論文の概要: Reinforcement Learning based DBMS Buffer Pool Auto-Tuning for Optimal Memory Utilization
- arxiv url: http://arxiv.org/abs/2608.11239v1
- Date: Fri, 31 Jul 2026 09:40:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 01:32:04.591644
- Title: Reinforcement Learning based DBMS Buffer Pool Auto-Tuning for Optimal Memory Utilization
- Title（参考訳）: 強化学習に基づくDBMSバッファプール自動チューニングによるメモリ最適利用
- Abstract要約: データベース管理者(DBA)は、サービスレベルアグリーメント(SLA)とリソース使用量のバランスをとる必要があります。
我々は、不要なメモリ割り当てを最小限に抑えるオンラインRLベースのバッファ調整システムMicroTuneを紹介する。
- 参考スコア（独自算出の注目度）: 7.724216746577753
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Administering Database Management Systems (DBMS) instances requires Database Administrators (DBA) to balance performance in terms of Service Level Agreement (SLA) against resource usage, often prompting RAM over-allocation that wastes memory. We introduce MicroTune, an online RL-based buffer adjustment system that minimizes unnecessary memory allocation while ensuring SLA compliance. To identify the most effective RL core, we evaluate multiple algorithms under diverse benchmark workloads, training MicroTune on extensive traces of both external metrics (latency, throughput) and internal DBMS metrics (status variables and performance statistics). Experimental results demonstrate that MicroTune dynamically adapts buffer sizes to workload fluctuations, outperforming baselines by achieving significant memory savings with fewer SLA violations. These findings underscore the promise of reinforcement learning for adaptive resource management in DBMS environments.
- Abstract（参考訳）: データベース管理システム(DBMS)インスタンスの管理には、サービスレベル合意(SLA)とリソース使用量のバランスをとるためにデータベース管理者(DBA)が必要である。
オンラインRLベースのバッファ調整システムであるMicroTuneを導入する。
最も効果的なRLコアを特定するために、さまざまなベンチマークワークロードの下で複数のアルゴリズムを評価し、外部メトリクス(レイテンシ、スループット)と内部DBMSメトリクス(統計変数、パフォーマンス統計)の広範なトレースに基づいてMicroTuneをトレーニングした。
実験の結果、MicroTuneはバッファサイズをワークロードの変動に動的に適応し、SLA違反を少なくしてメモリの大幅な節約を達成し、ベースラインを上回ります。
これらの結果は,DBMS環境における適応的資源管理のための強化学習の可能性を浮き彫りにした。
関連論文リスト
- Harness the Memory: A Holistic Evaluation of Memory Substrates in Memory Agents [97.19033877543522]
本稿では,メモリ拡張剤のメモリ基板の制御ハーネス評価について述べる。
統一されたハーネスの下で26のパフォーマンスと効率のメトリクスを計測する。
これらの知見は、アダプティブエージェントメモリシステムに必要なコンポーネントとして、基質ルーティングを動機付けている。
論文 参考訳（メタデータ） (2026-08-15T03:29:48Z) - MemLens: A Value-Aware Memory Management System with Interactive Analytics for LLM-based Agents [37.58098373690933]
本稿では,メモリレコードを第一級データオブジェクトとして扱うメモリ管理システムであるMemLensを紹介する。
MemLensは、完全なメモリライフサイクルを公開するエンドツーエンドのインタラクティブ分析ダッシュボードを提供する。
論文 参考訳（メタデータ） (2026-07-28T17:08:56Z) - SWE-MeM: Learning Adaptive Memory Management for Long-Horizon Coding Agents [36.120924833649376]
SWE-MeMは、ソフトウェアエンジニアリングエージェントのアクティブおよびオンデマンドメモリ管理のためのトレーニングフレームワークである。
エージェントはいつ、いつ、どのように、どのように圧縮するかを、軌道状態、タスク進捗、残りのコンテキスト予算に基づいて決定できる。
