基于LSTM-FCN的并發(fā)查詢執(zhí)行計(jì)劃選擇

章彬慧，宋春花，牛保寧，柳浩楠，陶溫霞，程永強(qiáng)

太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院，山西 晉中 030600

查詢是數(shù)據(jù)庫系統(tǒng)的主要負(fù)載，查詢執(zhí)行的效率決定數(shù)據(jù)庫系統(tǒng)的性能。為查詢選擇合適的執(zhí)行計(jì)劃是提高數(shù)據(jù)庫系統(tǒng)的性能、最終提升應(yīng)用系統(tǒng)性能的關(guān)鍵。目前數(shù)據(jù)庫系統(tǒng)在選擇執(zhí)行計(jì)劃時(shí)由于：（1）代價(jià)模型（cost model）[1]對執(zhí)行計(jì)劃的代價(jià)估計(jì)不準(zhǔn)確；（2）很少考慮查詢之間的相互影響——查詢交互（query interaction）[2]，孤立地為查詢選擇執(zhí)行計(jì)劃，導(dǎo)致選擇的執(zhí)行計(jì)劃很難在不同場景下都是合適的。這里的“合適的”是指查詢的執(zhí)行不僅是高效的，同時(shí)它的執(zhí)行不會顯著降低系統(tǒng)的效率。

一方面，代價(jià)估計(jì)不準(zhǔn)、估算復(fù)雜查詢的成本太高導(dǎo)致查詢優(yōu)化器無法為查詢選擇最優(yōu)的執(zhí)行計(jì)劃。執(zhí)行計(jì)劃是數(shù)據(jù)庫系統(tǒng)執(zhí)行查詢語句的操作組合，查詢優(yōu)化器通常將其表示為一棵二叉樹。一般地，一個(gè)查詢有多種執(zhí)行計(jì)劃，這些執(zhí)行計(jì)劃返回相同的結(jié)果集[3]，但是它們的執(zhí)行代價(jià)差別很大。查詢優(yōu)化器基于左深樹（left-deep tree），按照一定的搜索策略，如System-R[4]算法、基因算法[5]等，為查詢選擇候選執(zhí)行計(jì)劃（candidate execution plan），其原則是在不壞的執(zhí)行計(jì)劃（左深樹）中，根據(jù)表和索引的統(tǒng)計(jì)信息，估計(jì)各個(gè)執(zhí)行計(jì)劃的代價(jià)，從中選出較優(yōu)的執(zhí)行方案。

另一方面，多個(gè)查詢并發(fā)運(yùn)行是數(shù)據(jù)庫系統(tǒng)運(yùn)行的常態(tài)，選擇執(zhí)行計(jì)劃時(shí)應(yīng)該考慮查詢間的相互作用。并發(fā)運(yùn)行的一組查詢被稱作查詢組合（query mix）。在查詢組合中，查詢之間會相互影響，產(chǎn)生查詢交互。查詢交互的本質(zhì)是并發(fā)查詢對系統(tǒng)資源的爭用或共享，通常引起查詢使用資源量或時(shí)間的改變，也就是執(zhí)行計(jì)劃代價(jià)的改變，從而導(dǎo)致查詢執(zhí)行性能的降低或提高[6-7]。例如：一個(gè)查詢讀入緩沖池的數(shù)據(jù)，被另一個(gè)查詢利用，減少對I/O資源的使用；多個(gè)查詢同時(shí)進(jìn)行多個(gè)外排序與逐一進(jìn)行排序相比，由于用于排序的內(nèi)存不同，前者需要更多的I/O。由于查詢交互極其復(fù)雜，一個(gè)查詢在不同查詢組合中經(jīng)受的查詢交互千差萬別，執(zhí)行計(jì)劃代價(jià)改變程度也不同。查詢優(yōu)化器基于代價(jià)模型選擇的執(zhí)行計(jì)劃在一個(gè)查詢組合中是合適的，在另外一個(gè)查詢組合中很可能不是合適的。因此，執(zhí)行計(jì)劃的選擇需全面考慮當(dāng)前查詢組合下的查詢交互因素，才能找到合適的執(zhí)行計(jì)劃。在實(shí)踐中，查詢優(yōu)化器在選擇執(zhí)行計(jì)劃時(shí)，把一些系統(tǒng)配置參數(shù)，如并行度（multi programming level，MPL）、緩沖池的大小、排序堆的大小等作為選擇執(zhí)行計(jì)劃的因素。這樣做，或多或少能夠考慮一些查詢交互因素，但是，這種參數(shù)是靜態(tài)的，選擇的執(zhí)行計(jì)劃也是靜態(tài)的[7]，覆蓋的查詢交互因素不足以全面反映查詢交互的動(dòng)態(tài)變化。

綜上所述，為了能夠選擇適合實(shí)際場景的執(zhí)行計(jì)劃，需要綜合考慮查詢本身的代價(jià)及查詢交互因素。這是一項(xiàng)復(fù)雜的任務(wù)，很難用一個(gè)簡單的數(shù)學(xué)模型來描述。深度學(xué)習(xí)的出現(xiàn)和其在數(shù)據(jù)管理中的應(yīng)用，為解決上述問題提供了新的思路：構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)，融合反映查詢執(zhí)行代價(jià)的查詢組合執(zhí)行計(jì)劃特征（features of plans，F(xiàn)oP）和反映查詢交互的查詢組合交互特征（features of query interaction，F(xiàn)QI），組成查詢組合特征（query mix features，QMF），作為網(wǎng)絡(luò)的輸入，為查詢動(dòng)態(tài)選擇執(zhí)行計(jì)劃。

本文針對周期性地運(yùn)行一批固定查詢的聯(lián)機(jī)分析處理（on-line analytical processing，OLAP）場景，提出用深度學(xué)習(xí)實(shí)現(xiàn)并發(fā)查詢執(zhí)行計(jì)劃的選擇。

問題描述：一個(gè)數(shù)據(jù)庫系統(tǒng)D={M,R,T}，其中M={qi|i=1,2,…,m}表示正在運(yùn)行的查詢組合，R表示查詢組合中查詢間的查詢交互，T表示數(shù)據(jù)庫系統(tǒng)中關(guān)系的集合。當(dāng)查詢qj到來時(shí)，從查詢優(yōu)化器為其篩選的候選執(zhí)行計(jì)劃集合Q={qj_c|c=1,2,…}中，選擇一個(gè)合適的執(zhí)行計(jì)劃，使得新查詢組合的執(zhí)行效率最高。

