KnobTree：基于可解释强化学习的数据库参数配置智能调优
人工智能
2024-06-24 v1 数据库
摘要
数据库是当代信息系统的基础，但传统的基于规则的方法难以管理具有数百个可调参数的实际应用程序的复杂性。深度强化学习 (DRL) 结合了感知与决策，为智能数据库配置调优提供了潜在解决方案。然而，由于 RL 方法的黑箱特性，生成的数据库调优策略仍面临缺乏可解释性的紧迫问题。此外，大规模数据库中的冗余参数始终会使策略学习变得不稳定。本文提出了 KnobTree，一个用于数据库参数配置优化的可解释框架。在此框架中，提出了一种基于 RL 的可解释树形算法，用于生成可解释的数据库调优策略。为解决大规模参数的问题，我们还引入了一种基于 Shapley 值的方法，用于参数重要性评估，通过识别对数据库性能有显著影响的参数来实现。在 MySQL 和 Gbase8s 数据库上的实验表明，KnobTree 模型具有卓越的透明度和可解释性。良好的属性使生成的策略能够为算法设计者和数据库管理员提供实际指导。此外，我们的方法在吞吐量、延迟和处理时间等方面也略优于现有的基于 RL 的调优算法。
引用
@article{arxiv.2406.15073,
title = {KnobTree: Intelligent Database Parameter Configuration via Explainable Reinforcement Learning},
author = {Jiahan Chen and Shuhan Qi and Yifan Li and Zeyu Dong and Mingfeng Ding and Yulin Wu and Xuan Wang},
journal= {arXiv preprint arXiv:2406.15073},
year = {2024}
}