{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3338183"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3338183","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"QPSeeker - An efficient Neural Planner combining both data and queries through Variational Inference","abstract":"Η βελτιστοποίηση ερωτημάτων έχει μελετηθεί εκτενώς από την κοινότητα των βάσεων δεδομέων. Πρόσφατα, μέθοδοι βαθειάς μηχανικής μάθησης έχουν εφαρμοστεί με τέτοιο τρόπο ώστε είτε να υποβοηθήσουν το βελτιστοποιητή του συστήματος βάσης δεδομένων στον υπολογισμό ποσοτήτων όπως, εκτίμηση πληθικότητας, πρόβλεψη υπολογιστικού κόστους και πρόβλεψη χρόνου εκτέλεσης ενός ερωτήματος, είτε στην κατασκευή βελτιστο- ποιητών με τη χρήση νευρωνικών δικτύων από το μηδέν. Παρά τα υποσχόμενα αποτελέ- σματα, λίγες μέθοδοι αντιμετωπίζουν όλες τις προκλήσεις που αντιμετωπίζει ένας βελτιστο- ποιητής στην πράξη ή συνδυαζούν και τα δεδομένα του συστήματος βάσης δεδομένων και τα ίδια τα ερωτήματα. O QPSeeker κάνει ένα βήμα προς την κατεύθυνση των βελτιστοποι- ητών βασισμένων σε αρχιτεκτονικές νευρωνικών δικτύων, κωδικοποιώντας αρχικά την πληροφορία που παρέχεται από τo σύνολο των ερωτημάτων προς εκτέλεση και για την κωδικοποίηση των πινάκων της υπάρχουσας βάσης, όπως επίσης χρησιμοποιεί τη δύναμη ειδικών προεκπαιδευμένων γλωσσικών μοντέλων, ειδικά σχεδιασμένων για τον χειρισμό πινακοειδών δεδομένων. Στη συνέχεια, εφαρμόζει και υπολογίζει μια ειδική μορφή του μηχανισμού προσοχής, προκειμένου να συνδυάσει τις δύο πηγές εισόδου με σκοπό να κάνει εκτίμηση των κατανομών των πληθικωτήτων, κόστους και χρόνου εκτέλεσης των δυνατών πλάνων εκτέλσης. Κατά την επεξεργασία ενός νέου ερωτήμάτος στο σύστημα της βάσης, ο QPSeeker, εξερευνά το χώρο καταστάσεων όλων των πιθανών πλάνων εκτέλεσης με τον αλγόριθμο Monte Carlo Tree Search κάνοντας χρήση του μοντέλου κόστους που διαμορφώθηκε κατά την εκπαίδευσή του, προκειμένου να παρέχει το καλύτερο πλάνο εκτέλεσης για το ερώτημα αυτό.","abstract_html":"Η βελτιστοποίηση ερωτημάτων έχει μελετηθεί εκτενώς από την κοινότητα των βάσεων δεδομέων. Πρόσφατα, μέθοδοι βαθειάς μηχανικής μάθησης έχουν εφαρμοστεί με τέτοιο τρόπο ώστε είτε να υποβοηθήσουν το βελτιστοποιητή του συστήματος βάσης δεδομένων στον υπολογισμό ποσοτήτων όπως, εκτίμηση πληθικότητας, πρόβλεψη υπολογιστικού κόστους και πρόβλεψη χρόνου εκτέλεσης ενός ερωτήματος, είτε στην κατασκευή βελτιστο- ποιητών με τη χρήση νευρωνικών δικτύων από το μηδέν. Παρά τα υποσχόμενα αποτελέ- σματα, λίγες μέθοδοι αντιμετωπίζουν όλες τις προκλήσεις που αντιμετωπίζει ένας βελτιστο- ποιητής στην πράξη ή συνδυαζούν και τα δεδομένα του συστήματος βάσης δεδομένων και τα ίδια τα ερωτήματα. O QPSeeker κάνει ένα βήμα προς την κατεύθυνση των βελτιστοποι- ητών βασισμένων σε αρχιτεκτονικές νευρωνικών δικτύων, κωδικοποιώντας αρχικά την πληροφορία που παρέχεται από τo σύνολο των ερωτημάτων προς εκτέλεση και για την κωδικοποίηση των πινάκων της υπάρχουσας βάσης, όπως επίσης χρησιμοποιεί τη δύναμη ειδικών προεκπαιδευμένων γλωσσικών μοντέλων, ειδικά σχεδιασμένων για τον χειρισμό πινακοειδών δεδομένων. Στη συνέχεια, εφαρμόζει και υπολογίζει μια ειδική μορφή του μηχανισμού προσοχής, προκειμένου να συνδυάσει τις δύο πηγές εισόδου με σκοπό να κάνει εκτίμηση των κατανομών των πληθικωτήτων, κόστους και χρόνου εκτέλεσης των δυνατών πλάνων εκτέλσης. Κατά την επεξεργασία ενός νέου ερωτήμάτος στο σύστημα της βάσης, ο QPSeeker, εξερευνά το χώρο καταστάσεων όλων των πιθανών πλάνων εκτέλεσης με τον αλγόριθμο