Fugu-MT 論文翻訳(概要): KnobTree: Intelligent Database Parameter Configuration via Explainable Reinforcement Learning

論文の概要: KnobTree: Intelligent Database Parameter Configuration via Explainable Reinforcement Learning

arxiv url: http://arxiv.org/abs/2406.15073v1
Date: Fri, 21 Jun 2024 11:40:55 GMT
ステータス: 処理完了
システム内更新日: 2024-06-24 13:42:28.605356
Title: KnobTree: Intelligent Database Parameter Configuration via Explainable Reinforcement Learning
Title（参考訳）: KnobTree: 説明可能な強化学習によるインテリジェントデータベースパラメータ構成
Authors: Jiahan Chen, Shuhan Qi, Yifan Li, Zeyu Dong, Mingfeng Ding, Yulin Wu, Xuan Wang,
Abstract要約: 本稿では,データベースパラメータ設定の最適化のために設計された対話型フレームワークであるKnobTreeを提案する。 Knob と Gbase8s データベースで実施された実験は、このモデルの異常な透明性と解釈可能性を証明するものである。当社のアプローチは,スループットやレイテンシ,処理時間といった面において,既存のRLベースのチューニングアルゴリズムよりも若干優れています。
参考スコア（独自算出の注目度）: 9.94061240360141
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Databases are fundamental to contemporary information systems, yet traditional rule-based configuration methods struggle to manage the complexity of real-world applications with hundreds of tunable parameters. Deep reinforcement learning (DRL), which combines perception and decision-making, presents a potential solution for intelligent database configuration tuning. However, due to black-box property of RL-based method, the generated database tuning strategies still face the urgent problem of lack explainability. Besides, the redundant parameters in large scale database always make the strategy learning become unstable. This paper proposes KnobTree, an interpertable framework designed for the optimization of database parameter configuration. In this framework, an interpertable database tuning algorithm based on RL-based differentatial tree is proposed, which building a transparent tree-based model to generate explainable database tuning strategies. To address the problem of large-scale parameters, We also introduce a explainable method for parameter importance assessment, by utilizing Shapley Values to identify parameters that have significant impacts on database performance. Experiments conducted on MySQL and Gbase8s databases have verified exceptional transparency and interpretability of the KnobTree model. The good property makes generated strategies can offer practical guidance to algorithm designers and database administrators. Moreover, our approach also slightly outperforms the existing RL-based tuning algorithms in aspects such as throughput, latency, and processing time.
Abstract（参考訳）: データベースは現代の情報システムの基本であるが、従来のルールベースの構成手法は、数百の調整可能なパラメータを持つ現実世界のアプリケーションの複雑さを管理するのに苦労している。認識と意思決定を組み合わせた深層強化学習(DRL)は、インテリジェントなデータベース構成チューニングのための潜在的なソリューションを提供する。しかし、RL方式のブラックボックス特性のため、生成したデータベースチューニング戦略は、説明可能性の欠如という緊急の問題に直面している。さらに、大規模データベースにおける冗長なパラメータは、戦略学習を不安定にする。本稿では,データベースパラメータ設定の最適化のために設計された対話型フレームワークであるKnobTreeを提案する。本稿では,RLをベースとした微分木に基づく対話型データベースチューニングアルゴリズムを提案し,説明可能なデータベースチューニング戦略を生成するために,透過的ツリーベースモデルを構築した。大規模パラメータの問題に対処するため,データベースの性能に重大な影響を及ぼすパラメータを特定するために,Shapley Valuesを用いたパラメータ重要度評価のための説明可能な手法も導入した。 MySQLとGbase8sデータベースで実施された実験は、KnobTreeモデルの例外的な透明性と解釈可能性を証明した。優れたプロパティによって生成された戦略は、アルゴリズムデザイナやデータベース管理者に実践的なガイダンスを提供することができる。さらに,スループットやレイテンシ,処理時間といった面で,既存のRLベースのチューニングアルゴリズムよりも若干優れています。

