Abstract

Ausgehend von Arbeiten zum Index-Suchproblem in relationalen Datenbankmanagementsystemen beschäftigt sich die Diplomarbeit Maschinell erlernte Indexgenerierung in Datenbankmanagement-systemen mit der automatischen Evaluierung von Indexvorschlä-gen mit Hilfe von Methoden Maschinellen Lernens (ML). Ziel war das Erlernen einer Unterscheidung von Workload beschleunigen-den und Workload verlangsamenden, bzw. unnötigen Indexen, ohne die Workload tatsächlich ausführen zu müssen.

Hierfür wurden unterschiedliche ML-Ansätze analysiert und Bestärkendes Lernen als am besten geeignet bewertet. Es wurde ein Konzept entwickelt, welcher Bestärkendes Lernen durch den Q-Learning-Algorithmus umsetzt, wobei die Speicherung und Anpassung der Q-Werte mit Hilfe eines einfachen Neuronalen Netzes und Rückwärts-Propagierung realisiert wurde.

Ein funktionsfähiger Prototyp erhielt als Eingabe Echtdaten eines ERP-Systems. Die durch¬geführten Experimente zeigten kein erfolgreiches Lernverhalten. Eine anschließende Analyse ergab Schwächen in der Bewertungsfunktion des Algorithmus, mangel-hafte, bzw. unzureichende Trainingsdaten und ein zu rudimentäres Neuronales Netz.

Ein Ausblick auf mögliche Verbesserungen und Erweiterungen schließt die Arbeit ab.