LlamaTune: 高效样本 DBMS 配置调优
摘要：调整数据库系统以达到给定工作负载的最佳性能是数据库界长期以来的问题。最近的一些研究利用基于机器学习的方法，引导对大量参数空间（数百个调整旋钮）的采样，寻找高性能配置。通过观察微软的生产服务，这些服务操作数百万个数据库，采样效率成为在不同工作负载上使用调整器的关键要求。这激发了我们对LlamaTune的研究，它利用领域知识提高现有优化器的采样效率。LlamaTune采用基于随机投影的自动降维技术，一种偏向采样方法来处理特定旋钮的特殊值，以及旋钮值的分桶，以减小搜索空间的大小。LlamaTune在各种不同工作负载上与最先进的优化器相比表现良好。它通过最多11倍更少的工作负载运行，找到性能最佳的配置，并达到高达21%的吞吐量。我们还展示了LlamaTune在基于BO和RL的优化器以及不同DBMS版本上的普遍优势。虽然在云规模上进行数据库调整的道路仍然很漫长，但LlamaTune在实现自动DBMS调整的可行性方面取得了长足进展。
作者：Konstantinos Kanellis, Cong Ding, Brian Kroth, Andreas M"uller, Carlo Curino, Shivaram Venkataraman
论文ID：2203.05128
分类：Databases
分类简称：cs.DB
提交时间：2022-08-25