[發明專利]面向云邊端協同查詢的深度學習代價估計系統、方法及設備

在審

• 申請號: 202210319734.0
• 申請日: 2022-03-29
• 公開（公告）號: CN114911823A
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 王宏志;張愷欣;崔雙雙;丁小歐
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06F16/2453
• 分類號: G06F16/2453;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 哈爾濱華夏松花江知識產權代理有限公司 23213
• 代理人: 時起磊

1.面向云邊端協同查詢的深度學習代價估計系統，其特征在于，所述系統包括輸入數據單元和面向云邊端協同查詢的深度學習代價估模型：

所述輸入數據單元基于云邊端系統的元數據和協同邏輯查詢計劃信息，以云邊端系統的系統節點元信息和協同查詢計劃樹確定面向云邊端協同查詢的深度學習代價估計模型的模型輸入；

所述面向云邊端協同查詢的深度學習代價估計模型包括查詢計劃特征提取單元和圖卷積信息融合單元；

查詢特征提取單元：接收協同查詢計劃樹編碼作為輸入，采用殘差連接的m個樹卷積模塊，對協同查詢計劃樹編碼進行特征融合和特征提取；提取出長度為1×F′_n的特征向量后，將該向量沿axis＝0軸復制N次，形成N個長度為1×F′_n的特征向量，其中第i個特征向量對應著云邊端系統中的一個云/邊/端物理節點i；然后，對于每個云/邊/端物理節點i，根據它所實際執行的數據庫關系操作op，對第i個特征向量中對應于操作op的部分進行保留，其余部分使用mask操作置為0，得到最終的針對每個云/邊/端節點的查詢計劃特征F'；

圖卷積信息融合單元：接收系統節點元信息中對應的N×N鄰接矩陣和N×F特征矩陣，分別記為鄰接矩陣N和特征矩陣F；

然后將查詢計劃特征F'與特征矩陣F拼接為融合特征矩陣F'-F，再使用基于譜方法的圖卷積神經網絡對鄰接矩陣N和融合特征矩陣F'-F進行特征提取，最后將提取結果按行展開為一維向量，經過兩層全連接神經網絡后輸出最終的代價估計結果。

2.根據權利要求1所述的面向云邊端協同查詢的深度學習代價估計系統，其特征在于，所述系統節點元信息包括系統節點拓撲結構信息和各節點元數據特征；

系統節點拓撲結構信息被看作無向圖，并編碼為一個N×N的鄰接矩陣，N為云、邊、端對應的節點總數，矩陣中的元素表示兩個節點之間的網絡帶寬Gbps；

各節點元數據特征為一個N×F的矩陣，F為元數據維度，單個節點的元數據包括靜態元數據，以及節點計算負載和節點I/O負載；

所述的靜態元數據包括：節點類型，節點型號，節點剩余電量，節點執行采樣、過濾、聚集、選擇等數據操作的能耗代價，節點計算能力，節點存儲容量。

3.根據權利要求2所述的面向云邊端協同查詢的深度學習代價估計系統，其特征在于，所述靜態元數據中的節點類型、節點型號以one-hot編碼形式設置；節點剩余電量僅對端節點有效，其余類型節點此值為0；節點執行采樣、過濾、聚集、選擇等數據操作的能耗代價僅對端節點有效，其余類型節點此值為0。

4.根據權利要求2或3所述的面向云邊端協同查詢的深度學習代價估計系統，其特征在于，所述協同查詢計劃樹分為拓撲結構和節點特征兩部分進行編碼：

協同查詢計劃樹分為拓撲結構為二叉樹結構，各節點編碼按照樹的層序遍歷順序依次拼接；

節點特征的節點特征由節點信息的編碼組成；所述的節點信息包括：節點類型的one-hot編碼，操作涉及到的表，操作涉及到的索引類型，操作涉及到的謂詞，節點的基數估計結果。

5.根據權利要求4所述的面向云邊端協同查詢的深度學習代價估計系統，其特征在于，所述節點信息的編碼如下：

節點類型為one-hot編碼；操作涉及到的表為one-hot編碼；操作涉及到的索引類型為one-hot編碼；操作涉及到的謂詞為one-hot編碼；節點的基數估計結果為整數值。

6.基于面向云邊端協同查詢的深度學習代價估計方法，其特征在于，包括以下步驟：

獲取用戶的查詢語句后，利用數據庫技術將用戶輸入的SQL查詢語句解析為查詢計劃樹，并生成協同查詢計劃樹的向量樹編碼；

然后分析執行查詢計劃樹中各算子的物理節點，生成Mask矩陣；

基于權利要求1至5之一所述的面向云邊端協同查詢的深度學習代價估計系統預測查詢的代價；

進行實際查詢并生成實際代價；云邊端系統收集查詢的實際代價，并將數據對保存到數據庫中；所述數據對是指面向云邊端協同查詢的深度學習代價估計模型的模型輸入與實際代價構成的數據對。