Estimation of parallel query response times using machine learning techniques
Makine öğrenme tekniklerini kullanarak eş zamanlı sorgu yanıt sürelerinin tahmini
- Tez No: 988824
- Danışmanlar: DOÇ. DR. MÜJDAT SOYTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Yapay zeka ve makine öğrenmesi dersi, Artificial intelligence and machine learning course
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, sorgular veritabanı sisteminde çalıştırılmadan sorgu çalışma süreleri tahmin edilmiştir. Geleneksel analitik maliyet tahmin tekniklerini desteklemek veya bunların yerini almak amacıyla, sorgu yanıt sürelerini tahmin etmek için makine öğrenimine dayalı bir yaklaşım önerilmiştir. Önerilen yaklaşım, yapay sinir ağlarına ve çeşitli makine öğrenimi modellerine dayanmaktadır. Sorgular veritabanı yönetim sistemine gönderilmeden önce sorgu yürütme sürelerini tahmin etmek için yürütme planı özelliklerini kullanarak bir öğrenme modeli eğitilir ve eğitilmiş model daha sonra görülmemiş sorgular için yürütme sürelerini tahmin etmek için kullanılır. Bir kıyaslama veritabanında rastgele kriterler kullanılarak oluşturulan toplam 1030 sorgu analiz edilmiştir. Sorgu yürütme planlarından çıkarılan karakteristik özellikler, makine öğrenimi algoritmalarına girdi olarak kullanılmış ve on ikiden fazla farklı öğrenme yöntemi değerlendirilmiştir. Önceki çalışmalar, Windows tabanlı bir ortamda sınırlı sayıda algoritmaya odaklanmıştır. Bu çalışmada, Linux ortamında çalışan bir Oracle veritabanı yönetim sisteminden elde edilen veri kümeleri kullanılarak ek makine öğrenimi algoritmaları değerlendirilmiş ve bunların tahmin doğruluğuna ve öğrenme performansına katkıları incelenmiştir. Değerlendirilen algoritmalar arasında CatBoost, XGBoost, Random Forest, LightGBM, Extra Trees, MLP-ABC, MLP-BP, MLP-SWN, Destek Vektör Makinesi, Doğrusal Regresyon, Parçacık Sürü Optimizasyonu, Ridge Regresyonu, ElasticNet ve Lasso yer almaktadır. Bu algoritmalar, sorgu yürütme sürelerini tahmin etmedeki etkinliklerini analiz etmek için eğitilmiş ve test edilmiştir. Farklı öğrenme algoritmalarının etkisinin analizine ek olarak, farklı işletim sistemlerinden ve veritabanı yönetim sistemlerinden elde edilen yürütme planlarının öğrenme performansı üzerindeki etkileri de araştırılmıştır. Son olarak, elde edilen sonuçlar değerlendirilmiş ve literatürdeki önceki çalışmalarla karşılaştırılmıştır.
Özet (Çeviri)
In this study, query execution times are estimated without executing the queries on the database system. A machine learning–based approach is proposed to estimate query response times, aiming to support or replace traditional analytical cost estimation techniques. The proposed approach is based on artificial neural networks and various machine learning models. A learning model is trained using execution plan features to predict query execution times before the queries are submitted to the database management system, and the trained model is subsequently used to estimate execution times for unseen queries. A total of 1030 queries generated using random criteria on a benchmark database were analyzed. The characteristic features extracted from query execution plans were used as input to machine learning algorithms, and more than twelve different learning methods were evaluated. Previous studies focused on a limited number of algorithms in a Windows-based environment. In this study, additional machine learning algorithms were evaluated using datasets obtained from an Oracle database management system operating on a Linux environment, and their contributions to prediction accuracy and learning performance were examined. The evaluated algorithms include CatBoost, XGBoost, Random Forest, LightGBM, Extra Trees, MLP-ABC, MLP-BP, MLP-SWN, Support Vector Machine, Linear Regression, Particle Swarm Optimization, Ridge Regression, ElasticNet, and Lasso. These algorithms were trained and tested to analyze their effectiveness in estimating query execution times. In addition to analyzing the impact of different learning algorithms, the effects of using execution plans obtained from different operating systems and database management systems on learning performance were investigated. Finally, the obtained results were evaluated and compared with previous studies in the literature.
Benzer Tezler
- Dynamic query optimization on a distributed object management platform
Dağıtık bir nesne yönetim platformunda dinamik sorgulama en iyileştirmesi
FATMA ÖZCAN
Yüksek Lisans
İngilizce
1996
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ASUMAN DOĞAÇ
- Music retrieval systems: Robust performance under the effect of uncertainty
Başlık çevirisi yok
ERDEM ÜNAL
Doktora
İngilizce
2008
Elektrik ve Elektronik MühendisliğiUnıversıty Of Southern CalıfornıaDR. SHRIKANTH NARAYANAN
- Generation and parameter estimation of markov random field textures and a parallel network for texture generation
Markov rastgele alanı dokularının üretimi, parametrelerinin kestirimi ve doku üretimi için paralel, ağ yapılı bir devre
MEHMET İZZET GÜRELLİ
Yüksek Lisans
İngilizce
1990
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. LEVENT ONURAL
- Kablo ile sürülen paralel bir robotun tahmin ve öğrenme temelli yöntemler ile konum ve düzlem dışı titreşim denetimi
Position and out-of-plane vibration control of a cable-driven parallel robot with estimation and learning-based methods
CANER SANCAK
Doktora
Türkçe
2022
Mekatronik MühendisliğiKaradeniz Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET İTİK
- Parallelization of noise subspace-based doa estimation algorithms on CPU and GPU
Gürültü altuzayı tabanlı DOA kestirim algoritmalarının CPU ve GPU üzerinde parallelleştirilmesi
HAMZA ERAY
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiModelleme ve Simülasyon Ana Bilim Dalı
PROF. DR. ALPTEKİN TEMİZEL