Aug, 2023

基于机器学习的索引调优：最近进展与开放挑战概述

PDF
TL;DR在自动索引调优中，机器学习技术为缓解相关挑战提供了新的机会，涉及工作负载选择、候选索引筛选、加速索引配置搜索、减少查询优化器调用和降低性能回归可能性等方面。此外，我们还提出了一个跨平台设计，旨在在多个 SQL-like 系统中实现索引调优的民主化。
automated index tuningmachine learning techniquesworkload selectioncandidate index filteringquery performance regressions
发现论文，激发创造
  • 使用深度学习进行数据库管理系统的自动调优

    通过使用 OtterTune 自动化工具，利用监督和无监督机器学习技术实现对数据库系统配置的自动管理，并通过对比实验证明，其生成的配置与人工专家配置相当或甚至更优，本文则是在原有的自动化技术基础上，利用机器学习方法进一步优化了新的数据库系统的部署，特别是在准确性预估上。

    Jun, 2023

  • 基于深度学习的数据库管理系统自动调优

    利用 OtterTune 的方法，通过有监督和无监督的机器学习方法选择对系统有影响力的 knobs，映射未知的工作负载，推荐 knob 设置，并改进延迟预测，并使用 GMM 聚类去除指标并组合集成模型（如 RandomForest）与非线性模型（如神经网络）进行预测建模。

    Apr, 2023

  • 预算感知查询调优：一种 AutoML 视角

    通过将代价单元视为变量，本文挑战了传统的代价模型观点，并提出了查询优化和工作负载调优的解决方案，实验证明了该方法的有效性。

    Mar, 2024

  • LLMTune：利用大型语言模型加速数据库参数调优

    基于大型语言模型的配置生成器 LLMTune 加速了优化器的调优过程，通过提供高质量的起始配置，避免了对不高效区域的冗余探索，从而在发现最佳配置方面取得显著的加速效果。

    Apr, 2024

  • 自动机器学习：AutoML 方法和工具的评估和比较

    本文介绍了自动化机器学习技术（AutoML）的研究现状，重点评估了多种 AutoML 工具在不同数据集、不同数据段上的表现和优缺点。

    Aug, 2019

  • 基于机器学习和分析模型的 GPU 嵌入式系统性能调优方法

    本论文研究了 GPU 嵌入式系统上的调优方法，并比较了基于分析模型和基于机器学习的调优方法的性能，在 NVIDIA Jetson 系统上评估了 BPLG 库的不同并行前缀实现的性能，并与穷举搜索的性能进行了比较，为解决服务器和嵌入式设备间主要计算模式的性能可移植性提供了实用指导。

    Oct, 2023

  • 自动化机器学习方法在价格预测应用中的基准测试

    应用自动化的机器学习（AutoML）方案代替手动创建的机器学习管道，结合公司的领域知识进行价格预测的工业需求研究，展示了 AutoML 导致的小型和中型企业对机器学习专家的依赖减弱的可能性。

    Apr, 2023

  • 自动化机器学习：最新技术和未解决的挑战

    本文研究机器学习中的自动化算法选择与超参数调整问题，以及 AutoML 流程的其他步骤，总结现有技术与工具，探讨未来研究方向和挑战。

    Jun, 2019

  • 自动机器学习技术的崛起：面向工业应用的高效软件和应用程序调研

    本文综述了现有的自动机器学习工具，包括开源和商业工具，并阐述了一个评估自动机器学习解决方案在实际应用中表现良好的框架，该框架考虑了各方利益和人机交互。此外，通过对学术和商业案例研究的广泛评估和比较，本综述也评估了 AutoML 在 2020 年代初的主流参与度，并确定了加速未来普及的障碍和机遇。

    Nov, 2022

  • 使用机器学习进行编译器自动调优的调查

    本研究调查总结了近年来关于编译器优化领域中使用机器学习解决编译器优化问题的最新进展及应用，特别是针对两个主要问题：选择最佳优化和优化的阶段排列。

    Jan, 2018