Query Performance Explanation through Large Language Model for HTAP Systems

📄 arXiv: 2412.01709v1 📥 PDF

作者: Haibo Xiu, Li Zhang, Tieying Zhang, Jun Yang, Jianjun Chen

分类: cs.DB, cs.CL, cs.LG

发布日期: 2024-12-02

备注: Submitted to ICDE 2025

💡 一句话要点

提出基于LLM的HTAP系统查询性能解释框架，解决跨引擎性能差异理解难题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: HTAP系统 查询性能解释 大型语言模型 检索增强生成 树形CNN 数据库优化 查询计划 知识库

📋 核心要点

  1. 现有HTAP系统查询优化解释过于技术化，难以帮助用户理解跨引擎的性能差异。
  2. 利用检索增强生成（RAG）框架，结合历史查询执行和专家知识，构建LLM性能解释器。
  3. 使用轻量级树形CNN嵌入查询计划，实现高效知识检索，生成上下文感知的性能解释。

📝 摘要（中文）

在混合事务和分析处理（HTAP）系统中，用户常常难以理解为何一个引擎（OLAP或OLTP）的查询计划执行速度明显慢于另一个引擎。尽管优化器通过EXPLAIN函数提供计划细节，但这些解释对于非专业人士来说通常过于技术性，并且对于跨引擎的性能差异提供的见解有限。为了解决这个问题，我们提出了一种新颖的框架，该框架利用大型语言模型（LLM）来解释HTAP系统中的查询性能。我们的框架基于检索增强生成（RAG），构建了一个知识库，其中存储了历史查询执行和专家策划的解释。为了实现相关知识的有效检索，查询计划使用轻量级的树形CNN分类器进行嵌入。这种增强使得LLM能够生成清晰、上下文感知的引擎间性能差异解释。我们的方法展示了LLM在混合引擎系统中的潜力，为数据库优化和用户支持方面的进一步发展铺平了道路。

🔬 方法详解

问题定义：论文旨在解决HTAP系统中用户难以理解不同引擎（OLAP/OLTP）查询性能差异的问题。现有方法，如EXPLAIN函数，提供的解释过于技术化，缺乏对跨引擎性能差异的深入分析，导致非专业用户难以理解性能瓶颈。

核心思路：论文的核心思路是利用大型语言模型（LLM）的自然语言生成能力，结合检索增强生成（RAG）框架，将历史查询执行信息和专家知识融入到LLM的解释中，从而生成更易于理解、更具上下文感知的性能解释。通过检索与当前查询相似的历史查询及其解释，LLM可以更好地理解查询的上下文，并生成更准确的性能解释。

技术框架：该框架主要包含以下几个模块：1) 知识库构建：收集历史查询执行信息和专家编写的性能解释，构建知识库。2) 查询计划嵌入：使用树形CNN将查询计划嵌入到向量空间中，以便进行相似性检索。3) 知识检索：根据当前查询计划的嵌入向量，从知识库中检索最相关的历史查询和解释。4) LLM生成：将检索到的知识作为上下文，输入到LLM中，生成针对当前查询的性能解释。

关键创新：该论文的关键创新在于将LLM应用于HTAP系统的查询性能解释，并结合RAG框架，利用历史查询执行信息和专家知识来增强LLM的解释能力。与传统的基于规则或模板的解释方法相比，该方法能够生成更自然、更灵活、更具上下文感知的解释。此外，使用轻量级的树形CNN进行查询计划嵌入，提高了知识检索的效率。

关键设计：树形CNN的具体结构未知，但可以推测其输入是查询计划的树形结构，通过卷积和池化操作提取查询计划的特征，最终输出一个嵌入向量。RAG框架中的检索算法需要根据查询计划嵌入向量的相似度进行检索，可以使用余弦相似度等度量方法。LLM的选择和训练也至关重要，需要选择具有较强自然语言生成能力的LLM，并使用HTAP领域的查询数据进行微调。

🖼️ 关键图片

fig_0

📊 实验亮点

论文重点在于框架设计和方法论，摘要中未提供具体的实验数据和性能提升幅度。但该方法通过结合LLM和RAG，有望显著提升查询性能解释的质量和用户体验，降低数据库优化的门槛。

🎯 应用场景

该研究成果可应用于各种HTAP数据库系统，帮助数据库管理员和普通用户更好地理解查询性能瓶颈，优化查询语句，提高数据库系统的整体性能。此外，该方法还可以扩展到其他数据库优化领域，例如索引推荐、查询重写等，具有广阔的应用前景。

📄 摘要（原文）

In hybrid transactional and analytical processing (HTAP) systems, users often struggle to understand why query plans from one engine (OLAP or OLTP) perform significantly slower than those from another. Although optimizers provide plan details via the EXPLAIN function, these explanations are frequently too technical for non-experts and offer limited insights into performance differences across engines. To address this, we propose a novel framework that leverages large language models (LLMs) to explain query performance in HTAP systems. Built on Retrieval-Augmented Generation (RAG), our framework constructs a knowledge base that stores historical query executions and expert-curated explanations. To enable efficient retrieval of relevant knowledge, query plans are embedded using a lightweight tree-CNN classifier. This augmentation allows the LLM to generate clear, context-aware explanations of performance differences between engines. Our approach demonstrates the potential of LLMs in hybrid engine systems, paving the way for further advancements in database optimization and user support.