随着大数据时代的到来,人工智能技术作为一种重要的数据处理与分析的工具,已被应用在生活中各种领域。而数据库作为人工智能的数据载体,需要为其提供更快、更便捷的查询服务。然而,随着数据量的不断增大,传统数据库优化方式面临新的瓶颈。因此,寻找一种更为有效的数据库优化方法成为了目前亟待解决的问题。如今,人工智能在数据库优化任务中已有大量的研究,例如,基数估计、连接顺序选择和执行计划缓存等。其中执行计划缓存绕过优化器,直接将历史查询的执行计划保存在缓存中,然后从缓存中为查询分配执行计划。虽然该方法可以节省查询时间,但目前缺乏高效的方法从缓存中分配执行计划。目前,已经有很多研究尝试提高执行计划缓存的准确率,但是它们大多存在以下三个问题。首先,它们缺乏高效的特征向量提取方式。绑定变量的特征提取是执行计划分类的关键,如果无法将绑定变量具有分类性质的特征提取出来,那必然会影响模型的准确率。其次,它们难以动态的维护执行计划缓存。当数据库中数据发生变动,已保存的执行计划可能不适用于新的参数空间,因此需要动态调整执行计划缓存模型,保证模型预测准确率。最后,现有模型在实际应用场景中的训练效率低下。由于数据库系统都是线上进行查询,无法像离线任务一样有充足的数据和训练时间,因此要保证模型在短时间内完成训练,并且使用少量的训练样本就可以达到较高的准确率。针对以上方法中存在的问题,本文的主要工作是提出一种基于机器学习的执行计划缓存的方法COPC。具体地,COPC针对参数查询优化任务提出了一种新型的数据编码方式,相比于传统数据编码方法的缺陷,COPC不但可以获得参数在表中的量级信息,还可以获得参数的空间信息,解决了参数特征提取能力不足的问题,其中量级和空间信息可以精确的捕捉不同参数的分类特征。然后,为了动态维护执行计划缓存,本文基于该编码方式提出一种自适应随机森林算法并将其应用在执行计划缓存的分类任务中,这使得COPC仅仅使用少量的数据和训练时间就可以达到较高的准确率,并且模型支持增量训练。然后将本文提出的模型与基线模型在公开数据集中进行测试,实验结果从效率和准确性上证明了模型COPC的有效性。此外,本文还对常见的机器学习分类算法进行了对比试验,其结果体现了自适应随机森林算法在执行计划缓存任务中的先进性。