模型训练方法、装置、设备、存储介质及计算机程序产品与流程

本申请涉及人工智能技术，尤其涉及一种模型训练方法、装置、设备、存储介质及计算机程序产品。

背景技术：

1、在数据库查询领域，为解决训练数据构建过程中实际执行结构化查询语言(sql，structured query language)的执行计划的高开销问题，主要采用基于成本估计的训练数据，其通过数据库优化器生成的成本估计值(即性能数据的估计值)替代真实的执行结果作为训练数据标签，避免了对sql的历史查询语句进行全量计划枚举和实际执行的耗时过程。通过在不实际执行sql的执行计划的情况下快速构建训练集，降低数据采集阶段的时间与资源开销。

2、相关技术虽能在一定程度上降低实际执行的资源消耗与时间成本，但导致训练数据规模庞大，增加了数据处理和模型训练的难度和成本，无法满足实际应用中对高效模型训练的需求。

技术实现思路

1、本申请实施例提供一种模型训练方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够提高模型训练效率。

2、本申请实施例的技术方案是这样实现的：

3、本申请实施例提供一种模型训练方法，包括：

4、获取针对数据库的多个候选查询语句样本，对所述多个候选查询语句样本进行去重，得到至少一个目标查询语句样本；

5、针对每个所述目标查询语句样本，生成多个候选执行计划样本，并对所述多个候选执行计划样本进行去重，得到至少一个目标执行计划样本；

6、通过人工智能模型对每个所述目标执行计划样本进行性能预测，得到每个所述目标执行计划样本的预测性能数据；

7、获取每个所述目标执行计划样本的实际性能数据，并基于所述预测性能数据以及所述实际性能数据，训练所述人工智能模型。

8、本申请实施例提供一种模型训练装置，包括：

9、第一去重模块，用于获取针对数据库的多个候选查询语句样本，对所述多个候选查询语句样本进行去重，得到至少一个目标查询语句样本；

10、第二去重模块，用于针对每个所述目标查询语句样本，生成多个候选执行计划样本，并对所述多个候选执行计划样本进行去重，得到至少一个目标执行计划样本；

11、预测模块，用于通过人工智能模型对每个所述目标执行计划样本进行性能预测，得到每个所述目标执行计划样本的预测性能数据；

12、训练模块，用于获取每个所述目标执行计划样本的实际性能数据，并基于所述预测性能数据以及所述实际性能数据，训练所述人工智能模型。

13、本申请实施例提供一种用于模型训练的电子设备，所述电子设备包括：

14、存储器，用于存储计算机程序或计算机可执行指令；

15、处理器，用于执行所述存储器中存储的计算机程序或计算机可执行指令时，实现本申请实施例提供的模型训练方法。

16、本申请实施例提供一种计算机可读存储介质，存储有计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时实现本申请实施例提供的模型训练方法。

17、本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时实现本申请实施例提供的模型训练方法。

18、本申请实施例具有以下有益效果：

19、通过对候选查询语句样本进行去重，能够有效去除候选查询语句中的冗余查询语句；进一步对目标执行计划样本的候选执行计划进行去重，能够有效去除候选执行计划中的冗余执行计划，通过查询语句以及执行计划的双层数据去重，能够避免人工智能模型对冗余查询语句的执行计划以及冗余执行计划进行性能预测所造成的冗余计算，从而有效降低训练数据的规模，还避免了冗余训练样本对模型收敛的干扰，提高了模型训练效率，从而节约了相关的计算资源。

1.一种模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述多个候选查询语句样本进行去重，得到至少一个目标查询语句样本，包括：

3.根据权利要求2所述的方法，其特征在于，所述提取每个所述候选查询语句样本的指纹信息，包括：

4.根据权利要求2所述的方法，其特征在于，所述从至少一个所述聚类簇中，采样得到至少一个目标查询语句样本，包括：

5.根据权利要求1所述的方法，其特征在于，所述对所述多个候选执行计划样本进行去重，得到至少一个目标执行计划样本，包括：

6.根据权利要求5所述的方法，其特征在于，所述对每个所述候选执行计划样本进行哈希处理，得到每个所述候选执行计划样本的指纹信息，包括：

7.根据权利要求6所述的方法，其特征在于，所述对每个所述候选执行计划样本进行图构建，得到每个所述候选执行计划样本对应的图结构，包括：

8.根据权利要求1所述的方法，其特征在于，所述基于所述预测性能数据以及所述实际性能数据，训练所述人工智能模型，包括：

9.根据权利要求8所述的方法，其特征在于，所述确定每个所述目标执行计划样本对应的权重，包括：

10.根据权利要求8所述的方法，其特征在于，所述基于所述权重，融合多个所述目标执行计划样本对应的损失，得到总损失，包括：

11.根据权利要求1-10任一项所述的方法，其特征在于，所述基于所述预测性能数据以及所述实际性能数据，训练所述人工智能模型之后，所述方法还包括：

12.根据权利要求11所述的方法，其特征在于，所述基于所述新查询语句样本以及所述至少一个目标查询语句样本，对所述新执行计划样本与所述候选执行计划样本进行差异化评估，得到评估信息，包括：

13.一种模型训练装置，其特征在于，所述装置包括：

14.一种电子设备，其特征在于，所述电子设备包括：

15.一种计算机可读存储介质，其特征在于，存储有计算机程序或者计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时实现权利要求1至12任一项所述的模型训练方法。

16.一种计算机程序产品，包括计算机程序或计算机可执行指令，其特征在于，所述计算机程序或计算机可执行指令被处理器执行时实现权利要求1至12任一项所述的模型训练方法。