软件学报:jos:7680 · 记录 #1

AI赋能的多查询优化技术综述

来源日期 2026-07-15

来源记录日期 2026-07-15

雷达观测 2026-11-05 00:19

摘要

随着数据规模与查询复杂度的持续增长, 传统数据库系统在面对高并发、多样化查询负载时, 暴露出显著的冗余计算与资源竞争问题. 多查询优化技术是提升数据库系统性能的重要途径, 其核心思想是通过识别和共享不同查询间的重叠计算, 减少重复执行并优化资源利用率. 根据重用时机与粒度的不同, 现有研究主要分为两条技术路线: 基于计算重用的多查询优化与基于存储重用的多查询优化. 前者在查询执行阶段实现算子级或计划级共享; 后者在存储层面实现持久化重用, 也被称为物化视图技术. 随着人工智能技术的发展, 强化学习和深度学习方法被广泛引入, 用于收益估计、计划生成和共享策略决策, 使计算重用过程具备自感知、自优化与自演化能力. 系统梳理传统方法到AI赋能方法的演化脉络, 对不同模型的优化目标、决策机制与系统架构进行比较与总结, 并分析现有方法在通用性、可扩展性与协同优化方面的不足. 最后, 展望未来智能化、多层级协同的数据库优化研究方向.