科研之友
微信
新浪微博
Facebook
分享链接
摘要
参数优化是影响数据库性能和适应性的关键技术，合理的参数配置对于保障数据库系统的高效运行至关重要，但由于参数较多且参数间具有强关联性，传统参数优化方法难以在高维连续的参数空间中寻找最优配置，机器学习的发展为解决这一难题带来新的机遇。通过总结和分析相关工作，将已有工作按照发展时间和特性分为专家决策、静态规则、启发式算法、传统机器学习方法和深度强化学习方法。对数据库参数优化问题进行定义，并说明启发式算法在参数优化问题上的局限性。介绍基于传统机器学习的参数优化方法，包括随机森林、支持向量机、决策树等，描述机器学习方法解决参数优化问题的一般流程并给出一般实现。由于需要大量带标注的数据，传统机器学习模型在适应性和调优能力等方面存在不足。侧重介绍深度强化学习模型的工作原理，定义参数优化问题与深度强化学习模型的映射关系，比较基于深度强化学习的相关工作对数据库性能提升、模型训练时间和涉及的技术，描述基于深度神经网络构建和训练智能体的具体流程。最后，总结已有工作的特点，对当前机器学习在数据库参数优化方面的研究热点和发展方向进行展望，指出多粒度调优、自适应算法和自运维是未来的研究趋势。
- 单位