本文的創(chuàng)新點(diǎn)如下：

（1）使用LSTM與FCN構(gòu)成的LSTM-FCN實(shí)現(xiàn)并發(fā)查詢執(zhí)行計(jì)劃的選擇。用LSTM學(xué)習(xí)時(shí)域特征、FCN實(shí)現(xiàn)特征融合及分類，為查詢動(dòng)態(tài)選擇適合當(dāng)前執(zhí)行場景的執(zhí)行計(jì)劃。

（2）同時(shí)考慮執(zhí)行計(jì)劃與查詢交互兩方面的因素為查詢選擇執(zhí)行計(jì)劃。設(shè)計(jì)充分體現(xiàn)查詢組合中所有查詢特征的編碼方式，將查詢組合執(zhí)行計(jì)劃與查詢組合交互度量值QueryRating[6]共同作為神經(jīng)網(wǎng)絡(luò)輸入特征來源。

1 相關(guān)工作

本章首先介紹當(dāng)前查詢優(yōu)化器選擇執(zhí)行計(jì)劃的方法，然后討論考慮查詢交互因素、選擇執(zhí)行計(jì)劃的方法，最后討論深度學(xué)習(xí)在選擇執(zhí)行計(jì)劃上的應(yīng)用。

1.1 查詢優(yōu)化器選擇執(zhí)行計(jì)劃的方法

一條查詢語句經(jīng)過解析器轉(zhuǎn)換為查詢樹，查詢優(yōu)化器以查詢樹作為輸入，根據(jù)關(guān)系訪問方式、連接方式及連接順序生成可能的執(zhí)行計(jì)劃，然后依據(jù)代價(jià)模型[1]選擇代價(jià)最小的方案，作為該查詢的較優(yōu)執(zhí)行計(jì)劃，并制定一個(gè)完整的規(guī)劃樹傳遞給執(zhí)行器[4]。主流數(shù)據(jù)庫管理系統(tǒng)的查詢優(yōu)化器都是基于代價(jià)策略選擇執(zhí)行計(jì)劃。改善代價(jià)估計(jì)不準(zhǔn)確的主要途徑是通過修正統(tǒng)計(jì)信息[8-9]。優(yōu)化器為并發(fā)查詢選擇執(zhí)行計(jì)劃時(shí)，通過一些靜態(tài)的參數(shù)[10-12]，如并行度、緩沖池的大小、排序堆的大小等，體現(xiàn)查詢交互的影響。參數(shù)固定時(shí)，選擇的執(zhí)行計(jì)劃也固定不變，參數(shù)配置不能準(zhǔn)確描述查詢交互。

1.2 考慮查詢交互因素選擇執(zhí)行計(jì)劃的方法

TRating[7]模型只考慮查詢交互因素，為并發(fā)查詢選擇執(zhí)行計(jì)劃，取得了較好的效果，顯示查詢交互是影響執(zhí)行計(jì)劃選擇的主要因素。

BAL（buffer access latency）[13]、QueryRating[6]通過度量查詢交互來預(yù)測查詢響應(yīng)時(shí)間，提出了度量查詢交互的方法。BAL方法主要考慮邏輯讀/寫代價(jià)，以查詢并發(fā)與單獨(dú)運(yùn)行的時(shí)間差衡量查詢交互。QueryRating方法綜合考慮邏輯讀/寫、查詢計(jì)算的代價(jià)等，以查詢兩兩運(yùn)行與單獨(dú)運(yùn)行時(shí)響應(yīng)時(shí)間的比值，量化兩個(gè)查詢之間的查詢交互。TRating提出的QIs方法[7]認(rèn)為，查詢單獨(dú)運(yùn)行的響應(yīng)時(shí)長會影響其加入查詢組合后受到查詢交互的持續(xù)時(shí)長。

上述模型和方法揭示了查詢交互是影響查詢執(zhí)行的主要因素。其他一些研究雖然沒有提出查詢交互的概念，但是實(shí)質(zhì)上利用查詢交互中的查詢合作來優(yōu)化查詢的執(zhí)行，包括查詢結(jié)果集的共享訪問[14]、查詢間數(shù)據(jù)的共享掃描[15]及操作符的共享[16]等并發(fā)查詢優(yōu)化方法。并發(fā)查詢執(zhí)行過程中，查詢間不僅存在查詢合作，更多的應(yīng)該是查詢競爭。查詢交互反映了查詢間的合作和競爭關(guān)系。

本文采用QueryRating度量查詢兩兩之間的交互，構(gòu)造查詢組合交互特征FQI，把查詢交互作為主要因素為并發(fā)查詢選擇執(zhí)行計(jì)劃。

1.3 深度學(xué)習(xí)在選擇執(zhí)行計(jì)劃上的應(yīng)用

隨著人工智能的發(fā)展，近幾年研究人員將深度學(xué)習(xí)與數(shù)據(jù)庫性能優(yōu)化問題相結(jié)合取得了較好的成果[8-9，17]，這些研究主要側(cè)重于改進(jìn)查詢優(yōu)化器代價(jià)模型或提高基數(shù)估計(jì)準(zhǔn)確率。使用LSTM，將執(zhí)行計(jì)劃作為模型輸入，為特定查詢預(yù)測響應(yīng)時(shí)間[18]達(dá)到了較高的準(zhǔn)確率?；趶?qiáng)化學(xué)習(xí)的Neo（neural optimizer）[19]，利用神經(jīng)網(wǎng)絡(luò)調(diào)整搜索策略，為查詢生成較優(yōu)的執(zhí)行計(jì)劃。使用圖嵌入對并發(fā)查詢進(jìn)行查詢性能預(yù)測[20]，圖模型的每個(gè)頂點(diǎn)是執(zhí)行計(jì)劃中的一個(gè)操作，兩個(gè)頂點(diǎn)之間的邊表示它們之間的相關(guān)性，例如，共享相同的表、索引或競爭的資源。

基于現(xiàn)有代價(jià)模型很難準(zhǔn)確估計(jì)執(zhí)行計(jì)劃的代價(jià)、復(fù)雜多變的查詢交互使得簡單的數(shù)學(xué)模型無法作為選擇執(zhí)行計(jì)劃的依據(jù)。本文提出用LSTM-FCN，同時(shí)考慮執(zhí)行計(jì)劃與查詢交互，為查詢動(dòng)態(tài)選擇適合當(dāng)前查詢組合的執(zhí)行計(jì)劃。

