摘要:由深度学习驱动的学习型查询优化器正在越来越广泛地受到研究者的关注，这些优化器往往能够取得近似甚至超过传统商业优化器的性能.与传统优化器不同的是，一个成功的学习型优化器往往依赖于足够多的高质量的负载查询作为训练数据.低质量的训练查询会导致学习型优化器在未来的查询上失效.提出了基于强化学习的鲁棒的学习型查询优化器训练框架AlphaQO，提前找到学习型优化器做不好的查询，以提高学习型优化器的鲁棒性.AlphaQO中存在两个重要部分：查询生成器和学习型优化器.查询生成器的目标是生成“难”的查询（传统优化器做得好，但是学习型优化器反而做得不好的查询）.学习型优化器利用这些生成的查询进行测试和训练，并提供反馈让查询生成器进行更新.系统迭代交替的运行上述两个部分，分别进行训练.目的在于在提供尽量少的信息和消耗足够小的时间下找到足够多“难”的并且未见的查询给优化器训练，以提高学习型优化器的鲁棒性.实验结果显示：该生成器会提供越来越难的训练查询给学习型优化器；同时，这些查询能够提升学习型优化器的性能.

摘要:主要研究XML文档的并行数据分片策略,以便能够并行处理XML查询.为了描述XML数据分片,提出了媒介节点的概念.一组媒介节点的集合可以将一棵XML数据树分割成一棵根树和一组子树的集合:根树将在所有站点中复制;而子树集合则可以根据用户查询的工作负载被均匀地分片到各个站点中.对于同一棵XML数据树,会有很多种媒介节点的集合;而不同的媒介节点集合会产生不同的数据分片结果.然后,依据各个数据分片中的用户查询工作量是否均衡,来衡量一个分片的好坏.选择一组最佳的媒介节点集合是一个NP-hard问题.为了解决此问题,设计了一组启发式优化规则.基于这一思想,提出并实现了一种基于媒介节点的XML数据分片算法WIN(workload-aware intermediary nodes data placement strategy).大量实验结果证明:WIN算法的性能要优于以往的并行XML数据分片策略.