《表1 数据库配置参数自调优方法对比》
表1对比了这3种方法在数据库参数自调优上的异同.对于iTuned来说,它本身并没有使用机器学习有关的模型,调优效率受限,而且并不能完全脱离DBA的控制,需要手动部署数据库副本,这直接限制了iTuned的适用范围,使它不适用于负载多变且实时监控的应用;相比之下,OtterTune用高斯模型来迭代搜索最佳配置,不光解决了DBA的问题,还提高了推荐速度,能够适应负载快速变化的应用,但是带来的缺点是对训练样本要求比较高,需要大量数据来训练模型;最新的成果CDBTune运用了与OtterTune相同的数据收集方式,并在线下训练模型,将OtterTune的高斯模型换成了强化学习,这就使得系统减轻了对训练样本的依赖,增强了系统的适应性能够完成对云数据库的参数配置推荐.
图表编号 | XD00168924900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.01 |
作者 | 孙路明、张少敏、姬涛、李翠平、陈红 |
绘制单位 | 数据工程与知识工程教育部重点实验室(中国人民大学)、中国人民大学信息学院、数据工程与知识工程教育部重点实验室(中国人民大学)、中国人民大学信息学院、数据工程与知识工程教育部重点实验室(中国人民大学)、中国人民大学信息学院、数据工程与知识工程教育部重点实验室(中国人民大学)、中国人民大学信息学院、数据工程与知识工程教育部重点实验室(中国人民大学)、中国人民大学信息学院 |
更多格式 | 高清、无水印(增值服务) |