## Memo ## Memo with LLM ## Abstract 情報技術の急速な発展により、現代社会では大量のデータを管理する必要があり、NoSQLデータベース（MongoDBなど）の出現につながっている。 効率的なデータ管理とクエリに対する膨大な需要に応えるため、これらのデータベースのパフォーマンスを最適化することが重要になっている。 現在、カスタマイズ可能なデータベース構成をチューニングすることで、データベースの効率を向上させる[[強化学習]]ベースの手法がいくつか用いられている。 しかし、これらの手法には、オペレーティングシステムの構成を無視する、ノブの数が増えると学習コストが高くなる、ワークロードやハードウェアが変化する新しい環境への適応性が低い、といった限界がある。 これらの問題に対処するため、我々はNoSQLデータベースのオンラインパフォーマンスチューニングのためのCTunerという斬新で効果的なアプローチを提案する。 CTunerは、ベイズ最適化ベースの学習によるコールドスタートをスキップし、[[因果推論]]を用いたTwin Delayed Deep Deterministic Policy Gradient (TD3)モデルの利用戦略を改善する。 3つの著名なNoSQLデータベースを用いた実用的な実装と実験的な評価により、CTunerは、スループットを最大27.4%改善し、95%テールレイテンシを最大13.2%削減することで、最先端のアプローチよりも同じ時間コストでより良い構成を見つけることができることが示された。 さらに、CTunerの適応性を高めるために[[メタ学習]]を導入し、新たな環境や作業負荷の下でも確実に性能を向上できることを確認している。