腾讯｜分布式查询优化器技术研究与应用实习

课题背景： 分布式数据库通过将数据分散到多台服务器，利用并行计算能力提升处理效率，成为云原生时代数据基础设施的核心选择。然而，分布式架构在带来弹性扩展能力的同时，也引入了全新的查询处理复杂性。查询优化器核心职责是将用户声明的SQL语句转化为高效的物理执行计划。在分布式环境下，优化器生成的执行计划质量可能产生数量级的性能差异——一个次优的计划可能导致跨节点数据传输激增、资源严重浪费，甚至查询超时失败。随着数据规模持续扩大和分析场景日益复杂，如何设计高效、智能的分布式查询优化器，已成为学术界和工业界共同关注的核心课题。 课题挑战： 1、搜索空间爆炸与计划裁剪难题，分布式场景下查询优化器的搜索空间呈指数级膨胀。连接方法的多样性增加：单机场景通常有三种连接方法，分布式场景扩展为Partitioned Wise Join、Rehash Distribution Join、Broadcast Distribution Join等多种，每种方法在不同数据分布下的性能特征各异； 2、分布式代价模型的准确性挑战，现代基于代价的优化器（CBO）依赖代价模型衡量执行计划的资源消耗，分布式环境下的代价建模面临全新挑战，如网络等复杂因子的评估。 3、统计信息的全局与局部一致性，除各节点的局部统计信息外，还需维护全局统计信息以评估跨节点操作的代价。 具体工作： 实习生主要参与： 1、分布式查询搜索空间裁剪策略研究； 2、多维度分布式代价模型构建； 3、分布式场景下统计信息能力、直方图能力的构架增强。

1、计算机科学、软件工程、电子信息等相关专业本科及以上学历； 2、熟练掌握数据结构、算法、操作系统、计算机网络等计算机基础知识； 3、熟练掌握至少一门编程语言，例如：C/C++、Java、Python、Go等； 4、具备强烈的学习意愿和能力，能够快速掌握新技术； 5、具备良好的沟通能力和团队合作精神，能够积极主动地解决问题。