SIGMOD 2026: Auf maschinellem Lernen basierender Abfrageoptimierer übertrifft den klassischen Optimierer
Wir freuen uns, Ihnen mitzuteilen, dass unser Paper "GenJoin: Conditional Generative Plan-to-Plan Query Optimizer that Learns from Subplan Hints" von Pavel Sulimov, Claude Lehmann und Kurt Stockinger auf der SIGMOD 2026, einer der führenden Konferenzen im Bereich der Datenbankforschung, angenommen wurde.
Abfrageoptimierung ist eines der schwierigsten Probleme in der Datenbankforschung, deren Ziel es ist, den besten Abfrageplan für eine SQL-Abfrage zu finden, um die Laufzeit zu minimieren. Dieses NP-schwere kombinatorische Optimierungsproblem wurde in den letzten zehn Jahren mit verschiedenen Ansätzen angegangen, und es hat sich gezeigt, dass Ansätze des maschinellen Lernens oft nicht in der Lage sind, traditionelle Ansätze mit ausgeklügelte Kostenmodellen zu schlagen.
In unserem Beitrag stellen wir GenJoin vor - einen auf maschinellem Lernen basierender Abfrageoptimierer, der die klassischen Optimierer deutlich übertrifft. Anstatt einen auf maschinellem Lernen basierenden Abfrageoptimierer von Grund auf zu schreiben, untersucht GenJoin, wie ein generatives Modell als gelernter Abfrageoptimierer (LQO) verwendet werden kann und gibt einem klassischen Optimierer Hinweise, um die schnellste laufende Abfrage zu finden. GenJoin generiert eine Reihe von Einschränkungen für die Join-Typen der Teilpläne, wodurch der Suchraum verkleinert wird und der klassische Optimierer gezwungen wird, Pläne zu berücksichtigen, die andernfalls vielleicht übersehen worden wären. Dieser leichtgewichtige Ansatz ermöglicht es GenJoin nicht nur, den Optimierer auf qualitativ hochwertige Abfragepläne zu lenken, sondern auch, dies mit einem sehr geringen Zeitaufwand für die Inferenz zu tun. Ein Vorabdruck des Papers ist auf arxiv verfügbar.