数据库查询优化器严重依赖基数估计(CE)来预测查询结果大小，从而选择最佳执行计划。不准确的基数估计会导致查询性能下降。现有CE方法存在局限性，尤其是在处理复杂查询时。学习型CE模型虽然更准确，但训练成本高，且缺乏系统的基准评估。
在现代关系数据库中，基数估计（CE）起着至关重要的作用。简单来说，基数估计就是预测数据库查询将返回多少中间结果。这一预测对查询优化器的执行计划选择影响巨大，比如决定连接顺序、是否使用索引以及最佳连接方法的选择。如果基数估计不准确，执行计划可能会大打折扣，导致查询速度极慢，严重影响数据库的整体性能。
然而，现有的基数估计方法存在诸多限制。传统的 CE 技术依赖一些简化的假设，往往精准预测复杂查询的基数，尤其是涉及多个表和条件的情况。虽然学习型 CE 模型能提供更好的准确性，但它们的应用却受到训练时间长、需要大数据集以及缺乏系统性基准评估的限制。
为了填这一空白，Google 的研究团队推出了 CardBench，一个全新的基准测试框架。CardBench 包含超过20个真实世界的数据库和数千个查询，远超以往的基准。这使得研究人员能够在各种条件下系统地评估和比较不同的学习型 CE 模型。该基准支持三种主要设置:基于实例的模型、零样本模型和微调模型，适用于不同的训练需求。
CardBench 的设计还包括一系列工具，可以计算必要的数据统计，生成真实的 SQL 查询，并创建用于训练 CE 模型的带注释查询图。
该基准测试提供两组训练数据:一组用于具有多个筛选条件谓词的单个表查询，另一组用于涉及两个表的二进制联接查询。该基准测试包括9125个单表查询和8454个二进制连接查询，适用于其中一个较小的数据集，从而确保为模型评估提供强大且具有挑战性的环境。源自 Google BigQuery 的训练数据标签需要7个 CPU 年的查询执行时间，这凸显了创建此基准测试的重大计算投资。通过提供这些数据集和工具，CardBench 降低了对开发和测试新 CE 模型的研究人员的门槛。
在使用 CardBench 进行的性能评估中，微调模型的表现尤为突出。虽然零样本模型在应用于看不见的数据集时难以提高准确性，尤其是在涉及联接的复杂查询中，但微调模型可以达到与基于实例的方法相当的准确性，而训练数据要少得多。例如，微调的图形神经网络 （GNN） 模型在二进制连接查询中实现了1.32的中位 q 误差和第95个百分位的 q 误差120，明显优于零样本模型。结果表明，即使有500个查询，微调预训练模型也可以显著提高其性能。这使得它们适用于训练数据可能受限的实际应用。
CardBench 的推出为学习型基数估计领域带来了新的希望，使研究人员能够更有效地评估和改进模型，从而推动这一重要领域的进一步发展。
论文入口:https://arxiv.org/abs/2408.16170
总之，CardBench 提供了一个全面且强大的基准测试框架，为学习型基数估计模型的研究和发展提供了重要的工具和资源，推动了数据库查询优化技术的进步。 其微调模型的优异表现尤其值得关注，为实际应用场景提供了新的可能性。