Derin öğrenme ile MySQL sorgu optimizasyonunu geliştirme

Veri tabanı sistemleri için sorgu optimizasyonu, sürekli büyüyen büyük miktarda veri nedeniyle kritik bir zorluktur. Sorgu optimizasyonunun verimliliği, özellikle sorguların karmaşıklığı ve hacminin sorgu yürütme süresini ve kaynak kullanımını önemli ölçüde etkileyebileceği büyük ölçekli uygulamalarda, veritabanı yönetim sistemlerinin performansı için çok önemlidir. Her veritabanı sisteminin kendi sorgu planı yapısı ve sorgu optimizasyon mekanizması vardır. Veritabanı sistemlerinin sorgu iyileştiricileri farklı sorgu yürütme planları arar ve en uygun yürütme planını tahmin etmeye çalışır. Bu sorgu iyileştiricileri, çok karmaşık ve yönetilmesi zor olan ve genellikle modern uygulamalarda kullanılan giderek karmaşıklaşan SQL sorgularını ele almakta zorlanan statik ve kural tabanlı karar teknikleri kullanır. Bu zorlukları ele almak için, bu tez, sorgu yürütme planlarının hiyerarşik yapısını kullanmak için kullanılan derin öğrenme mimarisi olan Ağaç Evrişimli Sinir Ağları (TCNN'ler) kullanarak MySQL veritabanlarında sorgu optimizasyonu için bir çerçeve önermektedir. MySQL için, veritabanı yöneticileri, "optimizer-switch" sistem değişkeniyle optimizasyon davranışını düzenleyebilir. "Optimizer-switch" değişkeninin değeri, başka bir adla bir bayrak veya ipucu kümesidir. Bu ipuçlarının her biri, bu ipucunun etkin veya devre dışı olduğunu gösteren "açık" veya "kapalı" değerine sahiptir. Geliştirilen uygulama, daha verimli sorgu yürütme planları tahmin ederek sorgu yürütme performansını iyileştirmek için TCNN'leri öğrenmek ve düzenlemek için optimize edici ipuçlarını kullanır. Model, geleneksel optimizasyon teknikleri ile kıyaslanarak değerlendirildi. Önerilen yaklaşımın deneysel değerlendirmesi, etkili ipuçları bulma ve sorgu yürütme süresini azaltmada iyileştirmeler olduğunu göstermektedir.