基于AI大模型的数据库自学习优化器方向研发和探索

课题背景： 查询优化器是数据库管理系统的“大脑”，其决策质量直接决定了数据库的性能与资源效率。随着数据规模爆炸性增长、查询逻辑日趋复杂及云原生架构普及，传统优化器在查询改写、代价估计、适应数据变化和处理复杂查询等方面的局限性日益凸显。 课题挑战：

1. 01

   模型持续演进问题：探究在动态负载下维持优化效果的模型演进方法，应对长时间跨度场景下中可能出现的数据漂移等问题；

2. 02

   混合负载下的查询过滤机制：探究混合负载下的查询过滤机制，在降低推理开销的同时保证模型的充分训练和对负载变化的充分感知；

3. 03

   模型泛化性增强技术：探究模型的泛化性问题，探索不同负载类型之间实现模型迁移与预训练的有效途径，降低模型训练成本并提高模型在多样化负载下的适应性；

4. 04

   LLM赋能小模型：利用LLM积累的查询优化经验补齐小模型短板，结合联邦学习、持续学习、RAG等技术，实现更精准的计划选择。 具体工作： 你将参与到腾讯数据库SQL引擎开发，探索并构建一套面向未来的查询优化框架，聚焦关键瓶颈问题与可工程落地的实现路径，形成可落地方案，同时输出高质量论文与专利等成果。

1. 01

   包括但不限于计算机、电子信息、人工智能、软件工程等专业的博士与优秀硕士；

2. 02

   掌握C/C++/Python/Golang等编程语言，有良好的算法和数据结构基础；

3. 03

   有SIGMOD、VLDB、ICDE等数据库相关顶会论文者优先。