参数化查询是指具有相同模板，且只有谓词绑定参数值不同的一类查询，它们被广泛应用在现代数据库应用程序中。它们存在反复执行动作，这为其性能优化提供了契机。

然而，当前许多商业数据库处理参数化查询的方法仅仅只优化查询中的第一条查询实例（或用户指定的实例），缓存其最佳计划并为后续的查询实例重用。该方法虽然优化时间至最小化，但由于不同查询实例的最佳计划不同，缓存计划的执行可能是任意次优的，这在实际应用场景中并不适用。

参数化查询优化旨在大幅减少优化时间并尽可能减少查询计划执行的次优性，那究竟如何实现参数化查询的有效优化？

本次 Paper Reading 我们邀请到来自西电-浪潮数据库创新实验室的刘子昂老师为大家分享《基于学习的参数化查询优化方法》，刘老师专注研究数据库查询优化，目前负责 KAP（数据库自治平台）的预研、开发等工作。

大多数传统优化方法需对查询优化器进行许多假设，但这些假设通常不符合实际应用场景。好在随着机器学习的兴起，上述问题可以得以有效解决。本期刘老师将围绕发表于 VLDB2022 和 SIGMOD2023 的两篇论文展开详细介绍：

• 《Leveraging Query Logs and Machine Learning for Parametric Query Optimization》

• 《Kepler: Robust Learning for Faster Parametric Query Optimization》

两篇论文都采用了机器学习方法进行参数化查询优化，克服传统方法缺陷的同时显著带来了性能提升。对本期参数化查询优化感兴趣的伙伴，快快扫描下方二维码预约直播，下周二晚上 7 点半，B 站直播间不见不散！