公开(公告)号：CN113032390B

公开(公告)日：2023-03-21

申请号：CN202110162262.8

申请日：2021-02-05

Applicant: 浙江大学

Inventor： 寿黎但 ,  陈井爽 ,  陈珂 ,  陈刚 ,  骆歆远

IPC: G06F16/22

Abstract: 本发明公开了一种内存数据库中的工作负载自适应学习型索引方法。该方法结合基数树和具有最大误差界的分段线性模型，通过机器学习模型利用数据分布来降低索引的内存占用，同时保持稳定的查询性能。在此基础上，使用一种高效的插入缓冲来降低数据插入更新的成本，同时为了缓解数据插入对索引性能的影响，使用两种工作负载自适应的重组优化方法，有针对性地对工作负载中点查询和范围查询涉及的热点数据进行优化。该方法具有较高的构建效率和较低的内存占用，也保证了相对高效的查询性能，并且能够很好地支持插入和更新；同时通过感知查询工作负载有针对性地进行重组优化，以较低的代价降低了插入对于索引性能的影响。

公开(公告)号：CN113032390A

公开(公告)日：2021-06-25

申请号：CN202110162262.8

申请日：2021-02-05

Applicant: 浙江大学

Inventor： 寿黎但 ,  陈井爽 ,  陈珂 ,  陈刚 ,  骆歆远

IPC: G06F16/22

Abstract: 本发明公开了一种内存数据库中的工作负载自适应学习型索引方法。该方法结合基数树和具有最大误差界的分段线性模型，通过机器学习模型利用数据分布来降低索引的内存占用，同时保持稳定的查询性能。在此基础上，使用一种高效的插入缓冲来降低数据插入更新的成本，同时为了缓解数据插入对索引性能的影响，使用两种工作负载自适应的重组优化方法，有针对性地对工作负载中点查询和范围查询涉及的热点数据进行优化。该方法具有较高的构建效率和较低的内存占用，也保证了相对高效的查询性能，并且能够很好地支持插入和更新；同时通过感知查询工作负载有针对性地进行重组优化，以较低的代价降低了插入对于索引性能的影响。