全球人工智能
>>>>欢迎投稿：news@top25.cn<<<<
文章来源：amazon 作者：cmu的博士
导读：最近亚马逊和卡内基梅隆大学一起开发了一套名叫“OtterTune”的机器学习自动化调整DBMS的系统，并公布起设计论文和开源项目，重点解决DBMS长期存在的一些问题：1.对管理人员专业性要求高；2.管理成本高；3.无法实现配置资源最优化等一系列问题。
注意！这无疑是让那些经验丰富待遇丰厚的DBA人员直接失业呀！
传统DBMS对管理人员要求专业性高，成本也很高！数据库管理系统（DBMS）是任何数据密集型应用程序中最重要的组件。它可以处理大量的数据和复杂的负载工作。但是却难以管理，因为它们具有数百个配置选项，用于控制诸如用于缓存的内存量以及将数据写入存储器等因素。企业经常聘请这方便的专家来协助管理，但是专家对许多企业来说成本太高。
OtterTune是由卡内基梅隆数据库组中的学生和研究人员开发的新工具，可以自动为DBMS的配置选项找到最好的设置方法。OtterTune目标是使任何人都更容易部署数据库管理系统，即使是那些在数据库管理方面没有任何专业知识的人也可以使用它。
OtterTune与其他DBMS配置工具不同，因为它利用从先前的DBMS部署调整中学到知识。大大减少了调整新的DBMS部署所需的时间和资源。为此，OtterTune维护了从以前的调优会话收集的调优数据库。它使用此数据构建机器学习（ML）模型，以捕获DBMS如何响应不同的配置。OtterTune使用这些模型来指导新应用程序的实验，推荐改进目标参数的设置（例如，减少延迟或提高吞吐量）。
在这篇文章中，我们讨论了OtterTune的ML管道中的每个组件，并展示了它们如何相互交互以调整DBMS的配置。然后，我们通过将其最佳配置的性能与数据库管理员（DBA）和其他自动调整工具所选择的配置进行比较来评估OtterTune对MySQL和Postgres的调优功能。
OtterTune如何工作？
上图显示了OtterTune组件和工作流程
在新的调试会话开始时，用户告诉OtterTune要优化的目标参数（例如延迟或吞吐量）。客户端控制器连接到目标DBMS并收集其Amazon EC2实例类型和当前配置。
然后，控制器开始其第一个观察期，在此期间它观察DBMS并记录目标参数。当观察期结束时，控制器从DBMS收集内部指标，如MySQL的计数器，用于从磁盘读取的页面和写入磁盘的页面。控制器将目标参数和内部度量都返回给调优管理器。
当OtterTune的调优管理器收到指标时，它将它们存储在其存储库中。OtterTune使用结果来计算控制器应该在目标DBMS上安装的下一个配置。调优管理器将此配置返回给控制器，并估计运行它的预期改进。用户可以决定是继续还是终止调整会话。
相关笔记
OtterTune为其支持的每个DBMS版本维护一个旋钮的黑名单。黑名单包括无法调整的旋钮（例如，DBMS存储文件的路径名称），或可能具有严重或隐藏后果（例如潜在地导致DBMS丢失数据）的旋钮。在每个调音会话开始时，OtterTune为用户提供了黑名单，以便他或她可以添加任何其他需要OtterTune的旋钮来避免调整。
OtterTune做出某些假设可能会限制其对一些用户的有用性。例如，它假定用户具有允许控制器修改DBMS配置的管理权限。如果用户没有，则他或她可以在其他硬件上部署数据库的第二个副本，以进行OtterTune的调试实验。这要求用户重播工作负载跟踪或从生产DBMS转发查询。有关假设和限制的完整讨论，请参阅我们的论文。
机器学习路径
下图显示了在通过OtterTune的ML管道移动数据时如何处理数据。所有观察都保存在OtterTune的存储库中。
OtterTune首先将观察结果传递到Workload Characterization组件中。该组件识别一组较小的DBMS度量，可以最好地捕获性能的差异性以及不同工作负载的区别特征。
接下来，旋钮识别组件生成最受影响DBMS性能的旋钮的排名列表。OtterTune然后将所有这些信息提供给自动调谐器。该组件将目标DBMS的工作负载映射到其数据存储库中最相似的工作负载，并重新使用此工作负载数据以生成更好的配置。
让我们深入了解ML管道中的每个组件。
工作负载表征： OtterTune使用DBMS的内部运行时指标来表征工作负载的行为。这些指标提供了工作负载的准确表示，因为它们捕获了其运行时行为的许多方面。然而，许多指标是冗余的：一些是在不同单元中记录的相同测量，而其他指标代表DBMS的独立组件，其值是高度相关的。重要的是修剪冗余指标，因为这降低了使用它们的ML模型的复杂性。为此，我们根据其相关性模式对DBMS的指标进行聚类。然后，我们从每个集群中选择一个代表指标，特别是最靠近集群中心的指标。ML管道中的后续组件使用这些指标。
选项识别： DBMS可以有数百个选项，但只有一个子集会影响DBMS的性能。OtterTune使用流行的特征选择技术Lasso来确定哪个选项会严重影响系统的整体性能。通过将该技术应用于其存储库中的数据，OtterTune识别DBMS旋钮的重要性顺序。