2 方法

用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)解決問題的關(guān)鍵是：獲取樣本數(shù)據(jù)，構(gòu)造合適的輸入特征，選擇適合描述問題的網(wǎng)絡(luò)模型。按照這一思路，2.1節(jié)對問題進(jìn)行分析，討論解決問題的思路。對于樣本數(shù)據(jù)的獲取，2.2節(jié)介紹查詢組合交互信息的獲取及預(yù)測標(biāo)簽的設(shè)計(jì)與編碼，2.3節(jié)討論輸入特征QMF的設(shè)計(jì)。2.4節(jié)，給出LSTM-FCN模型的網(wǎng)絡(luò)結(jié)構(gòu)及網(wǎng)絡(luò)參數(shù)設(shè)計(jì)。

2.1 問題分析與解決思路

解決引言中所提問題的關(guān)鍵一點(diǎn)是，如何判斷執(zhí)行效率最高。查詢qj的到來，對M產(chǎn)生了新的查詢交互，引發(fā)其本身及M中各查詢執(zhí)行狀態(tài)的改變?？梢酝ㄟ^度量這種改變來判斷查詢的執(zhí)行效率。這種改變具體表現(xiàn)為兩個(gè)方面：查詢等待資源時(shí)間的改變和查詢獲得資源量的改變（代價(jià)的改變）。查詢響應(yīng)時(shí)間是等待時(shí)間與執(zhí)行時(shí)間之和，反映了查詢交互的后果，它的變化程度表征了查詢交互的程度。QueryRating[6]用查詢響應(yīng)時(shí)間的變化程度度量兩個(gè)查詢之間查詢交互的大小。

其中，tji表示查詢qj與查詢qi并發(fā)時(shí)qj的響應(yīng)時(shí)間，tj表示查詢qj單獨(dú)運(yùn)行時(shí)的響應(yīng)時(shí)間。若Rji小于1，表示查詢qi對查詢qj的執(zhí)行有促進(jìn)作用。Rji越小，表示查詢qi對查詢qj的促進(jìn)作用越強(qiáng)。反之，Rji大于1，表示查詢qi對查詢qj的執(zhí)行有抑制作用。Rji越大，表示查詢qi對查詢qj的抑制作用越強(qiáng)。Rji等于1，表示兩查詢并發(fā)時(shí)不存在相互作用。

查詢單獨(dú)執(zhí)行時(shí)不需要等待資源，它的響應(yīng)時(shí)間是執(zhí)行計(jì)劃代價(jià)的體現(xiàn)。并發(fā)查詢的QueryRating值越小，消極查詢交互越小，查詢的執(zhí)行效率越高。假設(shè)查詢qj有執(zhí)行計(jì)劃qj_1、qj_2，它們到來之后受到M的查詢交互作用，QueryRating值前者小于后者。但是M中各查詢與qj_1并發(fā)時(shí)，QueryRating值大于它們與qj_2并發(fā)時(shí)的QueryRating值，那么qj_1、M的QueryRating之和可能大于qj_2、M的QueryRating之和，即qj執(zhí)行效率較高的執(zhí)行計(jì)劃可能降低新查詢組合的執(zhí)行效率。受到QueryRating的啟發(fā)，將查詢qj與M的查詢交互作用之和，作為描述新查詢組合執(zhí)行效率高低的標(biāo)準(zhǔn)。查詢交互作用之和用QueryRating之和表示。其中qj受到M的QueryRating值越小，表示查詢qj受到M的消極查詢交互越小，qj的執(zhí)行效率越高。M受到qj的QueryRating值，用M中各查詢受到qj的QueryRating值之和表示，該值越小，表示M的執(zhí)行效率越高。qj執(zhí)行效率與M執(zhí)行效率之和表示qj到來之后，新查詢組合的查詢效率。

需要注意的是，qj到來之后，可能會造成M中各查詢之間查詢交互的調(diào)整，本文認(rèn)為這個(gè)影響較小，暫時(shí)不予考慮?；谝陨戏治?，將新查詢組合中的QueryRating之和作為判斷其執(zhí)行效率高低的標(biāo)準(zhǔn)，并以此為目標(biāo)函數(shù)，選擇合適的執(zhí)行計(jì)劃：

其中，RjM和RMj分別表示qj與M并發(fā)運(yùn)行時(shí)，qj和M受到對方的查詢交互作用，tjM和tic分別表示qj以候選執(zhí)行計(jì)劃qj_c與M并發(fā)運(yùn)行時(shí)，qj和M中的查詢qi的響應(yīng)時(shí)間。

公式（2）中，tjM/tj和tic/ti分別表示在qj以候選執(zhí)行計(jì)劃qj_c與M并發(fā)運(yùn)行的情況下，qj和M中的查詢qi相對于它們單獨(dú)運(yùn)行時(shí)響應(yīng)時(shí)間的變化程度。tjM/tj小于1，表示查詢qj以候選執(zhí)行計(jì)劃qj_c加入到M之后，qj_c響應(yīng)時(shí)間變短，M與它的積極查詢交互提升了qj_c的執(zhí)行效率；反之，降低了qj_c的執(zhí)行效率。表示查詢qj以候選執(zhí)行計(jì)劃qj_c與M并發(fā)運(yùn)行情況下，M中各查詢響應(yīng)時(shí)間總體的變化程度。該值越小，表示qj_c與M的查詢交互提升了M的執(zhí)行效率，反之，降低了M的執(zhí)行效率。表示qj_c到來之后，新查詢組合的響應(yīng)時(shí)間的改變程度。該值越小，表示查詢qj的候選執(zhí)行計(jì)劃qj_c對查詢組合的執(zhí)行效率提升程度越大，該執(zhí)行計(jì)劃越適合與M并發(fā)運(yùn)行。

在網(wǎng)絡(luò)輸入方面，執(zhí)行計(jì)劃表征了查詢執(zhí)行的代價(jià)，從執(zhí)行計(jì)劃中可以提取代價(jià)信息，構(gòu)造FoP。查詢交互往往造成查詢等待資源和執(zhí)行代價(jià)的改變，體現(xiàn)在查詢響應(yīng)時(shí)間中，因此，可以從查詢響應(yīng)時(shí)間的改變中獲取查詢交互信息，構(gòu)造FQI，進(jìn)而得到模型輸入特征QMF。

