Page 339 - 《软件学报》2026年第2期

818 软件学报 2026 年第 37 卷第 2 期

interfaces for user interaction, (2) automated database administration frameworks (including parameter tuning, index recommendation,
database diagnostics, and workload management), and (3) machine learning-based efficient and scalable components (such as learned
indexes, adaptive partitioning, query optimization, and scheduling). Furthermore, new intelligent component application programming
interfaces (APIs) have lowered the integration barrier between AI and database systems. This study systematically investigates intelligent
databases through a standardization-centric framework, delineating common processing paradigms across the research themes of interaction
paradigms, management architectures, and kernel design. By examining standardized processes, interfaces, and collaboration mechanisms,
this study uncovers the core logic enabling database self-optimization, reviews current research advancements, and provides an in-depth
analysis of the technical challenges and prospects for future development.
Key words: database system; data management; artificial intelligence (AI); machine learning
经过半个世纪的研究, 关系型数据库管理系统 (relational database management system, RDBMS) 已经建立了坚
固的理论基础, 积累了丰富的实践经验, 并在众多领域实现了广泛应用. 数据库技术的诞生和发展彻底革新了计算
机数据管理的范式. 随着大数据时代的到来以及大数据应用场景的日趋复杂, 数据库系统面临着许多新的挑战. 为
了满足大数据应用的实时性和场景多样性需求, 各种数据库相继问世, 极大地扩展了数据库的研究领域. 同时, 以
机器学习和深度学习为代表的人工智能技术取得了显著成果, 数据库领域也应用人工智能技术应对其面临的挑
战. 智能数据库系统已经成为数据库研究领域的一个前沿热点. 人工智能技术推动 RDBMS 朝着更高级别的智能
化和自动化方向发展.
AI 赋能的智能关系型数据库管理系统是指将机器学习、深度学习等人工智能技术深度集成到数据库系统中,
旨在实现数据库的方便易用、高效管理和自主优化. 智能数据库系统通过对数据库查询负载、硬件特征、数据分
布、查询日志和外部信息等进行特征的抽取和学习, 为数据库用户和数据库管理员 (database administrator, DBA)
提供了更易用和智能化的功能支持. 此外, 智能数据库系统还通过人工智能技术对数据库内核组件进行优化, 从而
提升数据库的运行效率.
如图 1 所示, 智能数据库的发展主要围绕以下主题: 1) 智能交互层. 智能数据库通过创新的交互方式, 显著提
升了用户的查询和数据处理体验. 与传统数据库依赖复杂的 SQL 语言不同, 智能数据库允许用户使用自然语言进
行数据访问和操作, 极大地降低了技术门槛. 2) 智能管理层. 智能数据库利用人工智能的方法, 以辅助 DBA 或者
完全自动化的方式为数据库正常稳定运行提供数据库调优与诊断, 负载分析和管理等功能. 具体而言, 数据库调优
与诊断涵盖参数调优、索引推荐和数据库诊断; 负载分析与管理包括负载预测、负载生成和负载检测. 3) 智能内
核层. 数据库内核组件是数据库内部相对独立的功能模块 (如数据存取, 查询优化和查询执行等), 智能数据库通过
人工智能的方法优化或者完整替换内核组件来提升这些内核组件的性能. 其中, 数据存取涉及学习索引与数据分
区; 查询优化包括查询重写、规模估算、代价估算与计划优化; 查询执行则涵盖自适应查询处理、并发控制与查
询调度. 智能数据库系统和 3 个主题之间通过标准化的智能组件开发接口协同工作, 智能组件开发接口也提供对
各个主题的统一的管理方式.
智能数据库系统以自驱动为目的, 是一种随着数据库及其工作负载随时间的变化而自动配置、管理和优化自
身的数据管理系统. 智能数据库的设计包含了以上 3 个主题, 使得数据库可以自主运行无需人为干预. 虽然这 3 个
主题 (交互层、管理层、内核层) 追求的目标 (自驱动) 一致, 但其各自内部实现智能化的具体过程却存在着相互
独立的标准化范式. 实现数据库“自驱动”能力的各种智能方法, 虽因作用域 (如查询交互、系统运维、执行优化)
不同而呈现具体形态的差异, 但其运作机理通常体现为一种内在的、领域特定的闭环处理范式.
本文贡献如下: 聚焦于智能数据库系统的最新研究进展, 以标准化为核心视角, 系统梳理了各研究主题下的核
心方向及其内在特征. 通过深入分析, 揭示了驱动智能数据库自优化的标准智能处理逻辑, 为研究者提供了面向不
同研究方向的标准化学术框架, 明确了各方向下的关键问题与技术实现路径. 同时, 探讨了智能数据库的未来发展
趋势与研究挑战, 为后续研究提供了方向性指导. 相较于已有综述文献 [1,2] 对智能数据库领域的细分及其研究进展
与趋势的探讨, 以标准化视角进行归纳总结, 进一步从智能数据库的 3 大研究主题出发, 基于最新研究成果, 并提
出了未来研究挑战与发展方向.