,其特征在于:其上存储有程序,该程序被处理器执行时,实现权利要求1-6任一项所述的一种生成新虚拟视图加速计算任务的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310772391.8A CN116821171B (zh) | 2023-06-27 | 2023-06-27 | 一种生成新虚拟视图加速计算任务的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310772391.8A CN116821171B (zh) | 2023-06-27 | 2023-06-27 | 一种生成新虚拟视图加速计算任务的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116821171A CN116821171A (zh) | 2023-09-29 |
CN116821171B true CN116821171B (zh) | 2024-04-19 |
Family
ID=88140481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310772391.8A Active CN116821171B (zh) | 2023-06-27 | 2023-06-27 | 一种生成新虚拟视图加速计算任务的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116821171B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7620615B1 (en) * | 2001-10-26 | 2009-11-17 | Teradata Us, Inc. | Joins of relations in an object relational database system |
CN111597209A (zh) * | 2020-04-30 | 2020-08-28 | 清华大学 | 一种数据库物化视图构建系统、方法以及系统创建方法 |
CN113515539A (zh) * | 2021-06-02 | 2021-10-19 | 清华大学 | 一种数据库中数据的查询方法 |
CN115705322A (zh) * | 2021-08-13 | 2023-02-17 | 华为技术有限公司 | 一种数据库管理系统、数据处理方法及设备 |
CN116108076A (zh) * | 2023-04-10 | 2023-05-12 | 之江实验室 | 物化视图查询方法、系统、设备及存储介质 |
CN116244333A (zh) * | 2023-02-16 | 2023-06-09 | 山东大学 | 一种基于代价因子校准的数据库查询性能预测方法及系统 |
-
2023
- 2023-06-27 CN CN202310772391.8A patent/CN116821171B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7620615B1 (en) * | 2001-10-26 | 2009-11-17 | Teradata Us, Inc. | Joins of relations in an object relational database system |
CN111597209A (zh) * | 2020-04-30 | 2020-08-28 | 清华大学 | 一种数据库物化视图构建系统、方法以及系统创建方法 |
CN113515539A (zh) * | 2021-06-02 | 2021-10-19 | 清华大学 | 一种数据库中数据的查询方法 |
CN115705322A (zh) * | 2021-08-13 | 2023-02-17 | 华为技术有限公司 | 一种数据库管理系统、数据处理方法及设备 |
CN116244333A (zh) * | 2023-02-16 | 2023-06-09 | 山东大学 | 一种基于代价因子校准的数据库查询性能预测方法及系统 |
CN116108076A (zh) * | 2023-04-10 | 2023-05-12 | 之江实验室 | 物化视图查询方法、系统、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
View-GCN: View-Based Graph Convolutional Network for 3D Shape Analysis;X. Wei, R. Yu and J. Sun;020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR);全文 * |
大规模图神经网络系统综述;赵 港;软件学报;第33卷(第1期);全文 * |
数据智能:趋势与挑战;吴俊杰;刘冠男;王静远;左源;部慧;林浩;;系统工程理论与实践(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116821171A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Marcus et al. | Plan-structured deep neural network models for query performance prediction | |
Ying et al. | Graph convolutional neural networks for web-scale recommender systems | |
Yuan et al. | Automatic view generation with deep learning and reinforcement learning | |
Marcus et al. | Bao: Learning to steer query optimizers | |
CN106846235A (zh) | 一种利用NVIDIA Kepler GPU汇编指令加速的卷积优化方法及系统 | |
WO2020233709A1 (zh) | 模型压缩方法及装置 | |
CN110264392B (zh) | 一种基于多gpu的强连通图检测方法 | |
CN110750560B (zh) | 一种优化网络多连接的系统和方法 | |
US20240160689A1 (en) | Method for optimizing convolution operation of system on chip and related product | |
Urbani et al. | Adaptive low-level storage of very large knowledge graphs | |
Azgomi et al. | MR-MVPP: A map-reduce-based approach for creating MVPP in data warehouses for big data applications | |
Galvez Vallejo et al. | High-performance GPU-accelerated evaluation of electron repulsion integrals | |
Lin et al. | A comparative study of in-database inference approaches | |
Yang et al. | Dynamic-scale grid structure with weighted-scoring strategy for fast feature matching | |
CN116821171B (zh) | 一种生成新虚拟视图加速计算任务的方法 | |
Yaşar et al. | On symmetric rectilinear matrix partitioning | |
Welborn et al. | Learning index selection with structured action spaces | |
CN113836174B (zh) | 基于强化学习dqn算法的异步sql连接查询优化方法 | |
WO2020164338A1 (zh) | 利用gpu集群更新卷积神经网络的方法、装置及设备 | |
US11386155B2 (en) | Filter evaluation in a database system | |
CN113886652A (zh) | 一种内存优先的多模图数据存储与计算方法及系统 | |
Perera et al. | Efficient approximate OLAP querying over time series | |
Li et al. | Research on why-not questions of top-K query in orthogonal region | |
Wen et al. | Parallel naïve Bayes regression model-based collaborative filtering recommendation algorithm and its realisation on Hadoop for big data | |
CN115803731A (zh) | 用于关系图数据库的图视图选择的数据库管理系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |