CMA+DB: How to Automatically Tune Database Parameters Through Collaborative Multi-Agents

doi:10.1109/TKDE.2025.3639423

CMA+DB: How to Automatically Tune Database Parameters Through Collaborative Multi-Agents

2025-12-04

0

PRE

AI

DOI：10.1109/TKDE.2025.3639423

原文链接

原文求助

摘要

En 中文

数据库参数自动调优是人工智能（AI）赋能的数据库（DB）系统中数据库管理员（DBAs）面临的一项重大挑战。优化关键参数对于识别它们之间的关键交互至关重要。为克服现有方法的缺点，我们提出了一种协作多智能体模型CMA+DB，以有效且高效的方式自动调优DB参数。CMA+DB集成了三个组件，包括SAPM（单智能体预训练模型）、MATM（多智能体联合训练模型）和PJTM（基于概率的联合训练模型）。SAPM应用深度确定性策略梯度（DDPG）来探索单个智能体对DB性能的影响，MATM使用多智能体深度确定性策略梯度（MADDPG）来寻找协同工作以提升DB性能的智能体，PJTM则能基于概率选择因子，通过重要智能体增强参数调优。在CMA+DB模型中，每个智能体负责调优一部分参数，多个智能体协同合作推荐最优参数配置。这种混合模型能够扩展可调参数的数量，以从功能和参数级别（即全局、数据库和会话级别）方面执行参数调优。实验结果表明，在TPC-C基准测试中，CMA+DB的平均收敛性能（达到最大吞吐量时）比当前最优（SOTA）算法快14.83%。本质上，在SAPM模型训练阶段之后，CMA+DB的吞吐量性能优于SOTA模型。此外，通过MATM和PJTM模型训练阶段，CMA+DB的DB性能可提升1.758%。

Keyword:

AI for DB

parameter tuning

multi-agents

deep reinforcement learning

probability-based model

joint training model

CMA+DB: How to Automatically Tune Database Parameters Through Collaborative Multi-Agents

摘要

期刊

机构

引用论文