関連論文リスト

Is Large Language Model Good at Database Knob Tuning? A Comprehensive Experimental Evaluation [28.753219581544617]
本研究は,経験豊富なDBAとして大規模言語モデル(LLM)を,慎重に設計されたプロンプトを用いたノブチューニングタスクに活用する。我々は,LLM方式のアプローチと従来の手法との比較実験を行った。以上の結果から, LLMは従来の手法に適合するだけでなく, 解釈可能性も顕著であることが明らかとなった。
論文参考訳（メタデータ） (2024-08-05T03:26:01Z)
Efficient Architecture Search via Bi-level Data Pruning [70.29970746807882]
この研究は、DARTSの双方向最適化におけるデータセット特性の重要な役割を探求する先駆者となった。我々は、スーパーネット予測力学を計量として活用する新しいプログレッシブデータプルーニング戦略を導入する。 NAS-Bench-201サーチスペース、DARTSサーチスペース、MobileNetのようなサーチスペースに関する総合的な評価は、BDPがサーチコストを50%以上削減することを検証する。
論文参考訳（メタデータ） (2023-12-21T02:48:44Z)
Guiding Language Model Reasoning with Planning Tokens [122.43639723387516]
大規模言語モデル(LLM)は、最近、複雑な推論タスクを実行する能力に対して、かなりの関心を集めている。より構造的なチェーン・オブ・シークレット・ステップの創出を促す階層的な生成手法を提案する。提案手法では、トレーニング可能なパラメータ(0.001%)の無視可能な増加が必要であり、完全な微調整か、よりパラメータ効率の良いスキームで適用することができる。
論文参考訳（メタデータ） (2023-10-09T13:29:37Z)
Utilizing deep learning for automated tuning of database management systems [0.12891210250935148]
OtterTuneは、影響力のあるノブを特定し、以前は目に見えないワークロードを分析し、ノブ設定のレコメンデーションを提供する。このアプローチの有効性は,3つの異なるデータベース管理システム(DBMS)上でのOtterTuneと呼ばれる新しいツールの評価を通じて実証される。
論文参考訳（メタデータ） (2023-06-25T21:50:14Z)
End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文参考訳（メタデータ） (2023-05-25T10:58:46Z)
Automating DBSCAN via Deep Reinforcement Learning [73.82740568765279]
本稿では,DBSCANの自動パラメータ検索フレームワークであるDRL-DBSCANを提案する。このフレームワークは、クラスタリング環境をマルコフ決定プロセスとして知覚することで、パラメータ探索方向を調整する過程をモデル化する。このフレームワークはDBSCANクラスタリングの精度を最大で26%、25%改善している。
論文参考訳（メタデータ） (2022-08-09T04:40:11Z)
On Effective Scheduling of Model-based Reinforcement Learning [53.027698625496015]
実データ比率を自動的にスケジュールするAutoMBPOというフレームワークを提案する。本稿ではまず,政策訓練における実データの役割を理論的に分析し,実際のデータの比率を徐々に高めれば,より優れた性能が得られることを示唆する。
論文参考訳（メタデータ） (2021-11-16T15:24:59Z)
The RLR-Tree: A Reinforcement Learning Based R-Tree for Spatial Data [33.26284196513858]
B-Treeのような古典的なインデックス構造を機械学習(ML)モデルに置き換えるための学習インデックスが提案されている。構造やクエリ処理アルゴリズムを変更することなく、従来のR-Treeのクエリ性能を向上させるために、ML技術を使用する根本的に異なる方法を提案します。
論文参考訳（メタデータ） (2021-03-08T04:29:58Z)
Probabilistic Case-based Reasoning for Open-World Knowledge Graph Completion [59.549664231655726]
ケースベース推論(CBR)システムは,与えられた問題に類似した事例を検索することで,新たな問題を解決する。本稿では,知識ベース(KB)の推論において,そのようなシステムが実現可能であることを示す。提案手法は,KB内の類似エンティティからの推論パスを収集することにより,エンティティの属性を予測する。
論文参考訳（メタデータ） (2020-10-07T17:48:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。