Оптимизация запросов без обучения на основе схожести планов с помощью LLM

Эмбеддинги больших языковых моделей (LLM) открывают многообещающее новое направление для оптимизации запросов к базам данных. В этой работе мы исследуем, как предобученные эмбеддинги планов выполнения могут направлять выполнение SQL-запросов без необходимости дополнительного обучения модели. Мы представляем LLM-PM (LLM-based Plan Mapping) — фреймворк, который строит эмбеддинг плана выполнения запроса по умолчанию, находит k ближайших соседей среди ранее выполненных планов и рекомендует наборы хинтов базы данных на основе голосования по соседям. Лёгкая проверка согласованности валидирует выбранный хинт, а механизм отката при необходимости выполняет поиск по всему пространству хинтов. Оценённый на бенчмарке JOB-CEB с использованием OpenGauss, LLM-PM достигает среднего ускорения — сокращения задержки запроса на 21 %. Эта работа подчёркивает потенциал эмбеддингов на основе LLM для практического повышения производительности запросов и открывает новые направления для систем наставничества оптимизатора на основе эмбеддингов без обучения.