谷歌AI推出CardBench评估框架：含20个真实数据库，更全面评估基数估计模型

CardBench 基准是个综开评价框架，包罗 20 个差别实在数据库中的数千次查询，年夜年夜超越了以往的任何基准。

项目布景

基数估量（cardinality estimation，简称 CE）是劣化干系数据库查询机能的枢纽，触及猜测数据库查询将返回的中心成果数目，间接影响查询劣化器对施行方案的挑选。

关于挑选下效的毗连挨次、决议能否利用索引和挑选最好毗连办法来讲，精确的卡进度估量相当主要。

那些决议计划会对查询施行工夫战数据库团体机能发生严重影响。禁绝确的估量会招致蹩脚的施行方案，从而年夜年夜低落机能，偶然以至会低落几个数目级。

当代数据库体系中普遍利用的基数估量手艺，依靠于启示式（Heuristic）办法战简化模子，比方假定数据同一战列自力。

那些办法固然计较服从下，但常常需求精确猜测基数，正在触及多个表战过滤器的庞大查询中表示尤其较着。

最新的数据驱动办法试图正在没有施行查询的状况下，对表内乱战表间的数据散布停止建模，从而削减了一些开消，但正在数据发作变革时仍需求从头锻炼。

虽然获得了那些前进，但因为缺少片面的基准，因而很易对差别的模子停止比力，也很易评价它们正在差别数据散上的通用性。

CardBench

CardBench 能正在各类前提下对进修到的基数模子停止更片面的评价。该基准撑持三种枢纽设置：

基于真例的模子，即正在单个数据散长进止锻炼；

整面模子，即正在多个数据散长进止预锻炼，然后正在一个已睹数据散长进止测试；

微调模子，即停止预锻炼，然后利用目的数据散的大批数据停止微调。

该基准测试供给两组锻炼数据：一组用于具有多个挑选前提谓词的单个表查询，另外一组用于触及两个表的两进造连接查询。

该基准测试包罗 9125 个单表查询战 8454 个两进造毗连查询，合用于此中一个较小的数据散，从而确保为模子评价供给壮大且具有应战性的情况。

比方，微调图神经收集（GNN）模子正在两进造毗连查询中的 q-error 中位数为 1.32，第 95 百分位数为 120，较着劣于整面模子。成果表白，即便是 500 次查询，对预锻炼模子停止微调也能年夜幅进步其机能。那使它们正在锻炼数占有限的实践使用中变得可止。

总之，CardBench 代表了正在进修的基数估量圆里的严重前进。研讨职员能够经由过程供给片面、多样的基准，体系天评价战比力差别的 CE 模子，从而增进那一枢纽范畴的进一步立异。该基准可以撑持需求较少数据战锻炼工夫的微调模子，为锻炼新模子本钱太高的实践使用供给了实在可止的处理计划。