[发明专利]一种应用于数据库的智能代价估计方法、系统及电子设备

权利要求书

1.一种应用于数据库的智能代价估计方法，其特征在于，包括以下步骤：

S1、采集查询计划、真实基数和代价，并将其封装为对象；

S2、将封装的对象中的信息数据转换为特征向量；

S3、通过构建树形结构的深度神经网络对特征向量进行处理，得到基数及代价估计结果。

2.根据权利要求1所述的应用于数据库的智能代价估计方法，其特征在于，所述步骤S1具体为：

S11、基于数据库中给定的数据集的主键和外键生成一个连通图；

S12、在生成的连通图中，选择若干相邻的表节点，生成数值表达式和字符串表达式，并在其中加入若干谓词作为SQL查询；

S13、基于SQL查询，使用计划分析工具从数据库的管理系统中采集对应的查询计划、真实的基数及代价；

S14、将获得的查询计划、真实的基数及代价封装为对象。

3.根据权利要求2所述的应用于数据库的智能代价估计方法，其特征在于，所述步骤S2中的特征向量包括操作型向量、谓词向量、元数据向量和位图向量；

所述操作型向量通过对对象中查询节点的物理操作的关键字进行编码得到，所述物理操作包括连接操作、扫描操作及排序操作；

所述谓词向量通过对对象中筛选或连接的条件进行编码得到；

所述元数据向量通过对对象中的表、列以及索引信息进行one-hot编码得到；

所述位图向量通过对对象中的真实数据进行位图编码得到。

4.根据权利要求1所述的应用于数据库的智能代价估计方法，其特征在于，所述步骤S3具体为：

S31、通过构建树形结构的深度神经网络求取叶子节点到根节点的全局代价信息，并上传至双层的全连接神经网络中；

S32、通过双层的全连接神经网络对求取的全局代价信息进行处理，得到基数及代价估计结果。

5.根据权利要求4所述的应用于数据库的智能代价估计方法，其特征在于，所述步骤S31中，构建的树形结构的深度神经网络包括若干个表示模型，所有表示模型的网络结构相同且共享公共参数；

每个所述表示模型设置有3个输入，分别为嵌入向量E、左孩子的表示向量[G^l_t-1,R^l_t-1]和右孩子的表示向量[G^r_t-1,R^r_t-1]，对于所述表示模型中的叶子节点，其孩子节点为零向量[G₀,R₀]，输出向量为[G_t,R_t]；

式中，G^l_t-1为左孩子表示向量的单元状态，R^l_t-1为左孩子表示向量的隐藏状态，G^r_t-1为右孩子表示向量的单元状态，R^r_t-1为右孩子表示向量的隐藏状态，G₀为叶子节点的单元状态，R₀为叶子节点的隐藏状态，G_t为叶子节点输出的单元状态，R_t为叶子节点输出的隐藏状态。