面向DBMS配置的关系感知贝叶斯优化，基于亲和度得分引导

数据库管理系统（DBMS）是管理大规模异构数据至关重要的组件，其性能严重受到配置参数的影响。有效调优这些参数对于适应多样化工作负载、最大化吞吐量同时最小化延迟至关重要。近期研究聚焦于基于机器学习的自动配置优化，但现有方法仍存在若干关键局限。大多数调优框架忽略参数之间的依赖关系，假设每个参数独立工作，这种简化阻止了优化器利用跨参数的关系效应，从而限制了其捕捉性能敏感互动的能力。此外，为降低高维搜索空间的复杂度， prior work往往仅选择少数参数进行优化，忽略了对性能贡献具有意义的其他参数。贝叶斯优化（BO）作为最常用的自动调优方法，也受制于其对代理模型的依赖，这可能导致预测不稳定和探索效率低下。为克服这些局限，我们提出RelTune—a新型框架，将参数依赖关系表示为关系图，并学习基于图神经网络的潜在嵌入，以编码与性能相关的语义。RelTune进一步引入混合得分引导的贝叶斯优化（HBO），将代理预测与衡量与先前高性能配置接近程度的亲和度得分相结合。实验结果表明，RelTune在多个DBMS和工作负载下实现了更快的收敛速度和更高的优化效率，实现了所评估场景的SOTA性能。