数控系统使用期限破解▉▉▉【一电一 17154833762-】▉▉▉SIGMOD 数据管理国际会议是数据库领域具有最高学术地位的国际性会议，位列数据库方向顶级会议之首
近日，腾讯云数据库团队的最新研究成果入选 SIGMOD 2022 Research Full Paper（研究类长文），入选论文题目为“HUNTER: An Online Cloud Database Hybrid Tuning System for Personalized Requirements”
标志着腾讯云数据库团队在数据库AI智能化上取得进一步突破，实现性能领先
数据库参数自动调优在学术界和工业界都已有较多研究，但现有的方法在缺少历史数据时或是面对新负载进行参数调优时，往往面临着调优时间过长的问题(可达到数天)
在此篇论文中，团队提出了混合调优系统Hunter，即改进后的 CDBTune+，主要解决了⼀个问题：如何在保证调优效果的前提下显著减少调优时间
经实验调优效果明显：随着并发度提升实现调优时间准线性降低，在单并发度场景下调优时间只需17小时，在20并发度场景下调优时间缩短至2小时
工作原理（技术原理解析）这是CDB/CynosDB数据库团队第三次研究成果论文被SIGMOD收录
继2019年数据库团队首度提出基于深度强化学习(DRL)的端到端云数据库参数调优系统CDBTune，该研究论文“An End-to-End Automatic Cloud Database Tuning System Using Deep Reinforcement Learning”入选SIGMOD 2019 Research Full Paper（研究类长文）
虽然CDBTune 在调参效果上已经达到了⼀个相当高的水平，但我们也发现，CDBTune 需要较长的调优时间才能通过自我学习达到较高的性能
对此，本次收录论文中提出改进的 CDBTune+，能够在保证调优效果的前提下极大地缩减调优耗时
改进的混合调优系统CDBTune+，主要包含样本生成、搜索空间优化、深度推荐三个阶段
样本生成阶段利用遗传算法进行初期调优，快速获取高质量样本；搜索空间优化阶段利用上⼀阶段的样本信息减小解空间，减少学习成本；深度推荐阶段利用之前阶段的信息进行维度优化和强化学习预训练，保证调优效果的同时显著减少调优时间
为了进⼀步对调优过程进行加速，我们充分利用CDB 的克隆技术，采用多台数据库实例实现并行化， 令整个调优时间更进⼀步地减少
样本生成如下图所示，由于基于学习的调优方法在训练初期都有着调优效果差、收敛速度慢等问题（我们称之为冷启动问题）
我们认为这些方法面临冷启动问题主要是因为：1、样本数量少质量差，网络难以快速学到正确的探索方向
2、搜索空间大，网络结构复杂，学习速度缓慢
为了缓解上述问题，我们采用收敛速度更快的启发式方法（如：遗传算法(GA)）进行初期的调优，以此快速获得高质量的样本
如图 5 所示，不同方法进行 300 次的参数推荐，图中是这 300 次参数所对应的数据库性能分布
可以见得，相较于其他的方法，GA 能够收集到更多的高性能参数
虽然有着更快的学习速度，但是 GA 却可能更容易收敛到次优解，如图 6 所示
启发式方法虽有着较快的收敛速度，但是却容易收敛到局部最优，导致最终调优效果不佳
而基于学习的方法却在较长的调优时间后可以得到较高的性能，但是却需要较长的训练时间，速度较慢
我们将两种方法结合，即加快了调优速度，也确保了参数质量
搜索空间优化单纯地将两者拼接难以有⼀定的性能提升（节约约 20%的时间），但是我们期望更多
利用样本生成阶段可以获得较多高质量的样本，但是却没有将其效果充分发挥
我们利用PCA 进行状态空间降维，Random Forests 进行参数重要性排序
PCA 是⼀种常用的降维方法，可将高维数据降为低维数据的同时保留大部分信息
我们采用累计方差贡献率来衡量信息的保留度，⼀般来说，当累计方差贡献率 > 90%时即可认为信息得到了完全的保留
我们选择贡献率最大的两个成分，并以此作为 x、y 轴描点，以其对应的数据库性能作为点的颜色（颜色越深性能越低），可以看出，低性能的点可以被两个成分较为明显的区分开来，由此可见，PCA 能够帮助 DRL 更好地学习
随机森林可以被用来计算特征的重要性，我们以数据库参数为输入，对应的数据库性能为输出训练随机森林模型，然后计算各个数据库参数的重要性，并进行排序
采用不同数量的 Top 参数进行参数调优可以看到数据库最优性能的变化，在⼀定数量的样本保证下，TPC-C 负载调整 20 个参数即可达到较高的性能
深度推荐经历样本生成和搜索空间优化后，我们在深度推荐阶段采用深度强化学习（DRL）来进行参数推荐
首先，搜索空间优化的结果会对 DRL 的网络进行优化，减少其输入输出的维度，简化网络结构
其次，样本生成阶段的样本将加入DRL 的经验池中，由 DRL 进行⼀定程度的预训练
最后，DRL 将基于改进后的探索策略进行参数推荐