面向数据库管理系统的演示强化学习自动性能调优
摘要
现代数据库管理系统 (DBMS) 的性能，如 MySQL 和 PostgreSQL，高度依赖性能关键参数的配置。手动调优这些参数昂贵且低效，由于配置空间的复杂性和高维度。虽然自动调优方法中，基于强化学习 (RL) 的方法最近从多个角度努力改进 DBMS 参数调优过程，但仍面临离线训练收敛速度慢的挑战。本文主要关注如何利用包含在各种文本文档（如 DBMS 手册和网络论坛）中的有价值调优线索来提高 RL 方法的离线训练。为此，我们提出一种高效的 DBMS 参数调优框架，命名为 DemoTuner，通过一种新颖的 LLM 辅助演示强化学习方法实现。具体而言，为全面准确地从文档中挖掘调优线索，我们设计了结构化的思考链提示，用以让 LLM 执行条件感知的调优线索提取任务。为有效地将挖掘的调优线索集成到 RL 代理训练中，我们提出了一种基于线索的演示强化学习算法 HA-DDPGfD 用于 DemoTuner。据我们所知，DemoTuner 是首个引入演示强化学习算法用于 DBMS 参数调优的工作。实验评估在 MySQL 和 PostgreSQL 上进行，覆盖各种工作负载，表明 DemoTuner 在默认配置上实现最高可达44.01% 的 MySQL 性能提升和39.95% 的 PostgreSQL 性能提升。与三个具有代表性的基线方法相比，DemoTuner 进一步将执行时间缩短最高可达10.03%，同时始终消耗最少的在线调优成本。此外，DemoTuner 在面对未知工作负载的应用场景时也表现出优异的适应性。
引用
@article{arxiv.2511.09997,
title = {FinNuE: Exposing the Risks of Using BERTScore for Numerical Semantic Evaluation in Finance},
author = {Yu-Shiang Huang and Yun-Yu Lee and Tzu-Hsin Chou and Che Lin and Chuan-Ju Wang},
journal= {arXiv preprint arXiv:2511.09997},
year = {2025}
}
备注
In CIKM 2025 Workshop on Advances in Financial AI: Innovations, Risk, and Responsibility in the Era of LLMs (Non-archival) (FinAI@CIKM 2025)