IA2: Leveraging Instance-Aware Index Advisor with Reinforcement Learning for Diverse Workloads

本研究介绍了Instance-Aware Index Advisor（IA2），这是一种基于深度强化学习（DRL）的新型方法，用于优化面对潜在候选项大量动作空间的数据库中的索引选择。IA2引入了Twin Delayed Deep Deterministic Policy Gradient-Temporal Difference State-Wise Action Refinery（TD3-TD-SWAR）模型，通过理解工作负载-索引依赖关系和采用自适应动作掩蔽来实现高效的索引选择。该方法包括一个全面的工作负载模型，提高了其适应未见工作负载的能力，并确保在不同的数据库环境中具有稳健的性能。在像TPC-H这样的基准测试中，IA2建议的索引性能提高了运行时间，与没有索引的情况相比，复杂的TPC-H工作负载的运行时间减少了40％，并且比现有的最先进的基于DRL的索引顾问提高了20％。

优化数据库索引选择，尤其是面对大量潜在候选项时的挑战。

使用深度强化学习方法，引入TD3-TD-SWAR模型，结合适应性动作屏蔽和全面的工作负载模型，以有效地选择索引。

论文在TPC-H等基准测试中进行了评估，结果表明，IA2建议的索引可显著提高运行时间，相比没有索引的情况，可降低40%的运行时间；相比现有的DRL-based索引顾问，可提高20%的性能。开源代码可用。

相关研究包括：1. Reinforcement Learning Based Index Selection (RLIS); 2. Deep Reinforcement Learning for Database Index Selection (DRL-Index); 3. Index Selection in Relational Databases Using Deep Reinforcement Learning (ISRL).