在深度學(xué)習(xí)網(wǎng)絡(luò)的選擇方面，考慮到查詢執(zhí)行過程中，各操作之間存在一定的時(shí)序關(guān)系，而LSTM模擬時(shí)間關(guān)系，持續(xù)保留層間關(guān)系，可以描述查詢內(nèi)部的時(shí)域特征。FCN融合特征，實(shí)現(xiàn)分類。因此，本文使用LSTMFCN實(shí)現(xiàn)并發(fā)查詢執(zhí)行計(jì)劃的選擇。

2.2 查詢組合交互信息的獲取及預(yù)測標(biāo)簽的設(shè)計(jì)與編碼

根據(jù)2.1節(jié)的討論，查詢響應(yīng)時(shí)間的變化程度反映了查詢交互的后果。在OLAP場景中，一批查詢周期性運(yùn)行，查詢qj單獨(dú)執(zhí)行的響應(yīng)時(shí)間及其與查詢組合M并發(fā)運(yùn)行時(shí)的響應(yīng)時(shí)間容易獲得。M中各查詢對查詢qj造成的響應(yīng)時(shí)間的改變程度可以表示為：Rj1,Rj2,…,Rji,…,Rjm?；谝陨戏治?，用查詢交互值QueryRating[6]的改變程度反映查詢交互導(dǎo)致的查詢執(zhí)行代價(jià)的改變，進(jìn)而構(gòu)造查詢qj受到M的查詢組合交互特征FQI。

公式（2）是評價(jià)執(zhí)行計(jì)劃是否合適的指標(biāo)，因此，將預(yù)測標(biāo)簽定義為與候選執(zhí)行計(jì)劃一一對應(yīng)c位向量L，L=(lj_1,lj_2,…,lj_c)。L中，與查詢組合M并發(fā)執(zhí)行時(shí)，qj合適的執(zhí)行計(jì)劃對應(yīng)位為1，其余位為0。

2.3 輸入特征QMF

根據(jù)上面的分析，執(zhí)行計(jì)劃體現(xiàn)查詢的執(zhí)行代價(jià)，不同執(zhí)行計(jì)劃代價(jià)不同，執(zhí)行計(jì)劃本身的信息應(yīng)作為網(wǎng)絡(luò)輸入特征來源之一。查詢交互反映查詢組合中查詢間的相互作用，表征查詢執(zhí)行代價(jià)的改變程度，影響執(zhí)行計(jì)劃的選擇，查詢交互也應(yīng)作為模型輸入特征來源之一。因此，LSTM-FCN的輸入特征應(yīng)包括兩部分：FoP、FQI。通過向量拼接的方法，得到模型的輸入特征QMF,QMF={FoP,FQI}。其中，F(xiàn)oP從查詢的執(zhí)行計(jì)劃中獲取，F(xiàn)QI從查詢響應(yīng)時(shí)間的變化程度中獲取。下面，使用獨(dú)熱編碼（one-hot encoding）對輸入數(shù)據(jù)進(jìn)行預(yù)處理，把輸入數(shù)據(jù)變成長度相同的特征，便于神經(jīng)網(wǎng)絡(luò)處理。

2.3.1 FoP的提取與編碼

一個(gè)查詢的執(zhí)行計(jì)劃有多個(gè)，查詢復(fù)雜時(shí)，執(zhí)行計(jì)劃數(shù)量增多，考慮全部的執(zhí)行計(jì)劃相對困難。因此，本文從查詢優(yōu)化器得到的候選執(zhí)行計(jì)劃中選擇若干個(gè)響應(yīng)時(shí)間不同的計(jì)劃作為實(shí)驗(yàn)執(zhí)行計(jì)劃。這些執(zhí)行計(jì)劃反映了查詢的執(zhí)行代價(jià)。

假如有查詢：select r_name，n_name from nation，region where n_regionkey=r_regionkey；對應(yīng)的查詢執(zhí)行計(jì)劃樹如圖1所示。

圖1 查詢執(zhí)行計(jì)劃樹Fig.1 Query execution plan tree

后續(xù)遍歷該執(zhí)行計(jì)劃樹，得到一個(gè)操作序列{nation,Hash,region,nation??region}，其中，符號??表示關(guān)系之間的連接操作，將操作序列中的每一個(gè)操作編碼成二進(jìn)制序列。對查詢組合中所有查詢的執(zhí)行計(jì)劃按照相同的方式進(jìn)行編碼，生成查詢組合執(zhí)行計(jì)劃特征FoP。

由于操作類型是每個(gè)操作的屬性，操作的表是每個(gè)操作的作用對象，操作的列是每個(gè)操作作用對象的一個(gè)準(zhǔn)確定位，操作結(jié)果行的寬度反映了每個(gè)操作的規(guī)模，即該操作的復(fù)雜度或代價(jià)。同時(shí)考慮以上四個(gè)方面對查詢的每個(gè)操作進(jìn)行編碼，得到的編碼序列可以充分體現(xiàn)查詢的執(zhí)行代價(jià)。將操作列表按照{(diào)操作種類，操作的表，操作涉及的表的列，結(jié)果行寬度}的格式編碼，可以把執(zhí)行計(jì)劃轉(zhuǎn)換成二進(jìn)制串。以執(zhí)行計(jì)劃qj_c為例，具體編碼方式如下：

后續(xù)遍歷執(zhí)行計(jì)劃qj_c的計(jì)劃樹，得到對應(yīng)于qj_c的操作序列si_c={pj|j=1,2,…,n}，n表示此執(zhí)行計(jì)劃樹中操作個(gè)數(shù)。對序列中的每個(gè)操作提取關(guān)鍵特征進(jìn)行編碼，得到向量pj={ak|k=1,2,3,4}。向量pj具體編碼方式如下：

（1）a1代表操作pj的類型，例如Merge Join、Neated Loop等操作。假設(shè)數(shù)據(jù)庫有d種操作類型，a1則為d位的向量。pj對應(yīng)位為1，其他位設(shè)為0。

