Not logged in.
Quick Search - Contribution
Contribution Details
| Type | Master's Thesis |
| Scope | Discipline-based scholarship |
| Title | Implementing Learned Cardinality Estimation in a Database Systems Context |
| Organization Unit | |
| Authors |
|
| Supervisors |
|
| Language |
|
| Institution | University of Zurich |
| Faculty | Faculty of Business, Economics and Informatics |
| Date | 2022 |
| Abstract Text | In this work, I present a tree based approach to estimate the cardinality of a query and its sub-queries. The tree based estimation divides the whole query into smaller sub-queries. The approach then employs neural networks for each sub-query and estimate its cardinality. Our approach can be applied to the planning tree in database systems, addressing the weakness of other approaches that they do not provide cardinality for sub-queries. The evaluation of the approach, based on a real-world dataset, shows that it has the potential to help database systems to choose the optimal query plan. |
| Zusammenfassung | In dieser Arbeit stelle ich einen baumbasierten Ansatz zur Schätzung der Kardinalität einer Abfrage und ihrer Unterabfragen vor. Bei der baumbasierten Schätzung wird die gesamte Abfrage in kleinere Unterabfragen unterteilt. Der Ansatz setzt neuronale Netze für jede Unterabfrage ein und schätzt deren Kardinalität. Unser Ansatz kann auf den Planungsbaum in Datenbanksystemen angewandt werden und behebt die Schwäche anderer Ansätze, die keine Kardinalitäten für Unterabfragen liefern. Die Bewertung des Ansatzes auf der Grundlage eines realen Datensatzes zeigt, dass er das Potenzial hat, Datenbanksystemen bei der Auswahl des optimalen Abfrageplans zu helfen. |
| PDF File |
Download
|
| Export |
BibTeX
|