周末大料｜CMU研发数据库调优AI，水平超DBA老炮
这个周末，最不开心的应该是优秀的数据库管理员了。
这些优秀的数据库管理员（以下简称数据库管理员为DBA），原本可以靠自己的本事，享受高薪，可是，好景不长了，因为即便是资质平平的DBA，以后借助AI的力量，也能瞬间达到优秀DBA的水平。
来看最近来自卡耐基梅隆数据库小组的最新研究成果，他们正用最新的深度学习技术，完成数据库的调优工作。
如果这项技术在未来进一步普及，那么，很无奈，这个行业不得不接受AI对于人员结构的改造。
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。
机器学习的作用
机器学习模块分为三部分：获取 Controller 观察到的工作负载参数（Workload Characterization 组件），识别并学习这些参数（Knob Identification 组件），自动管理数据库（Automatic Tuner 组件）。
下面一一来说：
Workload Characterization: OtterTune 使用 DBMS 的内部运行参数来提取数据库的工作负载特征。机器学习模块使用聚类方法来衡量这些参数的相关性，尽可能地裁剪参数量，以降低计算的复杂程度。
Knob Identification: 识别并学习数据库参数，OtterTune 所用的特征选取方法是 Lasso，以找出它们的重要程度。OtterTune 据此来计算 DBMS 的目标配置，它使用一种增量方法来找出数据库的最佳配置。
Automatic Tuner: 而后的工作则交由 Automatic Tuner 组件。首先，它用 Workload Characterization 组件的性能数据来确定 DBMS 的目标负载；而后，它会选择一组不同的配置进行测试。
OtterTune 的目标总是优化下一组配置，尽可能地搜集数据来提升性能，而非紧盯住目标配置不放。
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%。
总体来看，OtterTune可以在延迟和吞吐等性能指标上大幅领先传统的自动化配置脚本，并接近专业DBA的水平。
AI如何击中了这个行业的痛点？
为什么这个行业需要AI来改造？DBA的日常工作到底有哪些痛点？
让我们把目光拉近，看看这个行业到底有什么问题。
目前的数据库，主要采用专业的数据库管理员（以下称DBA）来设计数据系统的架构，调优等。
但是，由于业务系统极其复杂，且随着业务的快速迭代，需要数据库系统能跟上业务的节奏，快速响应，快速更新，这就导致调优任务也随之变得极其复杂。
DBA需要灵活掌握各项影响系统性能的控制因素，也必须对数据底层，甚至体系结构都有深入了解，才能很好地完成调优任务。
因此，真正满足优秀的DBA就非常少了，而且价格昂贵。
随着大数据行业的井喷式发展，这种人才一直都是严重供不应求。
不过，这部分原本可以享受高薪的人群，好日子貌似要走到头了。
因为，普通DBA也能借助AI抢饭碗了。
卡耐基梅隆的数据库小组整出来的这个新研究，就是要通过使用AI技术，简化了DBA对于数据库系统的调优过程，即便是普通的DBA，也能达到、甚至超过专业DBA调优系统的能力。
所以，一旦AI在此领域真正开始发挥作用，人力成本将大幅降低，工作又能快速响应，公司再也不会因为专业DBA短缺而影响业务发展了，这将是公司老板拍手称快的大好事。
原文地址
https://aws.amazon.com/cn/blogs/ai/tuning-your-dbms-automatically-with-machine-learning/?tag=vglnk-c1507-20
如果你想了解OtterTune的更多细节，可在微信后台回复“论文”，即可获得《Automatic Database Management System Tuning Through Large-scale Machine Learning》这篇论文。
开课啦开课啦：
AI100学院特请在机器学习领域深耕10余年的中科院副教授冒老师带来干货课程——《XGBoost从基础到实战》，从XGBoost的原理讲解到代码实战，一步步带领大家从XGBoost的安装到一行行Python代码实现各类算法任务，不需要有很强的数学基础，直接从实战入手。通过4节XGBoost的专题课程，大家可以零基础理解XGBoost原理，掌握XGBoost调参，并能融会贯通地学习其他机器学习算法，学习如何用机器学习算法解决实际问题。如果你足够优秀，还能进击Kaggle竞赛哦。