Algoritmos Aleatórios Para Optimização de consultas

Artigo apresentado por:Daniel Martins 110370082David Martins 080316033

Introdução

• Optimização de Queries é um processo dispendioso.

• Algoritmos Aleatórios aplicados problemas de optimização combinatória:– Simulated Annealing– Iterative Improvement

Algoritmos Aleatórios

• Cada solução para um problema de optimização pode ser pensado como um estado

• Cada estado tem um custo associado

• O seu objectivo é encontrar o estado com minímo custo global

• Existem 2 tipos de movimentos associado ao estado :– DownHill– UpHill

• Minímo Local

• Minímo Global

Algoritmo Iterative Improvement

• Uma optimização começa num estado aleatório

• Implementa a solução através de sucessivos movimentos downHill até encontrar o minímo local

• Repete-se indefinidamente até encontrar uma condição de paragem

Algoritmo Simulated Annealing

• Aceita movimentos upHill• O loop interior do algoritmo é chamado

estado• Cada estado é executado através do

parâmetro temperatura• Temperatura controla movimentos upHill• Cada estado termina quando atinge o

equilibrio

Algoritmo Two Phase Optimization

• É uma combinação dos 2 algoritmos anteriores

• Fase 1:– O II corre durante um pequeno período de tempo

• Fase 2:– O SA corre com uma temperatura baixa inicial

Estado de Espaço

• Corresponde a uma estratégia de acessos para uma consulta ser optimizada

• Join Processing Tree– Folhas são as relações base– Nós internos são operadores join– Arestas indicam o fluxo da informação

Função Vizinho

Função Custo

• É utilizada apenas para a entrada e saída de cada estratégia de dados.

• É baseada nas seguintes suposições:– Sem pipelining– Buffering minímo para todas as operações– Execução on-the-fly nas projecções

Comportamento como uma função do tempo

Qualidade do Output

Tempo de optimização da Query

• Tamanho da query• Variância nos parâmetros do catálogo• Tipo de Query

Análise Estado de Espaço

• Um custo escalonado é o rácio de um custo de uma estratégia sobre o custo minímo local.

• A média do rácio específico VS o menor custo minímo local é afectada pela variância e pela consulta.

• Podemos concluir que o maior minímo local não de todo melhor que a média do estado aleatório mas está relacionado com o custo de pequenas variâncias

• Na experiência foram contados o número de minímo locais visitados com custo distintos

• Para cada consulta mediu-se a distância a distância média entre 2 minímos locais visitados

Explicação do comportamento como uma função do tempo

• SA começa com um estado aleatório que tende para um custo de área elevado– Temperatura mantém-se elevada– Grande número de movimentos upHill– Grande probabilidade de aceitar movimentos

upHill

• II consegue descobrir o minímo local apenas com algumas optimizações locais

• Consegue atingir rapidamente o fundo através de movimentos downHill

• 2PO atinge rapidamente o fundo (fase II)

• 2PO melhora rapidamente procurando na área (fase SA)

• Termina em menor tempo em relação aos outros 2 algoritmos

Conclusões

• Foram utilizados 2 algoritmos SA e II para optimização de grandes join queries

• II é melhor que o SA inicialmente, ao longo do tempo SA consegue superar o II

• Foi realizado o estudo da função custo sobre o espaço de estado da query

• Através disto explicou-se o comportamento do 2 algoritmos

• Conclui-se que o 2PO tem performance superior aos outros 2 algoritmos