Monte Carlo Tree Search κάνοντας χρήση του μοντέλου κόστους που διαμορφώθηκε κατά την εκπαίδευσή του, προκειμένου να παρέχει το καλύτερο πλάνο εκτέλεσης για το ερώτημα αυτό.","abstract_has_math":false,"creators":["Τσαπέλας Χρήστος","Tsapelas Christos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:22:58Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3338183"],"render_values":[{"text":"uoadl:3338183","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3338183","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3338183","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3338183","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Τσαπέλας Χρήστος","Tsapelas Christos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3338183","https://pergamos.lib.uoa.gr/uoa/dl/object/3338183"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η βελτιστοποίηση ερωτημάτων έχει μελετηθεί εκτενώς από την κοινότητα των βάσεων δεδομέων. Πρόσφατα, μέθοδοι βαθειάς μηχανικής μάθησης έχουν εφαρμοστεί με τέτοιο τρόπο ώστε είτε να υποβοηθήσουν το βελτιστοποιητή του συστήματος βάσης δεδομένων στον υπολογισμό ποσοτήτων όπως, εκτίμηση πληθικότητας, πρόβλεψη υπολογιστικού κόστους και πρόβλεψη χρόνου εκτέλεσης ενός ερωτήματος, είτε στην κατασκευή βελτιστο- ποιητών με τη χρήση νευρωνικών δικτύων από το μηδέν. Παρά τα υποσχόμενα αποτελέ- σματα, λίγες μέθοδοι αντιμετωπίζουν όλες τις προκλήσεις που αντιμετωπίζει ένας βελτιστο- ποιητής στην πράξη ή συνδυαζούν και τα δεδομένα του συστήματος βάσης δεδομένων και τα ίδια τα ερωτήματα. O QPSeeker κάνει ένα βήμα προς την κατεύθυνση των βελτιστοποι- ητών βασισμένων σε αρχιτεκτονικές νευρωνικών δικτύων, κωδικοποιώντας αρχικά την πληροφορία που παρέχεται από τo σύνολο των ερωτημάτων προς εκτέλεση και για την κωδικοποίηση των πινάκων της υπάρχουσας βάσης, όπως επίσης χρησιμοποιεί τη δύναμη ειδικών προεκπαιδευμένων γλωσσικών μοντέλων, ειδικά σχεδιασμένων για τον χειρισμό πινακοειδών δεδομένων. Στη συνέχεια, εφαρμόζει και υπολογίζει μια ειδική μορφή του μηχανισμού προσοχής, προκειμένου να συνδυάσει τις δύο πηγές εισόδου με σκοπό να κάνει εκτίμηση των κατανομών των πληθικωτήτων, κόστους και χρόνου εκτέλεσης των δυνατών πλάνων εκτέλσης. Κατά την επεξεργασία ενός νέου ερωτήμάτος στο σύστημα της βάσης, ο QPSeeker, εξερευνά το χώρο καταστάσεων όλων των πιθανών πλάνων εκτέλεσης με τον αλγόριθμο Monte Carlo Tree Search κάνοντας χρήση του μοντέλου κόστους που διαμορφώθηκε κατά την εκπαίδευσή του, προκειμένου να παρέχει το καλύτερο πλάνο εκτέλεσης για το ερώτημα αυτό.","Query optimization is a well-studied problem in the database community. Recently, deep learning methods have been applied either to assist the query optimizer on measures like cardinality estimation, computational cost prediction and query execution time predic- tion or implementing neural-based optimizers from scratch. Despite the promising results, very few tackle multiple aspects of the optimizer at the same time or combine both the underlying data and a query workload. QPSeeker takes a step towards a neural database planner, encoding first the information provided from the workload and second the under- lying tables, using the power of special-designed language models for tabular data. Next, it applies a special form of attention to combine these two sources to approximate the distributions of cardinalities, costs and execution times of possible query plans. At infer- ence, when a query is submitted to the database, QPSeeker uses its learned cost model and traverses the query plan space using Monte Carlo Tree Search to provide the best execution plan for the query."]