GraphQueryML: Query-Optimierung in Graphdatenbanken unter Verwendung von Machine Learning.

• Antragsteller: Professor Dr. Michael Grossniklaus
• Fachliche Zuordnung: Datenmanagement, datenintensive Systeme, Informatik-Methoden in der Wirtschaftsinformatik
• Förderung: Förderung seit 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 441617860

Anfrageoptimierung, also die Übersetzung eines deklarativen Ausdrucks in einen effizienten Ausführungsplan, ist eines der zentralen Themen der Datenbankforschung. Auch nach über 40 Jahren Forschung sind viele Teilprobleme der Anfrageoptimierung noch ungelöst. Im Wissen, dass eine zunehmende Anzahl von Datensätzen eine Graphstruktur ausweisen und im Resource Description Framework (RDF) oder Property Graph (PG) Datenmodel ausgedrückt sind, untersucht dieses Projekt die wichtige offene Forschungsfrage, wie maschinelles Lernen eingesetzt werden kann, um Anfragen in Graphdatenbanksystemen zu optimieren. (1) Wir werden ein allgemeines Anfrageoptimierungsframework zu entwickeln, das Deep Reinforcement Learning benutzt. (2) Wir werden dieses Framework für die Optimierung von SPARQL-Anfragen in RDF-Datenbanken anwenden. (3) Wir werden die Optimierung von Cypher-Queries in PG-Datenbanken anhand dieses Frameworks untersuchen. Dieser allgemeiner Ansatz hat großes Potential, neue Ergebnisse sowohl in der Forschung wie auch in der Anwendung zu ermöglichen. Im Speziellen gehen wir davon aus, das die Bioinformatik, in der RDF-Datenbanken große Verbreitung geniessen, von kürzeren Erkenntniszykeln profitieren wird, die durch beschleunigte Anfrageverarbeitung über mehrere RDF-Datenbanken zustande kommt.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Schweiz
• Kooperationspartner: Professor Dr. Kurt Stockinger