論文の概要: WAter: A Workload-Adaptive Knob Tuning System based on Workload Compression

• arxiv url: http://arxiv.org/abs/2603.28809v1
• Date: Sat, 28 Mar 2026 06:00:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.545398
• Title: WAter: A Workload-Adaptive Knob Tuning System based on Workload Compression
• Title（参考訳）: WAter: ワークロード圧縮に基づくワークロード適応型ノブチューニングシステム
• Authors: Yibo Wang, Jiale Lao, Chen Zhang, Cehua Yang, Jianguo Wang, Mingjie Tang,
• Abstract要約: 我々は,ほぼ最適構成をチューニングコストのごく一部で求める,実行時効率のよいチューニングシステムWAterを開発した。 WAterは最大73.5%のチューニング時間で最高のパフォーマンスを実現し、最高のパフォーマンスの代替よりも最大16.2%高いパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 11.994491536529742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Selecting appropriate values for the configurable parameters of Database Management Systems (DBMS) to improve performance is a significant challenge. Recent machine learning (ML)-based tuning systems have shown strong potential, but their practical adoption is often limited by the high tuning cost. This cost arises from two main factors: (1) the system needs to evaluate a large number of configurations to identify a satisfactory one, and (2) for each configuration, the system must execute the entire target workload on the DBMS, which is both time-consuming. Existing studies have primarily addressed the first factor by improving sample efficiency, that is, by reducing the number of configurations evaluated. However, the second factor, improving runtime efficiency by reducing the time required for each evaluation, has received limited attention and remains an underexplored direction. We develop WAter, a runtime-efficient and workload-adaptive tuning system that finds near-optimal configurations at a fraction of the tuning cost compared with state-of-the-art methods. We divide the tuning process into multiple time slices and evaluate only a small subset of queries from the workload in each slice. Different subsets are evaluated across slices, and a runtime profile is used to dynamically identify more representative subsets for evaluation in subsequent slices. At the end of each time slice, the most promising configurations are evaluated on the original workload to measure their actual performance. Evaluations demonstrate that WAter identifies the best-performing configurations with up to 73.5% less tuning time and achieves up to 16.2% higher performance than the best-performing alternative.
• Abstract（参考訳）: データベース管理システム(DBMS)の設定可能なパラメータの適切な値を選択してパフォーマンスを改善することは、大きな課題です。 最近の機械学習(ML)ベースのチューニングシステムは大きな可能性を示しているが、その実践的採用は高いチューニングコストによって制限されることが多い。 このコストは、(1)システムは満足度の高いものを特定するために多数の構成を評価する必要があり、(2)それぞれの構成に対して、システムはDBMS上でターゲットのワークロード全体を実行しなければなりません。 既存の研究は、主にサンプル効率を改善することで第一の要因、すなわち、評価された構成の数を減らし、第一の要因に対処してきた。 しかし,2つ目の要因は,各評価に要する時間を短縮して実行効率を向上させることにある。 本研究では,動作効率と作業負荷に適応したチューニングシステムであるWAterを開発した。 チューニングプロセスを複数のタイムスライスに分割し、スライス毎のワークロードからクエリの小さなサブセットのみを評価する。 異なるサブセットをスライス毎に評価し、ランタイムプロファイルを使用して、その後のスライスで評価するために、より代表的なサブセットを動的に識別する。 各タイムスライスの最後に、最も有望な構成を元のワークロードで評価し、実際のパフォーマンスを測定します。 評価の結果、WAterは最高パフォーマンスの構成を最大73.5%のチューニング時間で識別し、最高パフォーマンスの代替よりも最大16.2%高いパフォーマンスを実現している。

関連論文リスト

• Relation-Aware Bayesian Optimization of DBMS Configurations Guided by Affinity Scores [2.474203056060563]
  データベース管理システム(DBMS)は,大規模および異種データの管理に基本的であり,その性能は構成パラメータの影響を強く受けている。 近年の研究では、機械学習を用いた自動構成最適化に焦点が当てられているが、既存のアプローチにはいくつかの重要な制限がある。 パラメータ依存をグラフとして表現する新しいフレームワークであるRelTuneを提案し,パフォーマンス関連セマンティクスを符号化したGNNベースの潜伏埋め込みを学習する。
  論文  参考訳（メタデータ） (2025-10-31T03:46:42Z)
• Prompt Optimization via Retrieved Reasoning Assets and Multi-Agent Analysis [5.935239028627343]
  スコア・アウェア・プロンプト最適化のためのマルチエージェントフレームワークであるMA-SAPOを紹介する。 従来の手法と比較して、MA-SAPOは、体系的な編集を導く構造的推論と評価結果を明示的に結合する。 評価信号を解釈可能な推論連鎖に変換することで、MA-SAPOはより透明で、監査可能で、制御可能な、迅速な改善を生成する。
  論文  参考訳（メタデータ） (2025-10-18T20:21:09Z)
• A Unified Multi-Task Learning Framework for Generative Auto-Bidding with Validation-Aligned Optimization [51.27959658504722]
  マルチタスク学習は、これらのタスクを共有表現を通じて共同でトレーニングするための、原則化されたフレームワークを提供する。 既存のマルチタスク最適化戦略は、主にトレーニングダイナミクスによって導かれ、不安定な入札環境ではよく一般化される。 本稿では,タスク毎のトレーニング勾配と保留有効度勾配のアライメントに基づいてタスク重みを適応的に割り当てる,バリデーション適応型マルチタスク最適化(VAMO)を提案する。
  論文  参考訳（メタデータ） (2025-10-09T03:59:51Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• E2ETune: End-to-End Knob Tuning via Fine-tuned Generative Language Model [22.661022020554622]
  E2ETuneは、細調整された生成言語モデルを利用したエンドツーエンドのノブチューナーである。 本稿では,大量のトレーニングデータを効率的に生成する新しいデータ生成フレームワークを提案する。 そして、これらのデータを用いて生成言語モデルを微調整し、エンドツーエンドのノブチューナーを生成する。
  論文  参考訳（メタデータ） (2024-04-17T17:28:05Z)
• Controllable Prompt Tuning For Balancing Group Distributional Robustness [53.336515056479705]
  グループ間で優れたパフォーマンスを実現するための最適化スキームを導入し、それらの性能を著しく犠牲にすることなく、全員に良い解決策を見出す。 本稿では,制御可能なプロンプトチューニング(CPT)を提案する。 突発的相関ベンチマークでは, 変換器と非変換器の両アーキテクチャ, および非モーダルおよびマルチモーダルデータにまたがって, 最先端の結果が得られた。
  論文  参考訳（メタデータ） (2024-03-05T06:23:55Z)
• Amortized Auto-Tuning: Cost-Efficient Transfer Optimization for Hyperparameter Recommendation [83.85021205445662]
  本稿では,機械学習モデルのチューニングを高速化する自動チューニング(AT2)を提案する。 マルチタスクマルチ忠実ベイズ最適化フレームワークの徹底的な解析を行い、最適なインスタンス化-アモータイズ自動チューニング(AT2)を実現する。
  論文  参考訳（メタデータ） (2021-06-17T00:01:18Z)

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。