Hybrid eco-friendly query optimizer design roadmap

Abstract

Abstract : My őnal year project within the LIAS laboratory (Computer Science and Automation Systems Laboratory) affiliated with the University of Poitiers and ISAE-ENSMA aims to revisit an existing hybrid query optimization system HYBRIDQ0 dedicated to managing large databases. This revisit is necessary to integrate a new functional requirement representing the energy efficiency of HYBRIDQ0. To tackle this issue, we perform a literature review on the main existing query optimization techniques. This review is followed by a comparative study of existing algorithms dealing with the problem of join order (Iterative Improvement, Simulated Annealing, MINSEL, RTOS, PostgreSQL). This study considers two non-functional requirements: query performance and energy consumption. Additionally, we substitute the Monte-Carlo Tree Search (MCTS) module with RTOS in the HYBRIDQ0 system to assess its impact on energy consumption and performance. Finally, we propose our own solution to determine the best join order using a clustering technique.***

Résumé Mon projet de őn d’études au sein du laboratoire LIAS (laboratoire d’informatique et d’automatique pour les systèmes) rattaché à l’université de Poitiers et à l’ISAE-ENSMA, consiste à revisiter le système d’optimisation de requêtes Hybride HYBRIDQ0 qui combine les techniques dirigées par les modèles de coût et de l’apprentissage automatique. Pour ce faire, nous avons revu les principales techniques d’optimisation existantes pour optimiser les requêtes impliquant les jointures. Une étude comparative sur les différents algorithmes existants pour l’ordre de jointure, à savoir : II, SA, MINSEL, RTOS, et PostgreSQL. Nous avons proposé une autre implantation de système HYBRIDQ0 en modiőant son module Monte-Carlo Tree Search (MCTS) par l’algorithme RTOS dédié pour trouver un ordre de jointure de requêtes récemment proposé dans la littérature. Finalement, nous avons proposé notre propre système de sélection de bon ordre de jointure en utilisant une technique de clustering.