来源：北京大学数据与智能实验室

关键词

Database Management System

Performance Optimization

Performance Prediction

Anomaly Diagnosis

Database Tuning

Survey

导 读

SCIENCE CHINA Information Sciences (SCIS)中文全称为中国科学信息科学，是中国科学院和国家自然科学基金委员会共同主办、《中国科学》杂志社出版的学术刊物，其2022影响因子7.275，主要发表信息科学领域的高质量学术论文。PKU-DAIR实验室研究成果《Survey on Performance Optimization for Database Systems》已被SCIENCE CHINA Information Sciences接收。近年来，性能优化作为数据库运维的重要环节，在工业界与学术界均受到广泛关注。该综述旨在梳理总结关于数据库性能优化的研究工作，以供相关领域的研究人员与工业界人士进行快速了解。该综述根据运维的不同环节，按照性能预测、异常诊断、调优这三个主题，分析了相关任务的目标与挑战，总结了现有工作的应对方案、优点与局限性，并阐述了未来有待进一步探索的方向。

论文链接：

https://www.sciengine.com/SCIS/doi/10.1007/s11432-021-3578-6

01 引言

随着现代数据库系统与业务日益复杂，性能优化已成为数据库领域的研究热点。作为服务级别协议（Service Level Agreement, SLA）的重要组成部分，数据库性能是用户所关心的重要指标，也是运维人员的重点优化对象。数据库性能的衡量指标主要包括事务或查询的吞吐量与延迟，部分场景还会考虑资源用量。本文仅关注以吞吐量与延迟作为主要优化目标的研究工作。在数据库系统中，影响性能的主要因素包括系统设计、配置、工作负载。其中，系统设计通常由开发人员考虑，本文则是从运维角度，关注配置与工作负载相关优化。相应主题包括：性能预测（Performance Prediction）、异常诊断（Anomaly Diagnosis）、调优（Tuning）。本文围绕这些主题，评述了具有代表性的研究工作，阐述了研究挑战与未来有待进一步探索的方向。

图 1  数据库性能影响因素与研究主题的关联

02 数据集

数据集是性能优化实验的基础。大多数研究工作使用开源benchmark构建数据，其工作负载分为OLTP（事务型）与OLAP（分析型）两种。典型的OLTP benchmark包括TPC-C, TPC-E, YCSB, TATP, Smallbank等。典型的OLAP benchmark包括TPC-H, TPC-DS, JOB等。部分研究工作则使用来自真实业务的数据。这些数据往往更具可信度，但通常难以获取，因为它们容易涉及数据库用户隐私，而且数据采集与打标签的开销较大。

03 性能预测 Performance Prediction

数据库性能预测的目标是在给定的环境下，预测查询的执行时间（延迟）或吞吐量。与数据库优化器（Optimizer）内部的代价估计（Cost Estimation）有所不同，它往往是监控系统或自适应数据库系统（Self-driving Database System）的组成部分，以指导正常环境下的性能调优。随着机器学习技术的发展，许多研究工作用机器学习模型代替基于公式与规则的算法，在数据库环境相对固定的情形下，能够取得较好的效果。相关工作按预测对象可分为单查询、多查询两类。

图 2  数据库性能预测研究工作汇总

（3-1）单查询

此类工作仅针对单一查询，不考虑并发执行的影响。我们选取了近年来采用机器学习算法的代表性工作进行评述。它们将执行计划以算子粒度编码为向量，训练机器学习模型用于预测。其中，编码的信息可包括来自数据库优化器的信息，如基数（Cardinality）、代价（Cost）等。

（3-2）多查询

此类工作以整个工作负载为输入，通常先进行聚类和采样，再输入模型进行预测。部分工作不仅考虑工作负载信息，还将环境信息加入模型输入，例如配置参数、硬件信息等，这有助于模型适应动态变化的环境。

