# データベースノブチューニング ## 定義 データベースノブチューニングは、DBMS が公開する多数の設定パラメータ(メモリ、スレッド、キャッシュ、I/O など)を対象ワークロードに合わせて最適化し、レイテンシ低下またはスループット向上を狙う取り組みである。[[データベース O&M]] の子 concept として、異常診断ではなく性能最適化の責務を担う。([[@2025__SIGMOD__AgentTune - An Agent-Based Large Language Model Framework for Database Knob Tuning]]) ## 横断的知見 - **DBA の手順をタスク分解することが LLM 利用の鍵である**: AgentTune はワークロード分析、重要ノブ選択、値域剪定、設定推薦を 4 エージェントに分け、単発 LLM 出力より安定した最適化を行う。 - **ノブ選択と値域剪定を分けると探索空間が縮む**: ablation ではノブ選択削除や値域剪定削除が大きな性能低下を生む。高次元最適化では LLM に全問題を一度に解かせない設計が効く。 - **ルールベース検証が安全性の床になる**: AgentTune は LLM の値域提案をホワイトボックスルールで検証し、Invalid Times=0 を達成した。LLM とルールの役割分担は [[エージェント運用安全性]] と同型である。 - **診断とチューニングは接続できる**: [[データベース自律診断]] が根本原因としてノブ設定やリソースボトルネックを挙げた場合、AgentTune 型のチューニングが緩和候補になる。 ## 未解決の問い - ノブ変更を本番へ自動適用する場合、どの設定範囲なら承認なしで安全とみなせるか。 - ワークロード変化へリアルタイムに追従するには、リプレイを前提にした木探索をどう高速化するか。 - オープンソース LLM や小型モデルで、GPT-4 ベースの AgentTune と同等のノブ選択品質を出せるか。 ## 関連 - 親: [[データベース O&M]] - 隣接 concept: [[データベース自律診断]] / [[AIOps]] / [[根本原因分析]] / [[エージェント運用安全性]] - ソース: [[@2025__SIGMOD__AgentTune - An Agent-Based Large Language Model Framework for Database Knob Tuning]] ## 出典 - [[@2025__SIGMOD__AgentTune - An Agent-Based Large Language Model Framework for Database Knob Tuning]]