LLM-R2: Большая языковая модель с улучшенной системой переписывания на основе правил для повышения эффективности запросов

LLM-R2: A Large Language Model Enhanced Rule-based Rewrite System for Boosting Query Efficiency

April 19, 2024

Авторы: Zhaodonghui Li, Haitao Yuan, Huiming Wang, Gao Cong, Lidong Bing

cs.AI

Аннотация

Переписывание запросов, направленное на создание более эффективных запросов путем изменения структуры SQL-запроса без изменения результата запроса, является важной проблемой исследований. Для поддержания эквивалентности между переписанным запросом и оригинальным во время переписывания традиционные методы переписывания запросов всегда переписывают запросы в соответствии с определенными правилами переписывания. Однако остаются некоторые проблемы. Во-первых, существующие методы поиска оптимального выбора или последовательности правил переписывания все еще ограничены, и процесс всегда требует много ресурсов. Методы, включающие обнаружение новых правил переписывания, обычно требуют сложных доказательств структурной логики или обширного взаимодействия с пользователем. Во-вторых, текущие методы переписывания запросов обычно сильно полагаются на оценщики стоимости СУБД, которые часто не точны. В данной статье мы решаем эти проблемы, предлагая новый метод переписывания запросов под названием LLM-R2, используя большую языковую модель (LLM) для предложения возможных правил переписывания для системы переписывания базы данных. Для дальнейшего улучшения способности LLM к рекомендации правил переписывания мы обучаем контрастную модель по курсу для изучения представлений запроса и выбора эффективных демонстраций запроса для LLM. Экспериментальные результаты показали, что наш метод значительно улучшает эффективность выполнения запроса и превосходит базовые методы. Кроме того, наш метод обладает высокой устойчивостью на различных наборах данных.

English

Query rewrite, which aims to generate more efficient queries by altering a SQL query's structure without changing the query result, has been an important research problem. In order to maintain equivalence between the rewritten query and the original one during rewriting, traditional query rewrite methods always rewrite the queries following certain rewrite rules. However, some problems still remain. Firstly, existing methods of finding the optimal choice or sequence of rewrite rules are still limited and the process always costs a lot of resources. Methods involving discovering new rewrite rules typically require complicated proofs of structural logic or extensive user interactions. Secondly, current query rewrite methods usually rely highly on DBMS cost estimators which are often not accurate. In this paper, we address these problems by proposing a novel method of query rewrite named LLM-R2, adopting a large language model (LLM) to propose possible rewrite rules for a database rewrite system. To further improve the inference ability of LLM in recommending rewrite rules, we train a contrastive model by curriculum to learn query representations and select effective query demonstrations for the LLM. Experimental results have shown that our method can significantly improve the query execution efficiency and outperform the baseline methods. In addition, our method enjoys high robustness across different datasets.