04 异常诊断 Anomaly Diagnosis

数据库性能异常主要表现为吞吐量下降或较长的查询延迟。异常诊断的目标是定位异常根因，可作为异常环境下性能调优的指导。在不同研究工作中，诊断系统的输入、输出、支持的异常类型均有所不同。我们根据输入数据的不同，将其分为三类：

图 3  数据库性能异常诊断研究工作汇总

（4-1）基于监控指标

此类方法的输入是操作系统和数据库的关键绩效指标（Key Performance Indicator, KPI），包括CPU、内存、I/O、网络等资源指标，以及读写行数等工作负载指标。其输出通常包含异常监控指标与推测的异常类型，通常能支持大多数常见的性能异常。

（4-2）基于日志

此类方法的输入是数据库的debug日志，通常以两份日志为输入，比较其系统行为的差异。若两份日志分别来自正常、异常环境，则其系统行为的差异可反映异常根因。此类方法的主要局限性在于记录debug日志的开销较大。

（4-3）基于时间

此类方法的输入是时间指标，通常仅限于诊断资源瓶颈与竞争，相关算法通常基于图结构的分析，以探索不同组件的资源开销。

05 调优

数据库调优旨在对性能影响因素进行调整，以提高吞吐量或降低延迟。相关的影响因素包括配置旋钮（Configuration Knobs）、索引（Indexes）、视图（View）、资源（Resource）、存储（Storage）、查询语句设计等。近年来，机器学习算法在该领域得到广泛应用，代表性方法包括强化学习（Reinforcement Learning）、贝叶斯优化（Bayesian Optimization）等。我们根据调优对象的不同，将相关工作分为以下六类：

图 4  数据库性能调优研究工作汇总

（5-1）调参（Knob Tuning）

数据库系统内通常有上百个可供调节的旋钮（Knob），对性能和资源使用有着重要影响。局部最优的参数往往并非全局最优，不同参数之间存在相互影响，搜索空间大而复杂。常见调参技术包括基于规则搜索、贝叶斯优化、强化学习等。

（5-2）索引选择（Index Selection）

索引选择是指对给定的工作负载与存储限制，选择合适的列建立索引。该任务的主要挑战包括：（1）备选的索引很多，因为可以建立多列索引；（2）索引之间存在相互影响；（3）索引并非越多越好，例如增删改操作会有索引开销。传统研究工作通常以纯收益或单位空间收益为优化目标，基于贪心、迭代、线性规划等方法寻找最优解。近年来，强化学习也被应用于这一问题。也有研究工作从代价比较的角度，利用机器学习模型进行优化。

图 5  索引选择研究工作细节汇总（属于调优方法之一）

（5-3）视图物化（View Materialization）

视图物化是指保存一些查询或子查询的结果，供其他查询使用。它可以通过减少重复操作来提升性能，但具有一定的存储和维护代价。传统方法主要有遗传爬山算法、整数线性规划等，近年来也有基于强化学习的方法被提出。

（5-4）弹性资源（Elastic Resource）

弹性资源主要通过增减设备节点数量、调整备份等方式进行性能优化。以增加设备节点为例，首先数据被重新分片并决定备份数，其次决定如何在各节点上分配这些数据分片，最后进行数据迁移。删除节点的过程也是类似的。据此，相关研究工作主要分为两类：一类关注资源与数据的分配，包括如何调整节点数、数据分片、备份等；另一类则关注如何动态迁移数据，以降低迁移过程中的性能损失。

（5-5）存储管理（Storage Management）

分布式存储管理也是性能优化的一种方式。一方面，这样的技术有利于弥补通用分布式框架（如Spark）的不足，例如垃圾回收、索引构建等。另一方面，它们可以为特定的数据和方法提供支持，例如轨迹数据上的K近邻算法等。

（5-6）SQL不良模式检测（SQL Antipattern Detection）

SQL不良模式（SQL Antipattern）包括不良的查询（Queries）和模式（Schema）。此类工作可协助数据库管理人员进行定位和改写。目前，相关工作主要依赖于人工制定的规则进行匹配检测。

06