dbjapanの皆様、 講演会のご案内です。 IBM AlmadenのDr. Volker Marklの講演が下記のとおり ございます。奮ってご参加ください。 ------------------------------------------------------------------- ☆☆☆ Dr. Volker Markl 講演会のご案内 ☆☆☆ 共催 日本データベース学会 ACM SIGMOD日本支部 日時 ９月８日（金） 午後５時〜午後６時 場所 東京大学生産技術研究所 E棟 会議室A(Ew-501) E棟 ５階 エレベータをあがってすぐ http://www.iis.u-tokyo.ac.jp/map/index.html Title: Learning in Query Optimization Speaker: Volker Markl, IBM Almaden Research Center 参加費 無料 参加ご希望の方は、 日本データベース学会のホームページにて ( http://www.dbsj.org/ ) 会員登録の後（会費無料、すでに登録されている方は結構です）、 sigmodj_lecture@tkl.iis.u-tokyo.ac.jpに 添付の参加申込書をお送り下さい。 皆様のご参加をお待ちしております。 日本データベース学会 副会長・企画委員長 （ACM SIGMOD日本支部 支部長） 北川博之 担当委員 中野 美由紀 連絡(問合せ)先 日本データベース学会、 ACM SIGMOD 日本支部 sigmodj_lecture@tkl.iis.u-tokyo.ac.jp http://www.dbsj.org/ ----------------------------------------------------------------- To: sigmodj_lecture@tkl.iis.u-tokyo.ac.jp 日本データベース学会・ACM SIGMOD日本支部共催 講演会 参加申し込み ９月８日（金）の講演会に参加 ・名前 ・ご所属 ------------------------------------------------------------------ Title: Learning in Query Optimization Speaker: Volker Markl, IBM Almaden Research Center Speaker Bio: http://www.almaden.ibm.com/cs/people/marklv/ Abstract Database Systems let users specify queries in a declarative language like SQL. Most modern DBMS optimizers rely upon a cost model to choose the best query execution plan (QEP) for any given query. Cost estimates are heavily dependent upon the optimizer's estimates for the number of rows that will result at each step of the QEP for complex queries involving many predicates and/or operations. These estimates, in turn, rely upon statistics on the database and modeling assumptions that may or may not be true for a given database. In the first part of our talk, we present research on learning in query optimization that we have carried out at the IBM Almaden Research Center. We introduce LEO, DB2's LEarning Optimizer, as a comprehensive way to repair incorrect statistics and cardinality estimates of a query execution plan. By monitoring executed queries, LEO compares the optimizer's estimates with actuals at each step in a QEP, and computes adjustments to cost estimates and statistics that may be used during the current and future query optimizations. LEO introduces a feedback loop to query optimization that enhances the available information on the database where the most queries have occurred, allowing the optimizer to actually learn from its past mistakes. In the second part of the talk, we describe how the knowledge gleaned by LEO is exploited consistently in a query optimizer, by adjusting the optimizer's model and by maximzing information entropy. ----------------------------------------------------------------------- 中野 美由紀 東京大学 生産技術研究所 喜連川研究室 Miyuki NAKANO Institute of Industrial Science, Univ. of Tokyo miyuki@tkl.iis.u-tokyo.ac.jp