Page 342 - 《软件学报》2026年第2期

姬涛 等: AI 赋能的关系型数据库系统研究: 标准化、技术与挑战 821

1.6 小 结
智能数据库提供了基于人工智能方法的自动化的维护、自我调优的查询处理器、高级数据分析和集成的机
器学习等功能. 这些数据库在提升原本数据库性能的同时, 让 DBA 能够专注价值创造活动, 而减轻 DBA 的日常
的管理和维护工作, 也向用户提供了智能的自然语言查询方式. 智能数据库为处理大规模、复杂的数据提供了支
持, 同时也为数据驱动的应用提供了比传统数据库更高效和便捷的数据管理方式. 本文提出的标准化视角是理解
智能数据库系统架构与技术演进的关键. 其核心在于发现智能数据库系统在交互层、管理层、内核层实现智能化
的过程均遵循一种内在的、可抽象和复用的闭环处理范式. 这种标准化范式通常包含几个关键环节, 本文对各个
研究领域实现智能化的范式进行了总结和抽象. 智能数据库毫无疑问会成为数据库未来的重要发展方向之一. 人
工智能技术在数据库领域的应用将不仅局限于内核侧, 还可以用来提高运维效率, 同时数据库技术也将服务于 AI
应用, 提供支持. 智能数据库技术需要支持实时数据的捕获、处理和分析, 提供及时、准确的数据支持. 智能数据
库还会朝着多样化的、融合、创新的趋势发展, 多种新型智能数据库产品将会出现, 如 NoSQL 、Graph 数据库 [14]
[13]
等, 满足不同应用场景需求. 智能数据库系统的发展在实现其智能交互层、智能管理层和智能内核层这 3 大功能
维度的同时, 一方面各个主题面临自我发展的挑战 (第 2.3、3.3、4.4 节), 另一方面也面临着一系列跨层级整合与
优化的关键挑战.
1) 高质量数据基础的挑战 (涉及所有层级): 无论是交互层语义理解、管理层决策优化还是内核层性能提升,
其底层 AI 模型的训练均高度依赖于大量高质量数据. 训练数据不足或质量低下会直接影响模型的准确性和泛化
能力, 成为整个智能数据库体系效能的瓶颈.
2) 智能组件深度整合到系统的复杂性 (核心挑战: 管理层与内核层): 将人工智能方法有效整合到现有稳定、
高效的数据库系统中, 尤其是在管理层 (自动化运维策略) 和内核层 (自适应执行引擎、内置机器学习模型), 面临
着显著的技术兼容性问题 (如计算范式差异、资源调度冲突) 以及对现有数据库架构 (如存储、事务、日志机制)
的适配挑战.
3) 数据安全与隐私风险 (核心挑战: 管理层与交互层): 智能数据库运行过程中, AI 模型的训练和推理 (尤其在
内核层嵌入模型或管理层用户交互数据利用) 可能引入新的数据泄露、隐私侵犯、推断攻击等安全风险, 需要在
整个数据生命周期 (从管理层数据访问到内核层处理) 增强安全保障机制.
4) 多智能模块协同优化的难题 (核心挑战: 内核层与跨层协同): 智能数据库趋向于集成多种功能各异的 AI 方
法 (如索引推荐、查询优化器、异常检测). 在内核层实现这些模块的高效协作, 避免决策冲突 (如不同优化目标冲
突、资源争用), 并使其相互促进而非掣肘, 是目前需要研究的核心系统架构问题. 此外, 新智能方法与原有非智能
核心组件 (如传统查询引擎、事务管理) 的和谐共存与优化同样面临挑战.
这些跨层级的挑战是制约智能数据库进一步成熟和落地的关键所在, 仍需系统性的解决方案, 并对下一代智
能数据库系统的架构设计提出了更高要求. 下面的章节我们将分别围绕智能交互层、智能管理层和智能内核层介
绍各个主题所使用的标准化方法, 涉及的具体技术, 以及面临的挑战.
2 智能交互层

为了提高用户体验, 智能数据库系统提供了两种主要的用户友好型数据交互查询方式: 自然语言到 SQL 转化
和表格问题问答用于简化用户的查询过程.
在数据库交互方面, DBMS 通过引入自然语言处理 (NLP) 技术, 一方面实现了从自然语言到 SQL 的转换
(Text2SQL), 另一方面实现了不通过 SQL 语句直接回答用户关于数据库表格的问题 (TableQA). 这使得不具备编
程背景的用户也能够以日常用语的形式提出问题, 而系统则负责将这些问题转化为精确的 SQL 查询语句, 从而执
行相应的数据库操作. 这种方式不仅降低了使用门槛, 还提高了查询效率, 让任何人都能轻松访问和利用存储在数
据库中的信息.
2.1 自然语言到 SQL 转换
图 2 展示了将用户提出的自然语言问题转换为可执行 SQL 命令 (Text2SQL) 的标准化过程. 自然语言与 SQL