Cardinality Estimation: Is Machine Learning a Silver Bullet?
Cardinality Estimation: Is Machine Learning a Silver Bullet?
复制标题
基数估计：机器学习是灵丹妙药吗？
DOI：
--
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Srikanth Kandula
中科院分区：
文献类型：
--
作者：
Beibin Li;Yao Lu;Chi Wang;Srikanth Kandula
基数估计（CE）的目标是高精度、小存储、快速构建和低查询应答延迟。我们分析了单表 CE 的随机均匀采样的误差上限，并将其用作基于机器学习 (ML) 的 CE 的准确性目标。我们的分析表明，基于机器学习的 CE 与随机均匀采样相比没有帕累托优势，但在感兴趣的指标之间提供了权衡。我们概述了此类权衡，并指出了基于 ML 的 CE 何时有用以及何时采样可以提供帮助的场景。
Cardinality estimation (CE) aims for high accuracy, small storage, fast building and low query answering latency. We analyze the upper error bounds of random uniform sampling for single-table CE and use them as the accuracy target for machine learning (ML)-based CE. Our analysis indicates that ML-based CE exhibits no Pareto advantage over random uniform sampling but provides a tradeoff among the metrics of interest. We outline such tradeoffs and point out the scenarios when ML-based CE can be useful and when sampling can help.