Reqo: 강인하고 설명 가능한 쿼리 최적화 비용 모델의 혁신

Chang, Kamali, Kantere 세 연구원이 개발한 Reqo는 Bi-GNN과 GRU 기반의 새로운 아키텍처와 근사 확률적 ML을 활용하여 기존 학습 기반 쿼리 최적화의 한계를 극복했습니다. 정확성, 강인성, 설명 가능성을 모두 향상시킨 Reqo는 쿼리 최적화 분야의 획기적인 발전으로 평가받고 있습니다.

Reqo: 쿼리 최적화의 새로운 지평을 열다

최근 머신러닝(ML)을 쿼리 최적화에 활용하여 보다 효율적인 계획을 선택하려는 관심이 높아지고 있습니다. 기존 학습 기반 쿼리 최적화기는 다양한 모델 아키텍처를 사용하여 트리 구조의 쿼리 계획을 ML 작업에 적합한 표현으로 변환합니다. 하지만 이러한 아키텍처의 설계는 비용 추정에 큰 영향을 미치며, 부정확한 추정으로 인해 최적이 아닌 계획이 선택되고 쿼리 성능이 저하되는 문제가 발생합니다.

Chang, Kamali, Kantere 세 연구원이 제시한 Reqo는 이러한 문제를 해결하기 위한 획기적인 솔루션입니다. 그들은 양방향 그래프 신경망(Bi-GNN) 과 게이트 순환 유닛(GRU) 을 결합한 새로운 트리 모델 아키텍처를 제안하여 더욱 정확한 비용 추정을 가능하게 했습니다. 이는 데이터와 모델 매개변수의 불확실성으로 인한 비용 추정 오류를 최소화하는 데 중요한 역할을 합니다.

하지만 정확성만으로는 부족합니다. Reqo는 근사 확률적 ML을 사용하여 비용 추정의 불확실성을 정량화하는 혁신적인 학습-순위 비용 모델을 구현했습니다. 이 모델은 정량화된 불확실성을 추정 비용과 적응적으로 통합하고, 쌍별 계획 비교를 통해 학습하여 보다 강인한 성능을 달성합니다. 즉, 데이터의 변동이나 모델의 예측 오류에도 덜 민감하게 작동하는 것입니다.

더 나아가, Reqo는 학습 기반 비용 모델에 특화된 최초의 설명 가능성 기법을 제시합니다. 이 기법은 쿼리 계획의 하위 그래프가 최종 예측 비용에 기여하는 정도를 설명하여, 어떤 부분이 비용에 얼마나 영향을 미치는지 명확하게 보여줍니다. 이는 어떤 학습 기반 비용 모델에도 통합 및 학습될 수 있으며, 모델의 설명 가능성을 크게 향상시킵니다. 이는 단순히 정확한 예측뿐 아니라, 왜 그렇게 예측했는지에 대한 이해를 제공하여 신뢰도를 높입니다.

결론적으로 Reqo는 정확성, 강인성, 설명 가능성 세 가지 측면 모두에서 최첨단 방식을 능가하며, 쿼리 최적화의 새로운 시대를 열 것으로 기대됩니다. 비용 추정의 불확실성을 적극적으로 고려하고, 그 결과를 명확하게 설명하는 Reqo의 접근 방식은 향후 쿼리 최적화 연구에 중요한 이정표가 될 것입니다.