Page 349 - 《软件学报》2026年第2期

828 软件学报 2026 年第 37 卷第 2 期

表 3 智能参数调优方法 (续)

类别 调优方法 特征空间 调优模型 模型迁移 特点
提出了采用贝叶斯优化方法进行
[80]
iTuned 进化算法 响应曲面的高斯过程表示 无
参数调优
[81] 线性回归特征选择 利用调优历史数据, 重用历史观察
OtterTune 高斯过程回归 工作负载映射
技术 结果
Gini重要性 提出了一种调优成本摊销模型; 支
[82]
Tuneful 贝叶斯模型+代价模型 工作负载映射
(杂质重要性) 持分布式数据库Spark
超参数优化的元
[83]
ResTune DBA设定 单目标约束贝叶斯模型 预训练的调优模型提高迁移能力
基于贝叶斯 学习
[84]
优化的调优 CGPTuner 无 适应性上下文贝叶斯优化 工作负载映射 适应工作负载变化
DBA设定, 安全
[85]
OnlineTune 复合内核的贝叶斯优化 环境映射 在线动态调优, 关注调优的安全性
评估
低维空间投影, 基于顺序模型的算法配置
[86]
LlamaTune 无 多模型集成
DBA设定 SMAC/高斯过程/DDPG
随机搜索、基于高斯过程的
参数可解释性算
KeenTune [87] 贝叶斯优化、树状结构估计 工作负载映射 集成SHAP方法用于参数选择
法, DBA设定
器潜在作用蒙特卡洛树搜索
利用缓存未命中率和缓冲池大小
负载信息和指定数
IBTune [88] 深度神经网络 无 之间的关系优化云数据库的内存
基于深度学 据库指标 分配
习的调优
LITE [89] 负载信息和指定数 通过代码和调度的神经 基于对抗学习的 运行过程中对模型反馈, 小样本预
据库指标 估计器 自适应模型 训练提高了模型训练的效率
提出在数据库参数调优领域应用
CDBTune [90] DBA设定 DDPG 模型微调
强化学习
QTune [91] DBA设定 Double-state DDPG 模型微调 将查询信息作为状态入调优系统
基于强化学
习的调优 DB-BERT [92] 手册提示 Double deep Q-networks 模型微调 利用自然语言模型, 从用户手册等
文本中提取提示用于调优
PCA降维, 随机森 使用遗传算法与强化学习结合的
[93]
HUNTER 两阶段DDPG 模型微调
林降维 方法, 两阶段训练
3.1.1.1 参数筛选
数据库系统包含成百上千个不同的可调整参数, 这些参数影响了数据库的不同方面的性能, 参数之间也会相
互关联, 相互影响. 为了减少参数调优算法的搜索空间, 算法需要对数据库参数进行初步筛选. 主要有两种不同的
参数筛选方法, 分别是基于经验的策略和基于排序的策略.
基于经验的策略的方法 [83−78] 借助 DBA 的经验选择可能会影响数据库性能的参数, 这种方法极大地依赖
DBA 的经验的可靠程度. 基于排序的方法 [82,93] 利用算法衡量各个参数对于数据库性能的影响, 并选择排序中最高
的几个作为调优参数.
3.1.1.2 特征选择
与参数筛选类似的, 数据库包含大量的与性能相关的特征, 特征之间也会相互关联, 特征主要包括数据库系统
状态和工作负载特征两种.
3.1.1.3 调优模型
基于启发式算法的方法在有限的资源下利用启发式算法或者规则自动调整数据库参数, 这些方法易于实现并
且调优速度很快. PGTune 和 PGConfig 是规则匹配的参数调优方法, 这些方法首先设定了一系列用户需要输入的
信息, 得到用户输入信息后, 针对每个信息设定一系列判定条件, 从而推断出一组合适的配置. 这些方法具有容易
使用, 推荐速度快, 适用范围广的优点, 但是由于考虑的数据库信息有限, 规则模型泛化性不足, 参数粒度粗, 调优
效果差. 这些方法还需要大量人工参与, 对于不同场景的通用性也较差.
文献 [78] 利用启发式搜索复用历史调优经验, 利用贝叶斯网络指导算法发现最优配置. 该方法进一步发掘了