CATune：面向 DBMS 配置调优的结构约束感知贝叶斯优化

arXiv:2610.09276v1 公告类型：交叉发布 摘要：现代数据库管理系统（DBMS）提供数百个配置参数，形成了高维且异构的搜索空间，使自动化调优成本高昂。现有基于机器学习的调优系统通常将配置域视为仅受箱式约束的空间，并依靠工作负载反馈隐式捕捉参数间的关系。然而，DBMS 文档规定了确定性的参数依赖约束，尤其是顺序约束，这些约束界定了配置空间中结构上有效的区域。我们提出 CATune，这是一个约束感知贝叶斯优化（BO）框架，将确定性的参数间顺序约束建模为搜索域的结构组成部分。CATune 不通过采样得到的违规配置来学习可行性边界，而是在与约束一致的子空间内执行优化。我们开发了一种拓扑感知采样策略，在探索过程中遵循依赖结构，避免事后处理约束带来的低效。为实现自动化约束发现，我们进一步设计了一条精确率优先的提取流水线，将基于大语言模型（LLM）的解析与可靠性保障机制相结合，以减少幻觉产生的依赖关系。在 PostgreSQL 和 MySQL 上使用 TPC-C 和 TPC-H 工作负载开展的实验表明，在不同代理模型和 BO 框架下，CATune 均能显著提高样本效率和最终调优质量。在默认参数范围下，CATune 达到基线最优值的速度最高提升至 12.5 倍，吞吐量最高提高 63.37%。在知识引导的缩小参数范围和其他优化实现下，这些改进依然存在。这些结果表明，显式建模系统定义的确定性顺序约束能够增强优化的鲁棒性和系统稳定性。