最近的一项研究表明,学习到的索引可以提高查询性能,同时减少存储开销。它为解决基于位置的服务激增所带来的空间查询处理挑战提供了潜在的机会。虽然已经提出了几种学习索引来处理空间数据,但这些方法背后的主要思想是利用现有的一维学习模型,这需要将空间数据转换为一维数据,或在单个维度上单独应用学习模型。因此,这些方法不能充分利用或利用原始空间数据的空间分布信息。为此,在本文中,我们利用空间(多维)插值函数作为学习模型,它可以直接用于空间数据。具体来说,我们设计了一个高效的基于空间插值函数的网格索引(SPRIG)来处理范围查询和kNN查询。在真实数据集上进行了详细的实验,结果表明,与传统的空间索引和目前最先进的多维学习索引相比,我们提出的学习索引可以显著提高性能。
Spatial Interpolation-based Learned Index for Range and kNN Queries(SSTD 21)
于 2022-06-13 11:52:03 首次发布