Page 348 - 《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 827

TableQA 技术在数据库表格问答领域仍面临若干关键性挑战以待解决. 首先, 在数值表示方面, 由于数值型数
据在数据库表格中占据重要地位, 如何构建专门的数值表征方法成为提升问答系统性能的关键因素. 其次, 在复杂
推理能力方面, 现有研究虽然已针对数据库表格开发了基于语义解析的推理方法, 但当前大多数非数据库表格问
答系统仍局限于简单推理任务. 值得注意的是, 尽管大规模预训练模型展现出强大的潜力, 但其在数据库表格问答
中的应用仍存在显著局限: 一方面, 模型的推理效率与结果准确性仍需进一步提升; 另一方面, 如何有效处理结构
化数据以实现更精准的问答仍然是一个值得深入研究的核心问题.

3 智能管理层

智能数据库提供了新的数据库管理与维护方法, 旨在利用人工智能技术解决数据库管理员 (DBA) 在数据库
运维中面临的挑战, 包括优化资源配置以提高数据库吞吐量和运行效率, 以及实现数据库的测试、监测和维护. 其
核心分为两部分: 一是智能数据库调优与诊断, 涵盖数据库参数调优、索引推荐和数据库诊断, 通过智能算法优化
配置参数、推荐索引策略并识别潜在问题; 二是智能数据库查询负载分析与管理, 提供负载预测、负载生成和负
载检测功能, 分别用于预测未来负载趋势、模拟真实场景负载以测试性能, 以及实时监测负载并识别异常行为.
3.1 数据库调优与诊断
智能数据库调优与诊断是利用人工智能的方法对数据库的参数进行配置, 对索引进行推荐以及对数据库出现
的异常进行诊断, 从而提升数据库效率的方法. 这些基于人工智能的方法不仅提升了数据库的运行效率和资源的
利用率, 还降低了数据库维护和调试需要的人力资源和时间成本.
3.1.1 参数调优
数据库系统中存在大量参数配置, 这些参数在内存分配、数据读取、备份与恢复等方面对数据库性能产生显
著影响. 智能数据库配置调优通过利用数据库负载信息、参数配置及系统状态等作为输入, 结合人工智能技术, 推
荐一组最优参数配置.
图 4 是数据库参数调优的标准化流程, 数据库参数调优方法首先从数据库中获取参数、负载及系统状态数
据, 随后通过预处理步骤筛选数据, 包括选择相关参数子集并对参数、负载及系统状态等特征进行提取. 接着, 编
码后的特征被输入至调优模型中进行训练. 调优模型主要分为 5 类: 基于启发式算法、基于贝叶斯优化、基于深
度学习、基于强化学习的调优方法以及基于大模型的方法. 最终, 调优模型输出优化后的参数配置. 此外, 为适应
数据库运行状态及负载的动态变化, 调优模型需进行迁移, 其过程包括负载匹配、构建历史数据库及模型调整这
3 个步骤. 表 3 总结了智能参数调优方法及其主要特点.

数据库 预处理
模型 模型迁移
参数 启发式
参数筛选 相似匹配
贝叶斯优化
系统状态 经验仓库 输出参数
深度学习
强化学习
特征选择 模型调优
负载
大语言模型
图 4 数据库参数调优标准化架构

表 3 智能参数调优方法

类别 调优方法 特征空间 调优模型 模型迁移 特点
发掘参数之间的依赖关系, 重组新
Chen等人 [78] 无 进化搜索 经验转移
基于启发式 旧样本
搜索的调优 [79] 分割和发散采样, 递归定界
BestConfig 无 无 将参数子空间离散化
与搜索