一枚DBA
DBA迎来新的革命卡内基·梅隆大学数据库小组采用机器学习实现了数据库的自动化管理，其在线版的自动化管理服务 OtterTune 稍后即会上线。OtterTune 所要解决的是数据库管理中最为繁杂的问题：诸如缓存大小分配、写入频率管理等因素在内的数百项参数的动态设置。过去，这项工作只能由经验丰富的数据库专家手动来完成。这其中采用了怎样的原理呢？
OtterTune 到底用了什么原理？采用机器学习后，OtterTune 把数据库管理系统（DBMS）的工作流程变成这样：一开始，OtterTune 需要被告知明确的优化目标，如延迟、吞吐量等；其客户端 Controller 会自动关联目标 DBMS 及其亚马逊 EC2 副本的类型与当前设置。而后，Controller 便开启第一个观察周期，观察 DBMS 并记录目标项。观察结束时，Controller 会搜集好 DBMS 的内部参数，并将它和目标项发送给 Tuning Manager。收到参数后，Tuning Manager 便把它们存储入库。OtterTune 用这些参数计算出 DBMS 的目标配置，并将其发回至 Controller，Controller 部署并运行新的配置，以提升数据库性能。管理人员可随时启用或终止 OtterTune 服务。简而言之：首先，需要设置一些优化目标，连接到数据库系统，使用初始化的设置去运行；然后控制器开启第一次观察周期，记录下当前设置模式下的所有系统性能度量，并返回这些结果给调优器；调优器记录这些结果，并根据这些度量信息和系统信息计算出新的数据库配置；最后调优器把调优结果配置传回控制器，同时可以有效评估系统提升的期望值；用户根据评估值决定是否使用新的配置。其中最核心的步骤就是：计算出新的数据库管理系统DBMS 的目标配置，即这里面用到的主要是机器学习。下面详细解释一下机器学习在里面的作用。
结果对比OtterTune 在论文中测试了 MySQL 和 Postgres 这两个数据库的延迟和吞吐量，结果如下：
从图中可以看出，相比于 MYSQL 管理脚本，OtterTune 的延迟要低 60%，吞吐量则能提升 35%。相比于 Postgres 的默认配置，OtterTune 与其他方法在延迟方面的提升大体相近；但吞吐量方面，OtterTune 比 DBA 的选择要好 12%。