본 논문은 RDBMS의 쿼리 최적화 과정에서 발생하는 불확실성과 부정확한 추정치 문제를 해결하기 위해, 위험 인식 학습 기반의 새로운 쿼리 최적화 프레임워크인 Roq를 제안한다. Roq는 쿼리 최적화의 견고성에 대한 새로운 공식화, 근사 확률적 머신러닝을 기반으로 한 견고성 측정 방법, 그리고 쿼리 계획 평가 및 선택을 위한 새로운 전략 및 알고리즘을 포함한다. 특히, 쿼리 실행 비용과 관련 위험을 예측하는 학습된 비용 모델을 통해 쿼리 최적화를 수행한다. 실험 결과, Roq는 기존 최첨단 방법에 비해 견고한 쿼리 최적화 성능을 크게 향상시킨다는 것을 보여준다.
