Page 150 - 《软件学报》2025年第12期

荣垂田 等: 多目标深度强化学习驱动的数据库系统参数优化技术 5531

6.5 在 PostgreSQL 数据库上与相关的方法进行对比
在本实验中, 将 CDBTune 的 + DDPG 算法及本文的 ON-MODDPG 算法部署均在容器实例 Tuner1 中, 对
PostgreSQL 数据库分别使用了 DDPG 和 ON-MODDPG 推荐的优化参数, 并与使用默认参数的 PostgreSQL 数据
库进行了性能对比. 在模型训练阶段 PostgreSQL 数据库系统的性能 (吞吐量、延迟) 变化与使用默认参数的
PostgreSQL 数据库的性能对比如图 15 所示.
从图 15 显示的实验结果来看, 在 TPC-C 工作负载下, 对 PostgreSQL 数据库系统使用 ON-MODDPG 方法对
其配置参数 (Knobs) 进行优化后, 其性能明显优于 PostgreSQL 的默认配置参数, 同时优于使用 DDPG 方法推荐的
参数. 使用 ON-MODDPG 方法推荐的优化参数后, PostgreSQL 数据库的性能的峰值为 (吞吐量: 3 631.7 T/s, 延迟:
8.6 ms), 相比于使用默认配置参数的平均性能 (吞吐量: 414.4 T/s, 延迟: 484.0 ms), 吞吐量提升了 8.7 倍左右, 延迟
降低为原来的 1/60.

DDPG 2 500 DDPG
12 000
ON-MODDPG ON-MODDPG
10 000 2 000

Throughput (T/s) 8 000 Latency (ms) 1 500

6 000

4 000 1 000

500
2 000

0 0
TPC-C RW RO WO TPC-C RW RO WO
(a) 吞吐量 (b) 延迟
图 14 不同工作负载下 MySQL 数据库参数优化的平均性能对比

4 500
DDPG 700 DDPG
4 000 ON-MODDPG ON-MODDPG
Default Default
600
3 500
3 000 500
Throughput (T/s) 2 500 Latency (ms) 400

2 000
300
1 500
200
1 000
100
500
0 0
0 20 40 60 80 100 120 0 20 40 60 80 100 120
Steps Steps
(a) 吞吐量 (b) 延迟
图 15 基于 TPC-C 的 PostgreSQL 数据库参数优化的性能对比