Page 367 - 《软件学报》2026年第2期

846 软件学报 2026 年第 37 卷第 2 期

实现与数据库系统的深度集成. 开发接口需要在设计上采取更为灵活和开放的策略, 以增强其对不同数据库系统
的适应能力.
智能数据库开发接口在发展过程中仍面临若干挑战: 1) 通用性问题: 当前的智能数据库开发接口在通用性方
面存在局限, 主要表现在它们往往只能适配特定类型的数据库系统. 例如, PilotScope 目前仅与 PostgreSQL 和
Spark 兼容, 这种局限性限制了其在更广泛数据库环境中的适用性. 2) 完整性考量: 尽管这些组件提供了必要的数
据库接口, 但它们在对智能方法的全面评估机制方面尚显不足. 一个有效的评估体系对于确保智能算法的准确性、
可靠性和效率至关重要.

6 总 结

本综述深入讨论了智能数据库系统的前沿问题, 以各研究领域的标准化框架视角多维度对比和总结了现有的
智能数据库系统、组件开发接口、智能交互层、智能管理层和智能内核层等多方面的最新进展与存在的挑战. 本
综述以标准化为核心视角, 系统性地提炼了智能数据库 3 大核心领域 (交互、管理、内核) 内在的通用处理范式.
通过深入分析, 我们揭示了驱动智能数据库自优化的标准智能处理逻辑. 建立这种标准化的理解和描述框架, 为研
究者提供了统一的学术分析工具, 促进了不同技术间的对比与模块化设计, 并清晰地揭示了当前面临的数据质量、
集成复杂性、安全保障和多模块协同等共性挑战根源在于该标准化流程的不同环节. 标准化框架的建立, 旨在将
复杂系统中的多样性抽象为可复用的通用模式, 作为长期演进的基础, 为未来技术迭代 (如多模态查询、动态负载
适应、异构硬件加速) 提供可扩展的底层支撑.
更加具体的, 通过对现有智能数据库系统的横向深入分析, 本文评估了人工智能方法在提升数据库与用户交
互体验, 帮助 DBA 简化管理流程、提高数据库内核性能方面的优势与不足. 更具体的, 在交互层, 自然语言到
SQL 的转换和表格问答显著降低了非技术用户的门槛, 但复杂语义理解和多模态查询 (如图文混合检索) 仍有待
突破; 在管理层, 基于机器学习的自动化调优 (如索引推荐、负载预测) 减轻了 DBA 的经验依赖, 然而极端数据分
布下的策略稳定性、实时响应能力仍需提升; 在内核层, 智能组件 (如 learned indexes、基数估计模型) 通过替代
传统启发式算法, 在 I/O 优化、查询计划生成等方面展现了性能优势, 但其动态适应性 (如负载突变时的模型迁移
效率) 和资源效率 (如 GPU 内存占用) 仍是瓶颈. 值得关注的是, 工业界已涌现出部分成熟方案, 但其黑箱决策机
制与数据库事务强一致性需求的矛盾, 揭示了技术落地的复杂性.
各领域当前挑战可归纳如下.
智能交互层在复杂语义解析与多模态交互中存在局限. 模糊查询依赖静态词典导致泛化性差; 跨模态查询缺
乏统一的向量化表示与优化器支持.
智能管理层在动态负载与极端场景下的稳定性不足. 时序敏感型任务要求实时响应, 而基于批量训练的模型
难以快速适应; 黑箱决策机制阻碍 DBA 对异常操作的根因分析.
智能内核层的组件局部优化与全局效率存在冲突. 学习索引可提升单表查询速度, 但跨表连接时因缺乏协同
可能加剧锁竞争; 查询计划生成面对复杂查询和动态工作负载时, 仍然难以生成最优计划; 自适应查询处理和并发
控制策略在并发场景下需要更高效可靠的算法来保持系统的高性能.
智能数据库开发接口在全面性与易用性上面临双重挑战. 接口功能碎片化 (如数据采集、特征工程、模型部
署模块割裂) 导致开发效率低下, 且缺乏统一的隐私保护机制 (如联邦学习支持不足), 难以满足金融等场景需求.
未来各领域研究需向多层次融合演进.
面向用户的便捷交互需要融合领域知识图谱增强语义理解, 采用增量学习动态更新语义模型; 设计多模态统

一查询引擎, 将文本、图像等非结构化数据编码为可联合优化的向量空间.
智能管理层需要构建在线学习运维框架, 通过流式数据处理实时更新模型; 开发可解释性工具, 可视化 AI 决
策逻辑; 设计人机协同接口, 确保 DBA 对关键操作的最终控制权.
智能内核层的组件需要推进跨组件联合优化, 例如将查询优化器与并发控制器的代价模型统一为深度强化学