[论文解读] 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 10

一句话总结

本文提出了一种自适应调优算法，该算法利用训练好的神经网络，基于实时性能指标，动态估算数据库管理系统中最佳的缓冲区缓存、共享池和重做日志缓冲区大小。该系统主动监控关键指标，将其输入神经网络，并采用基于速率的调整方法来修改调优参数，显著降低了各种工作负载下的查询响应时间。

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. .

研究动机与目标

• 通过自动化参数配置，减少数据库管理系统中对专家DBA的依赖。
• 解决缓冲区缓存和共享池等关键数据库参数调优的复杂性和动态特性。
• 通过基于工作负载特征的智能、自适应参数调整，改善查询响应时间。
• 开发一种自我调优机制，能够从性能指标中学习并适应不断变化的工作负载。
• 验证基于神经网络的估算方法在提升不同工作负载下数据库性能方面的有效性。

提出的方法

• 训练神经网络以估算关键数据库参数（缓冲区缓存大小、共享池大小和重做日志缓冲区大小）的最佳值。
• 主动监控关键性能指标（KPI），如响应时间、吞吐量和I/O速率，并将其作为神经网络的输入。
• 基于当前工作负载状况，训练好的神经网络预测这三个调优参数的理想配置。
• 采用速率变化计算算法，逐步将数据库参数调整至估算值，确保系统稳定性。
• 系统实时运行，持续监控并根据实时性能反馈更新参数设置。
• 该方法利用神经网络从动态输入中学习并适应不断变化的工作负载的能力。

实验结果

研究问题

• RQ1 神经网络能否在实时环境中有效估算关键数据库调优参数的最佳值？
• RQ2 自适应调优算法在各种数据库工作负载下如何改善查询响应时间？
• RQ3 自动化参数调优在多大程度上可以减少对专家DBA干预的依赖？
• RQ4 持续的性能指标反馈对参数调整的稳定性和准确性有何影响？
• RQ5 速率变化算法如何确保在不同参数配置之间实现平稳且稳定的过渡？

主要发现

• 所提出的自适应调优算法在多种工作负载类型下均有效降低了查询响应时间。
• 基于神经网络的缓冲区缓存、共享池和重做日志缓冲区大小估算带来了可测量的性能提升。
• 系统展示了在无需手动重新配置的情况下，动态适应变化工作负载的能力。
• 速率变化算法确保了稳定且渐进的参数调整，避免了性能的剧烈波动。
• 初步结果证实了使用神经网络进行自动化数据库管理系统性能调优的可行性和有效性。
• 该方法通过基于实时KPI的自动化调优过程，减少了对专家DBA的依赖。