（2）a2代表pj在數(shù)據(jù)庫中操作的關(guān)系。假設(shè)數(shù)據(jù)庫有e個(gè)關(guān)系，a2則為e位的向量。a2中pj操作的關(guān)系對應(yīng)位為1，其他位設(shè)為0。

（3）a3代表關(guān)系的列。假設(shè)關(guān)系共有f列，則a3則為f位的向量。關(guān)系a2涉及到的列對應(yīng)位為1，其他位設(shè)為0。

（4）a4代表pj操作結(jié)果行的平均寬度及每行所占的字節(jié)數(shù)。將結(jié)果行平均寬度劃分成g個(gè)區(qū)間，所得寬度對應(yīng)的區(qū)間位為1，其他位設(shè)為0。

向量pj中向量a1、a2、a3表征查詢操作的特點(diǎn)，a4表征查詢結(jié)果的復(fù)雜程度。對于查詢組合M，查詢的不同執(zhí)行計(jì)劃看作不同的查詢，則qj到來之后，查詢組合執(zhí)行計(jì)劃特征：

2.3.2 FQI的提取與編碼

構(gòu)建查詢組合交互特征FQI首要一點(diǎn)是獲取查詢交互信息。查詢qj加入到查詢組合M中之后，其響應(yīng)時(shí)間的變化程度可以表征其受到組合中各查詢的查詢交互。為了更準(zhǔn)確地分析qj受到M的查詢交互，本文計(jì)算M中每個(gè)查詢對qj的查詢交互值，將其作為qj受到的查詢組合交互信息。根據(jù)2.2節(jié)中的分析，用qj單獨(dú)運(yùn)行及其與M并發(fā)時(shí)響應(yīng)時(shí)間的改變，反映其代價(jià)的變化，進(jìn)而構(gòu)造查詢qj受到M的查詢組合交互特征FQI。具體方案如下：

分別計(jì)算M中各查詢對qj響應(yīng)時(shí)間的改變程度：Rj1,Rj2,…,Rji,…,Rjm。將它們編碼，作為查詢qj受到M的查詢組合交互特征FQI。編碼方案如下：統(tǒng)計(jì)實(shí)驗(yàn)數(shù)據(jù)中查詢交互值范圍，將查詢交互值編碼為定長h位向量r={(0,1],(1,2],(2,3],…,(h-1,h]}，其中h=。為了方便實(shí)現(xiàn)查詢交互值的特征化，本文對臨界值“1”的編碼做如下規(guī)定：1是查詢間促進(jìn)或抑制作用的分界線，故將向量r每位設(shè)為步長為1的左開右閉區(qū)間，當(dāng)查詢交互值小于或等于1時(shí)，視為兩查詢之間的相互作用為積極查詢交互，反之，視為消極查詢交互。查詢組合交互特征如下：

故模型的輸入特征——查詢組合特征為：

一般地，F(xiàn)oP列向量數(shù)等于MPL,FQI列向量數(shù)等于MPL-1。FoP、FQI行向量數(shù)等于待測查詢的候選執(zhí)行計(jì)劃個(gè)數(shù)。

QMF的編碼及生成過程也稱為查詢組合特征化，特征向量QMF反映了查詢組合的執(zhí)行代價(jià)和運(yùn)行時(shí)執(zhí)行代價(jià)的改變程度。本文從查詢級別提取有效特征QMF，以此作為深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的輸入，為查詢動(dòng)態(tài)選擇適合其運(yùn)行環(huán)境的執(zhí)行計(jì)劃。

2.4 LSTM-FCN模型的構(gòu)造

本文LSTM-FCN構(gòu)建的主要思想是從查詢級的優(yōu)化入手，首先通過查詢組合的特征化設(shè)計(jì)表征查詢的屬性，并將其作為模型的輸入特征，其次是選擇合適的深度學(xué)習(xí)模型，選擇執(zhí)行計(jì)劃。模型的改進(jìn)上，采用網(wǎng)絡(luò)組合的方式將LSTM和FCN結(jié)合在一起，用LSTM描述查詢各操作間的相關(guān)性，具體表現(xiàn)為操作間的時(shí)序關(guān)系，在LSTM輸出層后添加FCN層，實(shí)現(xiàn)特征的高度融合。輸出層采用全連接層，實(shí)現(xiàn)分類。

使用LSTM與FCN的組合LSTM-FCN模型選擇執(zhí)行計(jì)劃，其中將LSTM作為模型的一部分，原因有兩方面：（1）LSTM的輸入門、遺忘門、輸出門描述了特征之間的時(shí)序關(guān)系，使得模型可以通過記住上一時(shí)刻的狀態(tài)來動(dòng)態(tài)地調(diào)整自身學(xué)習(xí)過程；（2）查詢組合特征序列較長，LSTM學(xué)習(xí)長序列的能力較強(qiáng)，避免了傳播過程中可能發(fā)生的特征丟失問題。將FCN作為模型的一部分原因是：FCN可以簡單高效地對LSTM層輸出的特征進(jìn)行融合，同時(shí)將特征長度轉(zhuǎn)換成合適的維度，便于模型的輸出層計(jì)算損失。

LSTM層的自我調(diào)整保證了執(zhí)行計(jì)劃選擇的動(dòng)態(tài)性，F(xiàn)CN層保證了LSTM-FCN模型的高效性和穩(wěn)定性。經(jīng)過特征化后的查詢組合作為模型的輸入，使得LSTM-FCN在保證動(dòng)態(tài)性及高效性的同時(shí)，描述查詢的靜態(tài)屬性——查詢的操作類型及規(guī)模，動(dòng)態(tài)屬性——查詢組合內(nèi)查詢間的相互作用，從而實(shí)現(xiàn)并發(fā)查詢執(zhí)行計(jì)劃的動(dòng)態(tài)選擇。第3章中設(shè)計(jì)相關(guān)實(shí)驗(yàn)驗(yàn)證了本文模型的性能。LSTM-FCN的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 LSTM-FCN的網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Network structure of LSTM-FCN model

其中輸入特征向量是QMF,QMF作為LSTM層初始狀態(tài)的輸入向量。LSTM單元的物理結(jié)構(gòu)與內(nèi)部邏輯關(guān)系分別如圖3、4所示。

