L2T-Tune：基于LLM引导的LHS与TD3混合数据库调优
数据库
2025-11-10 v3 机器学习
摘要
配置调优对于数据库性能至关重要。尽管数据库调优的最新进展在吞吐量和延迟改善方面显示出有希望的结果，但挑战依然存在。首先，巨大的旋钮空间使得直接优化不稳定且收敛缓慢。其次，强化学习流水线通常缺乏有效的预热引导，需要长时间离线训练。第三，可迁移性有限：当硬件或工作负载发生变化时，现有模型通常需要大量重新训练才能恢复性能。为解决这些限制，我们提出了L2T-Tune，一种新的基于LLM引导的混合数据库调优框架，其特点是一个三阶段流水线：第一阶段执行预热启动，同时在旋钮空间生成均匀样本并将其记录到共享池中；第二阶段利用大型语言模型从手册和社区文档中挖掘并优先处理调优提示，以实现快速收敛。第三阶段使用预热样本池降低旋钮和状态特征的维度，然后使用双延迟深度确定性策略梯度算法对配置进行微调。我们在L2T-Tune和最先进模型上进行了实验。与性能最佳的替代方案相比，我们的方法在所有工作负载上平均性能提升了37.1%，在TPC-C上最高提升了73%。与使用强化学习训练的模型相比，它在单台服务器上的离线调优阶段实现了快速收敛。此外，在在线调优阶段，仅需30步即可达到最佳结果。
引用
@article{arxiv.2511.01602,
title = {L2T-Tune:LLM-Guided Hybrid Database Tuning with LHS and TD3},
author = {Xinyue Yang and Chen Zheng and Yaoyang Hou and Renhao Zhang and Yinyan Zhang and Yanjun Wu and Heng Zhang},
journal= {arXiv preprint arXiv:2511.01602},
year = {2025}
}