Titre :	Optimisation des plans d’exécution des requêtes OLAP
Type de document :	document multimédia
Auteurs :	Laradj Chellama, Auteur ; Youcef Ouinten, Directeur de thèse ; Benameur Ziani, Directeur de thèse
Editeur :	Laghouat : Université Amar Telidji - Département d'informatique
Année de publication :	2025
Importance :	80 p.
Accompagnement :	1 disque optique numérique (CD-ROM)
Langues :	Français
Mots-clés :	Optimisation de requêtes  SGBD  Apprentissage par Renforcement profond  PPO  UVFA  HER  Big Data  OLAP  TPC-H
Résumé :	L’optimisation des plans des requêtes représente un enjeu fondamental dans la conception des systèmes de gestion de bases de données (SGBD).Son objectif principal consiste à déterminer un plan d’exécution optimal,minimisant ainsi le temps total d’exécution des requêtes.Dans un contexte marqué par l’explosion exponentielle du volume des données,les SGBD doivent désormais répondre à des exigences accrues en termes de flexibilité,de performance et de précision,notamment pour les requêtes décisionnelles.Les défis posés par les Big Data,les entrepôts de données et les requêtes OLAP imposent aux SGBD relationnels une adaptation permanente aux évolutions technologiques,nécessitant des approches d’optimisation toujours plus sophistiquées.Cependant,les approches traditionnelles présentent des limites face à la complexité croissante des requêtes et à l’hétérogénéité des environnements de données modernes.Dans cette thèse,nous proposons une méthodologie innovante exploitant l’apprentissage par renforcement profond (Deep RL) pour optimiser les plans d’exécution de requêtes en se basant sur l’aspect multi-objectif car la capacité à minimiser les temps d’exécution,la consommation de ressources CPU,I/O et mémoire, tout en garantissant une réponse rapide et fiable,est un enjeu majeur pour les organisations.L’optimisation des requêtes étant un problème NP-complet,les techniques d’intelligence artificielle, et plus particulièrement le Deep RL, offrent une alternative prometteuse en permettant une exploration dynamique et adaptative de l’espace des solutions. Notre approche s’articule autour de la combinaison de l’algorithme PPO (Proximal Policy Optimization), choisi pour sa stabilité et son efficacité dans les problèmes de décision séquentielle, des mécanismes avancés d’apprentissage, incluant les Universal Value Function Approximators (UVFA) conditionnée par les objectifs et réutilisation d’expérience par retournement d’objectif (HER-Hindsight Experience Replay),pour améliorer la généralisation et l’efficacité de l’exploration. Une série d’expérimentations a été menée sur le jeu de données TCP-H,permettant d’évaluer la performance de notre modèle. Les résultats obtenus montrent que la méthode PPO-UVFA-HER dépasse significativement les performances des stratégies classiques telles quelles optimisations natives de PostgreSQL,ou simplement l’algorithme PPO,tout en assurant stabilité et robustesse.La convergence rapide observée,ainsi que la capacité à optimiser simultanément plusieurs ressources, attestent de la pertinence et de la puissance de`cette solution dans un environnement décisionnel complexe.
note de thèses :	Thèse de doctorat en informatique

Optimisation des plans d’exécution des requêtes OLAP [document multimédia] / Laradj Chellama, Auteur ; Youcef Ouinten, Directeur de thèse ; Benameur Ziani, Directeur de thèse . - Laghouat : Université Amar Telidji - Département d'informatique, 2025 . - 80 p. + 1 disque optique numérique (CD-ROM).
Langues : Français

Mots-clés :	Optimisation de requêtes  SGBD  Apprentissage par Renforcement profond  PPO  UVFA  HER  Big Data  OLAP  TPC-H
Résumé :	L’optimisation des plans des requêtes représente un enjeu fondamental dans la conception des systèmes de gestion de bases de données (SGBD).Son objectif principal consiste à déterminer un plan d’exécution optimal,minimisant ainsi le temps total d’exécution des requêtes.Dans un contexte marqué par l’explosion exponentielle du volume des données,les SGBD doivent désormais répondre à des exigences accrues en termes de flexibilité,de performance et de précision,notamment pour les requêtes décisionnelles.Les défis posés par les Big Data,les entrepôts de données et les requêtes OLAP imposent aux SGBD relationnels une adaptation permanente aux évolutions technologiques,nécessitant des approches d’optimisation toujours plus sophistiquées.Cependant,les approches traditionnelles présentent des limites face à la complexité croissante des requêtes et à l’hétérogénéité des environnements de données modernes.Dans cette thèse,nous proposons une méthodologie innovante exploitant l’apprentissage par renforcement profond (Deep RL) pour optimiser les plans d’exécution de requêtes en se basant sur l’aspect multi-objectif car la capacité à minimiser les temps d’exécution,la consommation de ressources CPU,I/O et mémoire, tout en garantissant une réponse rapide et fiable,est un enjeu majeur pour les organisations.L’optimisation des requêtes étant un problème NP-complet,les techniques d’intelligence artificielle, et plus particulièrement le Deep RL, offrent une alternative prometteuse en permettant une exploration dynamique et adaptative de l’espace des solutions. Notre approche s’articule autour de la combinaison de l’algorithme PPO (Proximal Policy Optimization), choisi pour sa stabilité et son efficacité dans les problèmes de décision séquentielle, des mécanismes avancés d’apprentissage, incluant les Universal Value Function Approximators (UVFA) conditionnée par les objectifs et réutilisation d’expérience par retournement d’objectif (HER-Hindsight Experience Replay),pour améliorer la généralisation et l’efficacité de l’exploration. Une série d’expérimentations a été menée sur le jeu de données TCP-H,permettant d’évaluer la performance de notre modèle. Les résultats obtenus montrent que la méthode PPO-UVFA-HER dépasse significativement les performances des stratégies classiques telles quelles optimisations natives de PostgreSQL,ou simplement l’algorithme PPO,tout en assurant stabilité et robustesse.La convergence rapide observée,ainsi que la capacité à optimiser simultanément plusieurs ressources, attestent de la pertinence et de la puissance de`cette solution dans un environnement décisionnel complexe.
note de thèses :	Thèse de doctorat en informatique