4Bモデルと30Bモデルでそれぞれ43.4%と60.2%のリゾルバ率を実現し、既存のメモリ管理ベースラインをパフォーマンスと効率の両方で上回っている。
論文 参考訳（メタデータ） (2026-06-26T04:55:24Z) - GoTTA be Diverse: Rethinking Memory Policies for Test-Time Adaptation [54.70334474895361]
テスト時間適応(TTA)は、事前訓練されたモデルが、分散シフトの下でラベルのないテストストリームにオンラインで適応できるようにする。
ほとんどのTTA研究は適応の目的に焦点を当てているが、実用的なストリームはどのサンプルが適応を駆動するかを選択するのに使用されるメモリにも大きく依存している。
本稿では,クラスバランスアロケーションと特徴空間の多様性を組み合わせた多様性を考慮したメモリポリシーであるGOTTAについて紹介する。
論文 参考訳（メタデータ） (2026-05-19T14:18:46Z) - ReLMXEL: Adaptive RL-Based Memory Controller with Explainable Energy and Latency Optimization [0.20524609401792393]
ReLMXELは説明可能なマルチエージェントオンライン強化学習フレームワークである。
報酬分解を使ってメモリコントローラパラメータを動的に最適化する。
ReLMXELはメモリコントローラ内で動作し、詳細なメモリ動作メトリクスを利用して意思決定をガイドする。
論文 参考訳（メタデータ） (2026-03-18T03:07:54Z) - DOT: Dynamic Knob Selection and Online Sampling for Automated Database Tuning [17.110740232814674]
動的ノブ選択とオンラインサンプリングチューニングアルゴリズムであるDOTを提案する。
DOTは低重要チューニングパラメータと、探索とエクスプロイトのバランスをとるためのLikelihood Ratio Test (LRT)戦略を駆使している。
実験の結果、DOTは最先端チューナーと比較して、マッチングやパフォーマンスの向上を実現していることがわかった。
論文 参考訳（メタデータ） (2026-03-16T17:05:34Z) - AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations [61.6579785305668]
AMemGymは、メモリ駆動型パーソナライゼーションのためのオンライン評価と最適化を可能にする対話型環境である。
我々のフレームワークは、対話エージェントのメモリ能力を向上するためのスケーラブルで診断に富んだ環境を提供する。
論文 参考訳（メタデータ） (2026-03-02T15:15:11Z) - MemCtrl: Using MLLMs as Active Memory Controllers on Embodied Agents [53.44122827359892]
本稿では,Multimodal Large Language Models (MLLM) を用いたメモリのオンラインプルーニングフレームワークであるMemCtrlを提案する。
拡張MLLMは平均で16%、特定の命令サブセットで20%以上改善されている。
論文 参考訳（メタデータ） (2026-01-28T18:31:17Z) - SafeLoad: Efficient Admission Control Framework for Identifying Memory-Overloading Queries in Cloud Data Warehouses [59.68732483257323]
メモリオーバーロードは、クラウドデータウェアハウスにおけるリソースの枯渇の一般的な形態である。
我々は,メモリオーバロード(MO)クエリの特定に特化して設計された,最初のクエリ入力制御フレームワークであるSafeLoadを提案する。
SafeLoadは、オンラインおよびオフライン時間オーバーヘッドの少ない最先端の予測性能を実現する。
論文 参考訳（メタデータ） (2026-01-05T08:29:51Z) - Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。
既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。
本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
論文 参考訳（メタデータ） (2026-01-05T08:24:16Z) - Memory-R1: Enhancing Large Language Model Agents to Manage and Utilize Memories via Reinforcement Learning [89.55738101744657]
大規模言語モデル(LLM)は、幅広いNLPタスクで印象的な機能を示しているが、基本的にはステートレスである。
本稿では,LLMに外部メモリを積極的に管理・活用する機能を備えた強化学習フレームワークであるMemory-R1を提案する。
論文 参考訳（メタデータ） (2025-08-27T12:26:55Z) - Faster LLM Inference using DBMS-Inspired Preemption and Cache Replacement Policies [9.92327835631428]
本稿ではまず, LLM推論の性能を分析し, LLM推論におけるデータ管理の問題に焦点をあてる。
スケジューリングシステムには,要求のスケジューリングに十分なリソースコストモデルと最適化戦略が欠如していることが判明した。
我々は,LLM推論に適した並列推論要求のコストモデルと新しいキャッシュ置換ポリシーを構築することで,古典的なデータベース手法を適用した。
論文 参考訳（メタデータ） (2024-11-12T00:10:34Z)
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。