[논문 리뷰] Adaptive Tuning Algorithm for Performance tuning of Database Management System

Sunil F. Rodd, Umakanth P. Kulkarni|arXiv (Cornell University)|2010. 05. 06.

Cloud Computing and Resource Management참고 문헌 11인용 수 10

한 줄 요약

이 논문은 실시간 성능 지표를 기반으로 데이터베이스 관리 시스템에서 최적의 버퍼 캐시, 공유 풀, 리두 로그 버퍼 크기를 동적으로 추정하기 위해 훈련된 신경망을 사용하는 적응형 튜닝 알고리즘을 제안한다. 시스템은 핵심 지표를 사전에 모니터링하고 이를 신경망에 입력한 후, 조정률 기반으로 튜닝 파라미터를 조정하여 다양한 워크로드에서 쿼리 응답 시간을 크게 감소시킨다.

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. .

연구 동기 및 목표

• 데이터베이스 관리 시스템에서 성능 튜닝을 전문 DBA의 의존도에서 줄이기 위해 파라미터 설정을 자동화하는 것.
• 버퍼 캐시 및 공유 풀과 같은 중요한 데이터베이스 파라미터 튜닝의 복잡성과 동적 특성을 다루는 것.
• 워크로드 특성에 기반한 지능적이고 적응형 파라미터 조정을 통해 쿼리 응답 시간을 향상시키는 것.
• 성능 지표에서 학습하고 변화하는 워크로드에 적응하는 자가 튜닝 메커니즘을 개발하는 것.
• 신경망 기반 추정의 효과성을 검증하여 다양한 워크로드에서 데이터베이스 성능 향상에 기여하는 것.

제안 방법

• 핵심 데이터베이스 파라미터인 버퍼 캐시 크기, 공유 풀 크기, 리두 로그 버퍼 크기의 최적 값 추정을 위해 신경망을 훈련한다.
• 응답 시간, 처리량, I/O 속도와 같은 핵심 성능 지표(KPI)를 사전에 모니터링하고 이를 신경망의 입력으로 사용한다.
• 현재 워크로드 조건에 기반해 훈련된 신경망이 세 가지 튜닝 파라미터에 대한 이상적인 설정을 예측한다.
• 안정성을 확보하기 위해 점진적인 파라미터 조정을 위한 비율 변경 계산 알고리즘을 적용한다.
• 시스템은 실시간으로 작동하여 실시간 성능 피드백에 기반해 지속적으로 파라미터 설정을 모니터링하고 업데이트한다.
• 이 접근법은 신경망이 동적 입력에서 학습하고 변화하는 워크로드에 적응할 수 있는 능력을 활용한다.

실험 결과

연구 질문

• RQ1 신경망이 실시간으로 중요한 데이터베이스 튜닝 파라미터의 최적 값을 효과적으로 추정할 수 있는가?
• RQ2 적응형 튜닝 알고리즘이 다양한 데이터베이스 워크로드에서 쿼리 응답 시간을 어떻게 향상시키는가?
• RQ3 자동화된 파라미터 튜닝이 전문 DBA의 간섭을 얼마나 줄일 수 있는가?
• RQ4 지속적인 성능 지표 피드백이 파라미터 조정의 안정성과 정확성에 어떤 영향을 미치는가?
• RQ5 비율 변경 알고리즘이 파라미터 설정 간의 부드럽고 안정적인 전환을 어떻게 보장하는가?

주요 결과

• 제안된 적응형 튜닝 알고리즘이 다양한 워크로드 유형에서 쿼리 응답 시간을 효과적으로 감소시킨다.
• 버퍼 캐시, 공유 풀, 리두 로그 버퍼 크기의 신경망 기반 추정이 측정 가능한 성능 향상을 이끈다.
• 시스템은 수동 재설정 없이도 변화하는 워크로드에 동적으로 적응할 수 있는 능력을 보여준다.
• 비율 변경 알고리즘이 안정적이고 점진적인 파라미터 조정을 보장하여 급격한 성능 변동을 방지한다.
• 초기 결과는 신경망을 사용한 자동화된 DBMS 성능 튜닝의 실현 가능성과 효과성을 확인한다.
• 실시간 KPI 기반으로 튜닝 과정을 자동화함으로써 전문 DBA의 참여 필요성을 감소시킨다.