圖4展示一個(gè)LSTM單元內(nèi)部的運(yùn)算關(guān)系，它將當(dāng)前時(shí)刻的輸入、上一時(shí)刻的輸出、狀態(tài)三個(gè)向量進(jìn)行運(yùn)算，得到當(dāng)前時(shí)刻的輸出和狀態(tài)。圖4和圖3相對應(yīng)，圖4中的x(t)就是樣本向量QMF。圖中兩條線相交時(shí)，如果有運(yùn)算關(guān)系，則用實(shí)心表示，否則用空心表示。其中實(shí)心點(diǎn)表示上一時(shí)刻的輸出h(t)與當(dāng)前時(shí)刻的輸入通過向量拼接的方式構(gòu)成一個(gè)新的向量。長方形框表示借助一層具有對應(yīng)激活函數(shù)神經(jīng)單元來實(shí)現(xiàn)。

圖3 LSTM單元的物理結(jié)構(gòu)圖Fig.3 Physical structure diagram of LSTM cell

圖4 LSTM單元內(nèi)部邏輯關(guān)系Fig.4 Internal logic relationship of LSTM cell

一個(gè)LSTM單元有三個(gè)門：遺忘門ft、輸入門it、輸出門ot。其中，每個(gè)門對應(yīng)64個(gè)隱含層神經(jīng)元，每個(gè)隱含層都與輸入向量全連接，通過LSTM單元內(nèi)部計(jì)算后，最終得到當(dāng)前時(shí)刻的輸出，大小為64，作為下一時(shí)刻LSTM單元的一部分輸入。各門值的計(jì)算方法見公式（6）~（10），Wf、Wi、Wo分別表示ft、it、ot對應(yīng)隱含層神經(jīng)元之間的權(quán)重，bf、bi、bo分別對應(yīng)各隱含層神經(jīng)元的偏移量。Ct表示t時(shí)刻LSTM單元的記憶，ht表示t時(shí)刻LSTM單元輸出。

由公式（6）~（10）得到LSTM層隱藏層參數(shù)個(gè)數(shù)為：hiddenpar=hiddensize×(hiddensize+xt_dim+1)×4，其中hiddensize+xt_dim即為[ht-1,xt]。

FCN層參數(shù)個(gè)數(shù)為(ht+1)×FCNsize，輸出層參數(shù)個(gè)數(shù)為(FCNsize+1)×outputsize。

LSTM-FCN基本參數(shù)如表1所列。LSTM輸出層大小為64。LSTM層后增加一層全連接層進(jìn)行特征融合，神經(jīng)元個(gè)數(shù)為800。本文為每個(gè)待測查詢指定3個(gè)執(zhí)行計(jì)劃，預(yù)測標(biāo)簽為3維向量。因此，輸出層神經(jīng)元個(gè)數(shù)為3。LSTM層激活函數(shù)選擇Softmax，F(xiàn)CN層激活函數(shù)選擇ReLu，輸出層激活函數(shù)選擇Sigmoid。為了防止過擬合，LSTM層后添加使Dropout，比率設(shè)為0.5。全連接層添加L2正則化，比率設(shè)為0.01。本文輸入特征向量較稀疏，優(yōu)化器選擇Adam，初始學(xué)習(xí)率設(shè)為0.001。損失函數(shù)選擇交叉熵categorical_crossentropy，迭代1 000次。

表1 網(wǎng)絡(luò)參數(shù)信息Table 1 Information of network parameters

3 實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)采用TPC-H標(biāo)準(zhǔn)[21]中的10 GB數(shù)據(jù)進(jìn)行性能測試，實(shí)驗(yàn)數(shù)據(jù)庫是PostgreSQL。操作系統(tǒng)為Windows Server2008、CentOS Linux release 7.4.1708（Core），硬件環(huán)境為Intel?Xeon?Bronze 3104 CPU@1.70 GHz RAM：64 GB，Intel Xeon CPU E5-2609 v4@1.70 GHz Mem：16 GB。編程語言采用Java、Python。實(shí)驗(yàn)從多個(gè)角度驗(yàn)證采用LSTM-FCN實(shí)現(xiàn)并發(fā)查詢執(zhí)行計(jì)劃選擇的可行性。3.1節(jié)介紹數(shù)據(jù)集的獲取。3.2~3.4節(jié)從以下三個(gè)方面對LSTM-FCN模型進(jìn)行評估：數(shù)據(jù)集大小對LSTM-FCN準(zhǔn)確率的影響、LSTM-FCN輸入特征選擇的合理性、LSTM-FCN在不同并行度下（MPL分別為3、4、5、6、7）的穩(wěn)定性。最后在3.5、3.6與3.7節(jié)中進(jìn)行對比實(shí)驗(yàn)，3.5節(jié)比較LSTM-FCN與FCN及LSTM的選擇準(zhǔn)確率，3.6節(jié)中比較LSTM-FCN與查詢優(yōu)化器及TRating方法為查詢選擇合適的執(zhí)行計(jì)劃的準(zhǔn)確率，3.7節(jié)中比較三種方法的耗時(shí)成本。

3.1 數(shù)據(jù)集的獲取

從TPC-H標(biāo)準(zhǔn)中抽取6個(gè)查詢模板：3，4，7，10，12，14，為這6個(gè)查詢模板指定相關(guān)參數(shù)，得到6個(gè)對應(yīng)的查詢。實(shí)驗(yàn)獲取這些查詢的執(zhí)行計(jì)劃。PostgreSQL的pg_hint_plan插件可以通過指定表的連接順序、連接方式等方法，為查詢制定執(zhí)行計(jì)劃。使用explain命令運(yùn)行6個(gè)查詢，記錄查詢優(yōu)化器為其生成的執(zhí)行計(jì)劃。然后利用pg_hint_plan為每個(gè)查詢生成多個(gè)執(zhí)行計(jì)劃。從這些執(zhí)行計(jì)劃中選擇3個(gè)響應(yīng)時(shí)間不同的執(zhí)行計(jì)劃，作為實(shí)驗(yàn)的執(zhí)行計(jì)劃。

本實(shí)驗(yàn)中用于生成數(shù)據(jù)集的查詢包括兩部分：待測試查詢、自定義查詢。從TPC-H標(biāo)準(zhǔn)中抽取6個(gè)查詢模板作為待測試查詢、相同標(biāo)準(zhǔn)下自定義73個(gè)查詢。這些查詢涵蓋了查詢所用的分組、排序、聚集、子查詢、連接等基本操作。對于其中的6個(gè)查詢模板，每個(gè)查詢指定3個(gè)執(zhí)行計(jì)劃，共得到18個(gè)查詢。將這18個(gè)不同的查詢，與自定義的73個(gè)查詢自由組合。MPL=m(m=3,4,5,6,7)時(shí)，得到的樣本總數(shù)為：

