Page 351 - 《软件学报》2026年第2期

830 软件学报 2026 年第 37 卷第 2 期

推荐. 在初始训练阶段, 它利用数据库手册和参数以及历史调优经验微调模型的权重, 以便将自然语言提示为推荐
的设置. 在运行时, 利用微调的模型对参数进行排序, 然后利用强化学习来选择最佳的参数.
3.1.1.4 模型迁移
针对新数据变化 (如数据量激增、分布偏移、工作负载动态调整等), 模型迁移方法通过复用历史知识、动态
优化参数配置, 显著提升了数据库的适应性和性能.
基于启发式搜索的方法主要依赖“经验转移”机制, 通过进化算法实现跨任务的知识复用, 其特点在于将参数
子空间离散化并结合分割采样策略, 利用历史搜索经验优化新任务的参数配置, 但缺乏显式的特征空间建模能力.
贝叶斯优化方法则展现出更强的迁移潜力, 典型如 OtterTune 采用工作负载映射技术, 通过高斯过程回归建立跨数
据集的性能预测模型; ResTune 进一步引入元学习框架, 通过预训练调优模型与微调阶段的适应性上下文优化实
现跨数据库系统的参数迁移, 其核心在于利用共享的底层特征空间降低环境差异带来的性能衰减. 深度学习驱动
的 LlamaTune 采用多模型集成策略, 结合 SHAP 特征重要性解析技术, 将离散化参数空间映射到连续潜在空间以
实现跨场景泛化. 与之相比, 强化学习类方法 (如 OnlineTune) 强调动态适应性, 通过在线交互式策略梯度更新 (如
DDPG 算法) 实时响应工作负载变化, 其迁移过程融合了安全性评估机制, 在保证 QoS 约束的同时完成参数调优
策略的跨环境迁移.
3.1.2 索引推荐
索引推荐旨在通过分析数据库的数据模式和查询工作负载来自动识别并建议最适合的索引, 从而提高数据库
查询的效率, 减少数据库查询响应时间, 优化数据库的存储效率和提高数据库对计算资源的使用率. 通过自动化索
引管理的方式, 索引推荐使数据库系统能够适应不断变化的数据访问模式, 从而在不需要 DBA 人工干预的情况下
维持高性能.
如图 5 所示, 智能数据库索引推荐的标准流程包含 3 个核心模块. 1) 候选索引生成: 接收负载分析 (查询模式、
频率) 和数据库元数据 (表结构、统计信息) 作为输入, 通过启发式方法 (如规则驱动) 和学习式方法生成候选索引
集合. 2) 索引推荐模型: 基于候选索引和实时系统状态 (存储、性能指标), 结合离线推荐 (预训练模型) 与在线推
荐 (动态调整策略), 采用基于规则、智能算法及强化学习生成最终推荐索引. 3) 索引效益估计: 通过虚拟索引创
建 (What-if 索引) 和代价评估 (计算存储、I/O 开销), 量化候选索引对查询性能的提升效果, 为模型提供反馈以持
续优化推荐策略. 后文表 4 总结了典型的智能索引推荐方法以及它们分别使用的核心模块.

索引效益估计
虚拟索引创建 代价评估

候选索引生成 索引推荐模型
负载分析 索引推荐
负载 系统状态
候选生成 基于规则
持续优化
启发式方法
离线推荐 智能算法
数据库
学习式方法
在线推荐 强化学习

图 5 数据库索引推荐标准化架构

3.1.2.1 候选索引生成
候选索引生成是索引推荐流程的初始阶段, 其核心目标是从数据库工作负载中提取潜在的索引候选集合. 候
选索引需满足两个基本条件: (1) 覆盖工作负载中高频查询的过滤条件、连接条件或排序条件; (2) 符合数据库存
储空间约束. 此阶段的输出质量直接影响后续索引推荐的效果.