然后，OtterTune必须决定在进行配置建议时要使用多少个选项。使用太多的旋钮会增加OtterTune的优化时间。使用太少可能会阻止OtterTune找到最佳配置。为了自动化此过程，OtterTune使用增量方法。它会逐渐增加调音会话中使用的选项数量。这种方法允许OtterTune在扩展其范围之前，探索并优化一小部分最重要的选项的配置。
自动调谐器： 自动调谐组件通过在每个观察期之后执行两步分析来确定OtterTune应该推荐的配置。
首先，系统使用Workload Characterization组件中标识指标的性能数据来识别来自最佳表示目标DBMS工作负载的先前调优会话的工作负载。它将会话的指标与以前工作负载的指标进行比较，以确定哪些指标与不同的旋钮设置类似。
然后，OtterTune选择另一个旋钮配置来尝试。它适用于其收集的数据的统计模型，以及其存储库中最相似工作负载的数据。这个模型让OtterTune预测DBMS在每个可能的配置中执行的程度。OtterTune将持续优化配置，收集信息以改进模型,不断地尝试提高目标指标。
如何安装OtterTune？
OtterTune是用Python编写的。对于工作负载特征和选项识别组件，运行时性能不是关键问题，所以我们用scikit学习实现了相应的ML算法。这些算法在后台进程中运行，并在OtterTune存储库中使用新的数据。
对于自动调谐器，ML算法处于关键路径。他们在每个观察期之后运行，结合新数据，以便OtterTune可以选择一个旋钮配置来尝试下一步。因为性能是一个考虑因素，我们使用TensorFlow实现了这些算法。
为了收集有关DBMS硬件，配置选项和运行时性能指标的数据，我们将OtterTune的控制器与OLTP-Bench基准测试框架集成在一起。
OtterTune实验设计
为了评估，我们使用OtterTune选择的最佳配置来比较MySQL和Postgres的性能：
默认值：DBMS提供的配置
调整脚本：由开源调优工具生成的配置
DBA：由人类DBA选择的配置
RDS：由Amazon RD管理并部署在同一EC2实例类型上的DBMS自定义的配置
我们在Amazon EC2 Spot Instances 上进行了所有的实验。我们在两个实例上运行每个实验：一个用于OtterTune的控制器，一个用于目标DBMS部署。我们分别使用m4.large和m3.xlarge实例类型。我们在本地服务器上部署了OtterTune的调优管理器和数据存储库，内存为20个内核和128 GB RAM。
我们使用TPC-C工作负载，这是评估在线事务处理（OLTP）系统性能的行业标准。
效果评估如何？
对于我们在实验中使用的每个数据库：MySQL和Postgres，我们测量了延迟和吞吐量。以下图表显示了结果。第一个图表显示了第99 个百分位数延迟的数量，表示交易完成时间的“最坏情况”时间长度。第二个图表显示了吞吐量的结果，以每秒完成的平均交易数来衡量。
一、MySQL结果
将OtterTune生成的最佳配置与调整脚本和RDS生成的配置进行比较，使用OtterTune配置，MySQL实现了大约60％的延迟降低和22％至35％的吞吐量。OtterTune还会生成与DBA选择的配置几乎一样的配置。
只有一些MySQL的选项会明显影响其TPC-C工作负载的性能。OtterTune和DBA生成的配置可为每个选项提供良好的设置。RDS执行稍微差一点，因为它为一个选项提供了不是最佳的设置。调整脚本的配置执行最差，因为它仅修改一个选项。
二、Postgres结果
对于延迟，由OtterTune，调优工具，DBA和RDS生成的配置与Postgres的默认设置相比都获得了类似的改进。我们可以将其归因于OLTP-Bench客户端和DBMS之间的往返路由所需的消耗。对于吞吐量，Postgres通过OtterTune建议的配置比使用DBA和调优脚本选择的配置更好地执行大约12％的优化，并且比RDS好约32％。
与MySQL类似，只有几个选项会显着影响Postgres的性能。由OtterTune，DBA，调音脚本和RDS生成的配置都修改了这些选项，大多数提供了相当不错的设置。
主要结论
OtterTune自动化为DBMS的配置选项找到了良好的设置过程。为了调整新的DBMS部署，它重使用以前的调优会话数据作为培训数据，不需要生成用于训练其ML模型的初始数据集，所以调谐时间大大降低。
未来重点解决远程配置的问题。为了适应日益普及的DBaaS部署，解决远程访问DBMS的主机不可用等问题，OtterTune将很快实现自动检测目标DBMS的硬件功能，而无需远程访问。
附：论文主要参数图标
关于OtterTune，请参阅相关论文或GitHub上的代码和官网：
代码：https://github.com/cmu-db/ottertune
论文：http://db.cs.cmu.edu/papers/2017/tuning-sigmod2017.pdf
官网：http://ottertune.cs.cmu.edu/
转载于:https://blog.51cto.com/xiaocao13140/1932444
扫一扫
169
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