實(shí)驗(yàn)中，多次運(yùn)行樣本，將各查詢的平均響應(yīng)時(shí)間作為其真實(shí)響應(yīng)時(shí)間。由于運(yùn)行全部樣本需要巨大的時(shí)間成本，本實(shí)驗(yàn)從全部樣本中隨機(jī)抽取一些樣本作為數(shù)據(jù)集來源。

數(shù)據(jù)庫并發(fā)執(zhí)行每個(gè)樣本即自由組合得到的查詢組合，將查詢組合執(zhí)行計(jì)劃按照2.3.1節(jié)中的方式編碼成.csv特征文件。PostgreSQL中共有34種操作類型，TPC-H標(biāo)準(zhǔn)中共有8張表，共61列。則向量a1共34位，a2共8位，a3共61位。統(tǒng)計(jì)發(fā)現(xiàn)，結(jié)果a4設(shè)為20位時(shí)，可以涵蓋實(shí)驗(yàn)涉及到的查詢結(jié)果行寬度。那么一個(gè)執(zhí)行計(jì)劃的一個(gè)操作對應(yīng)的向量pj共有123位。經(jīng)統(tǒng)計(jì)，本實(shí)驗(yàn)中的查詢，最多有25個(gè)操作。一個(gè)執(zhí)行計(jì)劃經(jīng)過編碼后，轉(zhuǎn)換為3 075位的特征向量。多次運(yùn)行待測試查詢，記錄其響應(yīng)時(shí)間。運(yùn)行樣本中待測查詢與自定義查詢的兩兩查詢組合，記錄響應(yīng)時(shí)間。按照2.1節(jié)中，公式（1）的方法計(jì)算查詢組合交互值。統(tǒng)計(jì)發(fā)現(xiàn)，本實(shí)驗(yàn)中的查詢組合交互值均小于50，按照2.3.2節(jié)中的方式將其編碼成.csv特征文件。

3.2 數(shù)據(jù)集大小對LSTM-FCN準(zhǔn)確率的影響

本實(shí)驗(yàn)中，不同大小的數(shù)據(jù)集下，LSTM-FCN的選擇準(zhǔn)確率變化如表2所列。數(shù)據(jù)集大小分別為：1 254個(gè)樣本、1 917個(gè)樣本、2 736個(gè)樣本、3 636個(gè)樣本，其中訓(xùn)練集與測試集比例大約按照4∶1分配。

表2 不同數(shù)據(jù)集大小對LSTM-FCN準(zhǔn)確率的影響Table 2 Influence of different data set sizes on accuracy of LSTM-FCN

分析表2得知，隨著學(xué)習(xí)樣本數(shù)增加，LSTM-FCN的選擇準(zhǔn)確率保持一定幅度的上升。2 736個(gè)樣本作為數(shù)據(jù)集時(shí)，模型在同一并行度下的選擇準(zhǔn)確率及不同并行度下的平均選擇準(zhǔn)確率均高于前兩種大小的數(shù)據(jù)集。與2 736個(gè)樣本相比，3 636個(gè)樣本作為數(shù)據(jù)集時(shí)，平均準(zhǔn)確率提升了0.36個(gè)百分點(diǎn)，但是訓(xùn)練樣本的時(shí)間成本增加。因此，為了取得準(zhǔn)確率與訓(xùn)練成本的平衡，本實(shí)驗(yàn)數(shù)據(jù)集大小選擇2 736個(gè)樣本。

3.3 LSTM-FCN輸入特征選擇的合理性

本實(shí)驗(yàn)分別將FoP、FQI與QMF作為輸入特征時(shí)，LSTM-FCN準(zhǔn)確率變化情況如表3所列。

表3 不同輸入特征下LSTM-FCN的準(zhǔn)確率Table 3 Accuracy of LSTM-FCN under different input characteristics

分析表3知，五種并行度下，將QMF作為輸入特征時(shí)，模型的預(yù)測準(zhǔn)確率高于將FoP或FQI作為輸入特征時(shí)的準(zhǔn)確率，證明本文選擇的輸入特征是合理的。

隨著并行度的增加，QMF與FoP分別作為輸入特征，LSTM-FCN的準(zhǔn)確率分別相差0.157、0.185、0.201、0.209、0.222，差距逐漸增大。這是因?yàn)椴⑿卸仍黾?，查詢交互對?zhí)行代價(jià)改變的程度增加，對執(zhí)行計(jì)劃選擇的影響程度增加。QMF與FQI分別作為輸入特征，模型的準(zhǔn)確率的差距變化基本穩(wěn)定，說明查詢組合的執(zhí)行計(jì)劃特征對選擇準(zhǔn)確率的影響基本固定。FoP和FQI從靜態(tài)和動(dòng)態(tài)兩個(gè)方面表征查詢的性能，同時(shí)將FoP和FQI的組合——QMF作為輸入特征，選擇執(zhí)行計(jì)劃，具有合理性。

3.4 LSTM-FCN在不同查詢并行度下的穩(wěn)定性

實(shí)驗(yàn)中不同并行度下，LSTM-FCN的選擇準(zhǔn)確率變化情況如表4所列。

分析表4得知，隨著并行度的增加，模型預(yù)測準(zhǔn)確率出現(xiàn)小幅度的下降，分別下降了：0.006、0.009、0.006、0.004。因?yàn)椴⑿卸仍黾?，模型中FCN的神經(jīng)元個(gè)數(shù)相對固定，模型的表達(dá)能力相對固定。并行度增加，查詢交互更加復(fù)雜，LSTM-FCN的選擇準(zhǔn)確率依然較高且保持相對穩(wěn)定。

表4 不同并行度下LSTM-FCN的準(zhǔn)確率Table 4 Accuracy of LSTM-FCN under different parallelism

3.5 LSTM-FCN與FCN及LSTM準(zhǔn)確率比較

相同網(wǎng)絡(luò)層數(shù)下，MPL=3、4、5、6、7時(shí)，F(xiàn)CN、LSTM與LSTM-FCN的準(zhǔn)確率對比結(jié)果如表5所列。