},{"key":"dc:title","label":"Title","values":["QPSeeker - An efficient Neural Planner combining both data and queries through Variational Inference"]}]}],"canonical_facts":{"dc:creator":["Τσαπέλας Χρήστος","Tsapelas Christos"],"dc:date":["2023"],"dc:description":["Η βελτιστοποίηση ερωτημάτων έχει μελετηθεί εκτενώς από την κοινότητα των βάσεων δεδομέων. Πρόσφατα, μέθοδοι βαθειάς μηχανικής μάθησης έχουν εφαρμοστεί με τέτοιο τρόπο ώστε είτε να υποβοηθήσουν το βελτιστοποιητή του συστήματος βάσης δεδομένων στον υπολογισμό ποσοτήτων όπως, εκτίμηση πληθικότητας, πρόβλεψη υπολογιστικού κόστους και πρόβλεψη χρόνου εκτέλεσης ενός ερωτήματος, είτε στην κατασκευή βελτιστο- ποιητών με τη χρήση νευρωνικών δικτύων από το μηδέν. Παρά τα υποσχόμενα αποτελέ- σματα, λίγες μέθοδοι αντιμετωπίζουν όλες τις προκλήσεις που αντιμετωπίζει ένας βελτιστο- ποιητής στην πράξη ή συνδυαζούν και τα δεδομένα του συστήματος βάσης δεδομένων και τα ίδια τα ερωτήματα. O QPSeeker κάνει ένα βήμα προς την κατεύθυνση των βελτιστοποι- ητών βασισμένων σε αρχιτεκτονικές νευρωνικών δικτύων, κωδικοποιώντας αρχικά την πληροφορία που παρέχεται από τo σύνολο των ερωτημάτων προς εκτέλεση και για την κωδικοποίηση των πινάκων της υπάρχουσας βάσης, όπως επίσης χρησιμοποιεί τη δύναμη ειδικών προεκπαιδευμένων γλωσσικών μοντέλων, ειδικά σχεδιασμένων για τον χειρισμό πινακοειδών δεδομένων. Στη συνέχεια, εφαρμόζει και υπολογίζει μια ειδική μορφή του μηχανισμού προσοχής, προκειμένου να συνδυάσει τις δύο πηγές εισόδου με σκοπό να κάνει εκτίμηση των κατανομών των πληθικωτήτων, κόστους και χρόνου εκτέλεσης των δυνατών πλάνων εκτέλσης. Κατά την επεξεργασία ενός νέου ερωτήμάτος στο σύστημα της βάσης, ο QPSeeker, εξερευνά το χώρο καταστάσεων όλων των πιθανών πλάνων εκτέλεσης με τον αλγόριθμο Monte Carlo Tree Search κάνοντας χρήση του μοντέλου κόστους που διαμορφώθηκε κατά την εκπαίδευσή του, προκειμένου να παρέχει το καλύτερο πλάνο εκτέλεσης για το ερώτημα αυτό.","Query optimization is a well-studied problem in the database community. Recently, deep learning methods have been applied either to assist the query optimizer on measures like cardinality estimation, computational cost prediction and query execution time predic- tion or implementing neural-based optimizers from scratch. Despite the promising results, very few tackle multiple aspects of the optimizer at the same time or combine both the underlying data and a query workload. QPSeeker takes a step towards a neural database planner, encoding first the information provided from the workload and second the under- lying tables, using the power of special-designed language models for tabular data. Next, it applies a special form of attention to combine these two sources to approximate the distributions of cardinalities, costs and execution times of possible query plans. At infer- ence, when a query is submitted to the database, QPSeeker uses its learned cost model and traverses the query plan space using Monte Carlo Tree Search to provide the best execution plan for the query."],"dc:identifier":["uoadl:3338183","https://pergamos.lib.uoa.gr/uoa/dl/object/3338183"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["QPSeeker - An efficient Neural Planner combining both data and queries through Variational Inference"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:58Z"}