## Memo - [SREへの機械学習適用に関するサーベイ / A Survey for Cases of Applying Machine Learning to SRE - Speaker Deck](https://speakerdeck.com/yuukit/a-survey-for-cases-of-applying-machine-learning-to-sre?slide=12)A - ![[Pasted image 20250808182137.png]] ## Memo with LLM ## Abstract データベース管理システム（DBMS）の構成チューニングは、データ集約型アプリケーションの開発において不可欠な要素です。しかし、この作業は歴史的に困難な課題でした。なぜなら、DBMSにはシステム全体の動作を制御する数百の構成パラメーター（いわゆる「ノブ」）が存在し、キャッシュに使用するメモリ量やデータがストレージに書き込まれる頻度など、あらゆる設定を調整する必要があるからです。これらのパラメーターの問題点は、標準化されていない（つまり、同じパラメーターが異なるDBMSで異なる名前で呼ばれる）、独立していない（つまり、1つのパラメーターを変更すると他のパラメーターに影響を与える）、そして汎用性がない（つまり、あるアプリケーションで最適な設定が別のアプリケーションでは最適でない可能性がある）点です。さらに、これらのパラメーターの効果に関する情報は、通常は（高コストな）経験からしか得られません。これらの課題を克服するため、私たちは過去の経験を活用し、新しい情報を収集してDBMS設定を最適化する自動化されたアプローチを提案します：監督学習と非監督学習の機械学習手法を組み合わせて、（1）最も影響力の大きい設定パラメーターを選択し、（2）未見のデータベースワークロードを過去のワークロードにマッピングし、そこから経験を転用し、（3）設定パラメーターの推奨値を提案します。私たちは、これらの技術を新しいツール「OtterTune」に実装し、2つのDBMSでテストしました。評価結果から、OtterTuneが既存のツールや人間専門家が生成した設定と同等またはそれ以上の性能を示すことが確認されました。