Processing

Please wait...

Settings

Settings

Goto Application

1. WO2022005588 - ENABLING EFFICIENT MACHINE LEARNING MODEL INFERENCE USING ADAPTIVE SAMPLING FOR AUTONOMOUS DATABASE SERVICES

Publication Number WO/2022/005588
Publication Date 06.01.2022
International Application No. PCT/US2021/029718
International Filing Date 28.04.2021
Chapter 2 Demand Filed 30.03.2022
IPC
G06F 16/21 2019.1
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
FELECTRIC DIGITAL DATA PROCESSING
16Information retrieval; Database structures therefor; File system structures therefor
20of structured data, e.g. relational data
21Design, administration or maintenance of databases
G06F 16/2453 2019.1
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
FELECTRIC DIGITAL DATA PROCESSING
16Information retrieval; Database structures therefor; File system structures therefor
20of structured data, e.g. relational data
24Querying
245Query processing
2453Query optimisation
G06N 20/00 2019.1
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
CPC
G06F 16/217
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
16Information retrieval; Database structures therefor; File system structures therefor
20of structured data, e.g. relational data
21Design, administration or maintenance of databases
217Database tuning
G06F 16/2282
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
16Information retrieval; Database structures therefor; File system structures therefor
20of structured data, e.g. relational data
22Indexing; Data structures therefor; Storage structures
2282Tablespace storage structures; Management thereof
G06F 16/24542
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
16Information retrieval; Database structures therefor; File system structures therefor
20of structured data, e.g. relational data
24Querying
245Query processing
2453Query optimisation
24534Query rewriting; Transformation
24542Plan optimisation
G06N 20/00
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
G06N 20/10
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
10using kernel methods, e.g. support vector machines [SVM]
G06N 20/20
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
20Ensemble learning
Applicants
  • ORACLE INTERNATIONAL CORPORATION [US]/[US]
Inventors
  • TAUHEED, Farhan
  • KOCBERBER, Onur
  • KARNAGEL, Tomas
  • AGARWAL, Nipun
Agents
  • MILLER, Brian N.
  • BASSETT, Sarah S.
  • BINGHAM, Marcel K.
  • YANG, Cato
  • MADRAK, Jeffrey R.
  • STONE, Adam C.
  • LIU, Agatha H.
  • HICKMAN, Brian D.
  • ORICH, Christine E.
  • LEDESMA, Daniel D.
  • BECKER, Edward A.
  • KARLIN, Elliot H.
  • PAPANYAN, Khachatur V.
  • KULCZYCKA, Malgorzata A.
  • WANG, Tina T.
  • MCGUIRE, John
  • GELBLUM, Michael
  • KANZAKI, Kim
  • BAGGALEY, Nicholas
  • CHENG, Charles
  • HUTCHINS, Eric
  • KOCIALSKI, Molly
  • NICHOLES, Chris
  • SUTTON, Eric
  • WEBER, Rick
  • DENDORFER, Claus
Priority Data
16/914,81629.06.2020US
Publication Language English (en)
Filing Language English (EN)
Designated States
Title
(EN) ENABLING EFFICIENT MACHINE LEARNING MODEL INFERENCE USING ADAPTIVE SAMPLING FOR AUTONOMOUS DATABASE SERVICES
(FR) ACTIVATION D'INFÉRENCE DE MODÈLE D'APPRENTISSAGE AUTOMATIQUE EFFICACE À L'AIDE D'UN ÉCHANTILLONNAGE ADAPTATIF POUR DES SERVICES DE BASE DE DONNÉES AUTONOMES
Abstract
(EN) Herein are approaches for self-optimization of a database management system (DBMS) such as in real time. Adaptive just-in-time sampling techniques herein estimate database content statistics that a machine learning (ML) model may use to predict configuration settings that conserve computer resources such as execution time and storage space. In an embodiment, a computer repeatedly samples database content until a dynamic convergence criterion is satisfied. In each iteration of a series of sampling iterations, a subset of rows of a database table are sampled, and estimates of content statistics of the database table are adjusted based on the sampled subset of rows. Immediately or eventually after detecting dynamic convergence, a machine learning (ML) model predicts, based on the content statistic estimates, an optimal value for a configuration setting of the DBMS.
(FR) L'invention concerne des approches destinées à l'auto-optimisation d'un système de gestion de base de données (SGBD), en temps réel. Des techniques d'échantillonnage juste à temps adaptatives permettent d'estimer des statistiques de contenu de base de données qu'un modèle d'apprentissage automatique (ML) peut utiliser pour prédire des paramètres de configuration qui conservent des ressources informatiques telles que le temps d'exécution et l'espace de stockage. Dans un mode de réalisation, un ordinateur échantillonne de manière répétée un contenu de base de données jusqu'à ce qu'un critère de convergence dynamique soit satisfait. À chaque itération d'une série d'itérations d'échantillonnage, un sous-ensemble de rangées d'une table de base de données sont échantillonnées, et des estimations de statistiques de contenu de la table de base de données sont ajustées sur la base du sous-ensemble échantillonné de rangées. Immédiatement ou éventuellement après la détection d'une convergence dynamique, un modèle d'apprentissage automatique (ML) prédit, sur la base des estimations de statistiques de contenu, une valeur optimale pour un paramètre de configuration du SGBD.
Related patent documents
Latest bibliographic data on file with the International Bureau