表5 不同并行度下LSTM、FCN與LSTM-FCN的準(zhǔn)確率Table 5 Accuracy of FCN，LSTM and LSTM-FCN under different parallelism

分析實(shí)驗(yàn)結(jié)果可知，網(wǎng)絡(luò)層數(shù)、各層大小相同時(shí)，不同并行度下，LSTM-FCN選擇準(zhǔn)確率高于FCN與LSTM的選擇準(zhǔn)確率。其高于FCN的主要原因是：每個(gè)執(zhí)行計(jì)劃的操作之間有時(shí)序關(guān)系，而FCN無法擬合這種時(shí)序關(guān)系。作為模型輸入層，LSTM層描述查詢各操作間的執(zhí)行次序，動(dòng)態(tài)選擇合適的執(zhí)行計(jì)劃。LSTM-FCN的平均選擇準(zhǔn)確率為97.06%，比FCN的平均選擇準(zhǔn)確率高16.18個(gè)百分點(diǎn)。隨著并行度增加，LSTM-FCN在動(dòng)態(tài)擬合查詢各操作間時(shí)序關(guān)系的優(yōu)勢更加顯著。LSTMFCN選擇準(zhǔn)確率高于LSTM的主要原因是：在LSTM層后添加一層FCN，可以充分融合特征，從而更好地描述查詢組合特征，提升模型的預(yù)測準(zhǔn)確率。

3.6 LSTM-FCN與查詢優(yōu)化器及TRating準(zhǔn)確率比較

相同的實(shí)驗(yàn)場景下，分別在MPL=3、4、5、6、7時(shí)，對比LSTM-FCN與查詢優(yōu)化器及TRating方法在為并發(fā)查詢選擇執(zhí)行計(jì)劃時(shí)的準(zhǔn)確率，結(jié)果如圖5所示。

圖5 LSTM-FCN、查詢優(yōu)化器及TRating準(zhǔn)確率比較Fig.5 Comparison of LSTM-FCN，query optimizer and TRating accuracy

同一并行度下，LSTM-FCN的選擇準(zhǔn)確率高于優(yōu)化器及TRating方法。LSTM-FCN平均選擇準(zhǔn)確率相比查詢優(yōu)化器與TRating分別提升了62.12個(gè)百分點(diǎn)、33.14個(gè)百分點(diǎn)。查詢優(yōu)化器通過配置參數(shù)的方法考慮查詢交互，準(zhǔn)確率較低。TRating只考慮查詢交互對執(zhí)行計(jì)劃選擇的影響，準(zhǔn)確率高于查詢優(yōu)化器。但是，隨著并行度增加，查詢交互變得復(fù)雜，TRating線性模型難以準(zhǔn)確擬合復(fù)雜的查詢交互帶來的查詢執(zhí)行代價(jià)的改變，準(zhǔn)確率出現(xiàn)較大幅度下降。LSTM-FCN同時(shí)考慮體現(xiàn)查詢執(zhí)行代價(jià)的查詢組合執(zhí)行計(jì)劃特征、體現(xiàn)查詢交互的查詢組合交互特征，為并發(fā)查詢動(dòng)態(tài)選擇適合當(dāng)前執(zhí)行環(huán)境的執(zhí)行計(jì)劃，準(zhǔn)確率高于前兩種方法且保持相對穩(wěn)定。

3.7 LSTM-FCN與查詢優(yōu)化器及TRating耗時(shí)比較

從模型平均耗時(shí)角度對比LSTM-FCN與查詢優(yōu)化器及TRating性能的實(shí)驗(yàn)結(jié)果如圖6所示。

圖6 LSTM-FCN、查詢優(yōu)化器及TRating耗時(shí)比較Fig.6 Comparison of time cost among LSTM-FCN，query optimizer and TRating

分析圖6可知，LSTM-FCN所耗費(fèi)的時(shí)間成本中位數(shù)低于查詢優(yōu)化器，略高于TRating。這是因?yàn)?，查詢?yōu)化器在選擇執(zhí)行計(jì)劃時(shí)需要估算查詢每個(gè)操作的代價(jià)，并行度增加，優(yōu)化器計(jì)算代價(jià)大幅度增加。TRating線性模型構(gòu)建之后，隨著并行度增加，模型復(fù)雜度基本不變。與TRating相比，LSTM-FCN時(shí)間成本略高的原因是，并行度增加時(shí)，模型涉及到的參數(shù)數(shù)目增加。在OLAP場景下，與實(shí)時(shí)性相比，系統(tǒng)更加強(qiáng)調(diào)查詢執(zhí)行計(jì)劃的選擇準(zhǔn)確率，LSTM-FCN以較小的時(shí)間成本換取執(zhí)行計(jì)劃選擇的高準(zhǔn)確率和穩(wěn)定性。此外，LSTM-FCN所耗費(fèi)時(shí)間的上、下限值差距小于其余兩種方法，這也從側(cè)面反映了LSTM-FCN模型在不同并行度下的穩(wěn)定性。

4 結(jié)束語

查詢是數(shù)據(jù)庫系統(tǒng)的主要負(fù)載，查詢執(zhí)行的效率決定數(shù)據(jù)庫系統(tǒng)的性能。LSTM-FCN擬合查詢執(zhí)行過程中各操作之間的時(shí)序關(guān)系，融合時(shí)域特征，實(shí)現(xiàn)分類。同時(shí)將分別表征查詢執(zhí)行代價(jià)及查詢間相互作用的查詢組合執(zhí)行計(jì)劃特征與查詢組合交互特征作為輸入，為并發(fā)執(zhí)行的查詢動(dòng)態(tài)選擇合適的執(zhí)行計(jì)劃。實(shí)驗(yàn)驗(yàn)證了本文方法的合理性，查詢并行度增加，LSTM-FCN準(zhǔn)確率較高且保持相對穩(wěn)定。但是，LSTM-FCN也存在一定的局限性，由于運(yùn)行所有樣本需要的時(shí)間成本較大，在以后的工作中，將考慮使用深度信念網(wǎng)絡(luò)生成更多的訓(xùn)練數(shù)據(jù)。同時(shí)，在輸入特征完善方面，將數(shù)據(jù)庫系統(tǒng)運(yùn)行過程中的相關(guān)參數(shù)作為輸入特征的一部分，期望取得更好的實(shí)驗(yàn)效果。