[論文レビュー] Adaptive Tuning Algorithm for Performance tuning of Database Management System

Sunil F. Rodd, Umakanth P. Kulkarni|arXiv (Cornell University)|May 6, 2010

Cloud Computing and Resource Management参考文献 11被引用数 10

ひとこと要約

本論文では、データベース管理システムにおけるバッファキャッシュ、共有プール、リドログバッファサイズの最適値を、リアルタイムのパフォーマンスメトリクスに基づいて動的に推定するための、訓練済みニューラルネットワークを用いた適応的チューニングアルゴリズムを提案する。システムはキーサイクリック指標を事前に監視し、それらをニューラルネットワークにフィードバックし、調整レートに基づくパrameter調整を実行することで、多様なワークロードにおいてクエリ応答時間を顕著に短縮する。

ABSTRACT

Performance tuning of Database Management Systems(DBMS) is both complex and challenging as it involves identifying and altering several key performance tuning parameters. The quality of tuning and the extent of performance enhancement achieved greatly depends on the skill and experience of the Database Administrator (DBA). As neural networks have the ability to adapt to dynamically changing inputs and also their ability to learn makes them ideal candidates for employing them for tuning purpose. In this paper, a novel tuning algorithm based on neural network estimated tuning parameters is presented. The key performance indicators are proactively monitored and fed as input to the Neural Network and the trained network estimates the suitable size of the buffer cache, shared pool and redo log buffer size. The tuner alters these tuning parameters using the estimated values using a rate change computing algorithm. The preliminary results show that the proposed method is effective in improving the query response time for a variety of workload types. .

研究の動機と目的

• データベース管理システムにおけるパフォーマンスチューニングにおけるエキスパートDBAへの依存度を低減するため、パrameter設定を自動化すること。
• バッファキャッシュや共有プールなどの重要なデータベースパラメータのチューニングの複雑さと動的な性質に対処すること。
• ワークロードの特性に基づく知的な、適応的パrameter調整を通じて、クエリ応答時間を改善すること。
• パフォーマンス指標から学習し、変化するワークロードに適応する自己チューニングメカニズムを開発すること。
• ニューラルネットワークベースの推定が、多様なワークロードにおいてデータベースパフォーマンスを向上させる有効性を検証すること。

提案手法

• バッファキャッシュサイズ、共有プールサイズ、リドログバッファサイズといった重要なデータベースパラメータの最適値を推定するため、ニューラルネットワークを訓練する。
• 応答時間、スループット、I/Oレートなどの主要パフォーマンス指標（KPI）を事前に監視し、それをニューラルネットワークの入力として使用する。
• 訓練済みのニューラルネットワークが、現在のワークロード状態に基づき、3つのチューニングパrameterの最適設定を予測する。
• 安定性を確保するため、パrameterを段階的に調整するためのレート変更計算アルゴリズムを採用する。
• システムはリアルタイムで動作し、ライブのパフォーマンスフィードバックに基づいて継続的にパrameter設定を監視および更新する。
• 本アプローチは、ニューラルネットワークが動的入力から学習し、変化するワークロードに適応できる能力を活用する。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークは、リアルタイムで重要なデータベースチューニングパラメータの最適値を効果的に推定できるか？
• RQ2 適応的チューニングアルゴリズムは、多様なデータベースワークロードにおいてクエリ応答時間をどのように改善するか？
• RQ3 自動パラメータチューニングは、エキスパートDBAによる干渉にどれほど依存を減らせるか？
• RQ4 継続的なパフォーマンスメトリクスフィードバックは、パラメータ調整の安定性と正確性にどのような影響を与えるか？
• RQ5 レート変更アルゴリズムは、パラメータ設定間のスムーズで安定した遷移をどのように保証するか？

主な発見

• 提案された適応的チューニングアルゴリズムは、多様なワークロードタイプにおいてクエリ応答時間を顕著に短縮する。
• バッファキャッシュ、共有プール、リドログバッファサイズのニューラルネットワークベース推定は、測定可能なパフォーマンス改善をもたらす。
• 手動での再設定なしに、変化するワークロードに動的に適応できる能力を示している。
• レート変更アルゴリズムにより、パラメータ調整が安定的かつ段階的に実行され、急激なパフォーマンスの変動を回避している。
• 予備的結果により、ニューラルネットワークを用いた自動DBMSパフォーマンスチューニングの実現可能性と有効性が確認された。
• リアルタイムKPIに基づく自動チューニングにより、エキスパートDBAの関与が削減された。