面向个性化需求的在线云数据库混合调优系统 | SIGMOD 2022入选论文解读

最新推荐文章于 2022-12-22 18:36:56 发布

腾讯云数据库

最新推荐文章于 2022-12-22 18:36:56 发布

阅读量595

点赞数

CC 4.0 BY-SA版权

文章标签：腾讯云数据库

本文链接：https://blog.csdn.net/weixin_43872058/article/details/125593834

腾讯云数据库团队的HUNTER系统入选SIGMOD 2022，解决了在线云数据库在保证调优效果下缩短调优时间的问题。通过遗传算法、搜索空间优化和深度推荐三阶段，实现调优时间的大幅减少。实验显示，随着并发度提升，调优时间显著降低，提升了调优效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

SIGMOD 数据管理国际会议是数据库领域具有最高学术地位的国际性会议，位列数据库方向顶级会议之首。近日，腾讯云数据库团队的最新研究成果入选 SIGMOD 2022 Research Full Paper（研究类长文），入选论文题目为“HUNTER: An Online Cloud Database Hybrid Tuning System for Personalized Requirements”。标志着腾讯云数据库团队在数据库AI智能化上取得进一步突破，实现性能领先。

数据库参数自动调优在学术界和工业界都已有较多研究，但现有的方法在缺少历史数据时或是面对新负载进行参数调优时，往往面临着调优时间过长的问题(可达到数天)。在此篇论文中，团队提出了混合调优系统Hunter，即改进后的 CDBTune+，主要解决了⼀个问题：如何在保证调优效果的前提下显著减少调优时间。经实验调优效果明显：随着并发度提升实现调优时间准线性降低，在单并发度场景下调优时间只需17小时，在20并发度场景下调优时间缩短至2小时。

工作原理（技术原理解析）

这是CDB/CynosDB数据库团队第三次研究成果论文被SIGMOD收录。继2019年数据库团队首度提出基于深度强化学习(DRL)的端到端云数据库参数调优系统CDBTune，该研究论文“An End-to-End Automatic Cloud Database Tuning System Using Deep Reinforcement Learning”入选SIGMOD 2019 Research Full Paper（研究类长文）。

file