# データベース自律診断 ## 定義 データベース自律診断は、スロークエリ、リソース枯渇、ハング、クラッシュ、演算子起因の性能異常などを自動的に分析し、根本原因と解決策候補を特定する取り組みである。[[データベース O&M]] の子 concept として、診断・RCA の責務を担う。([[@2024__PVLDB__D-Bot - Database Diagnosis System using Large Language Models]]) ## 横断的知見 - **診断粒度は KPI → クエリ → 演算子へ細かくなっている**: OpDiag は演算子レベルの帰属を扱い、後続の修正作業量を減らす方向を示した。([[@2025__TKDE__OpDiag - Unveiling Database Performance Anomalies Through Query Operator Attribution]]) - **ドメイン知識の外在化が精度の律速である**: D-Bot は知識なしアブレーションで大幅に性能を落とし、DB 診断文書・ツール・LLM の組み合わせが必須であることを示した。([[@2024__PVLDB__D-Bot - Database Diagnosis System using Large Language Models]]) - **木探索は早期停止と幻覚を抑える**: D-Bot の UCT 型探索や DBAIOps のグラフ推論は、LLM の単発診断を構造化し、誤ったツール呼び出しや早期停止を抑える。 - **DB 診断は一般 RCA と手法的に同型だが、証拠が DB 内部に寄る**: SOP/RAG/マルチエージェントという構造は [[根本原因分析]] と共通するが、実行計画・wait event・redo log・query operator が主証拠になる。 ## 横断的知見(続き) - **産業実装での自律診断は RCA 提示止まりで承認付き実行とセットになっている**: Storax (Databricks) は根本原因・タイムライン・緩和策候補を出力するまでを自律で行い、実際の DB パラメータ変更には人間承認ゲートを設ける。D-Bot/DBAIOps が「診断知識をどう与えるか」を研究の主問題とするのに対し、産業実装は「診断後の実行を誰が承認するか」を設計の中心に置く。(Source: [[@2026__SREcon26 Americas__How We Debug 1000s of Databases with AI]]) - **FluxInfer は DB メトリクス間の有向因果推定を放棄し無向グラフ + PageRank で PC 系 8 手法を上回った**: FluxInfer（Liu+ IPCCC 2020）は DB 性能メトリクスの根本原因 KPI を、重み付き無向依存グラフ（WUDG: Pearson 相関 + 相関変化量）と重み付き PageRank で特定する。従来の PC ベース手法が辺方向推定に失敗して精度を落とす問題を「方向を推定しない」設計で迂回し、AC@3 で 2〜15 倍の改善を達成した。D-Bot/DBAIOps が LLM + 知識グラフで診断知識を供給する流れとは別路線で、メトリクス間の統計的依存のみから根本原因を絞り込む「知識レス」設計。OpDiag の演算子レベル帰属とは粒度が異なり（FluxInfer は KPI レベル）、両者の統合——FluxInfer で候補 KPI を絞り込み → OpDiag で演算子レベルに深掘り——が考えられる。(Source: [[@2020__IPCCC__FluxInfer - Automatic Diagnosis of Performance Anomaly for Online Database System]]) ## 横断的知見(続き) - **DBPA ベンチマークが示す「訓練データ規模の重要性」**: DBSherlock は同一データ 40 件でもモデル構築に 10,307 秒かかるのに対し XGBoost は 2 秒で済み、かつ精度は XGBoost・LightGBM が大幅に上回る。診断に機械学習を使うためのデータ収集コストを下げることが、診断アルゴリズム研究の前提条件であることを DBPA は明確にした。(Source: [[@2023__PACMMOD__DBPA - A Benchmark for Transactional Database Performance Anomalies]]) - **DBPA は「データ不足」を根本原因とし、LLM 系診断は「知識不足」を根本原因とする**: D-Bot・DBAIOps・Storax が LLM + 知識グラフで「どの知識を与えるか」を主問題とするのに対し、DBPA は「十分な訓練データが得られないこと」を主問題として再現ベンチマークで解決しようとする。両者は直交するアプローチであり、組み合わせが有望である。(Source: [[@2023__PACMMOD__DBPA - A Benchmark for Transactional Database Performance Anomalies]], [[D-Bot]], [[DBAIOps]]) - **Spark ジョブ診断は「クラウドデータ処理基盤」領域の DB 診断として、RDBMS 系診断と証拠源が大きく異なる**: AutoDebugger([[@2025__AIDB__AutoDebugger - Efficient Root Cause Analysis for Anomaly Jobs]])は、SMS から収集した ShuffleTime・IOTime・CPUTime・QueueingTime・IdleTime などの Spark 実行メトリクスを因果グラフのノードとして用いる。D-Bot/DBAIOps が実行計画・wait event・redo log を主証拠とする RDBMS 系診断とは、証拠源の種類が根本的に異なる。これは「DB 診断」が「どのデータ処理エンジンか」でまったく別のドメイン知識を必要とすることを示す——同じ因果推論フレームワーク上でも、ノード定義とグラフ構造は対象エンジンに固有である。(Source: [[@2025__AIDB__AutoDebugger - Efficient Root Cause Analysis for Anomaly Jobs]]) ## 未解決の問い - OpDiag の演算子レベル帰属を DBAIOps の ExperienceGraph に証拠として注入できるか。 - 複数 DBMS やクラウドマネージド DB に診断知識を移植するとき、どの知識が共通でどれが製品固有か。 - 診断後の解決策を自動実行する場合、DB 変更のリスクをどう評価・ロールバックするか。 - DBPA のような再現ベンチマークを LLM ベース診断(D-Bot 等)の評価基盤として使うとき、何を追加で設計する必要があるか(LLM の推論過程評価など)。 ## 関連 - 親: [[データベース O&M]] - 隣接 concept: [[データベースノブチューニング]] / [[根本原因分析]] / [[AIOps]] / [[障害緩和]] - ソース: [[@2024__PVLDB__D-Bot - Database Diagnosis System using Large Language Models]] / [[@2025__PVLDB__DBAIOps - A Reasoning LLM-Enhanced Database Operation and Maintenance System using Knowledge Graphs]] / [[@2025__TKDE__OpDiag - Unveiling Database Performance Anomalies Through Query Operator Attribution]] ## 出典 - [[@2024__PVLDB__D-Bot - Database Diagnosis System using Large Language Models]] - [[@2025__PVLDB__DBAIOps - A Reasoning LLM-Enhanced Database Operation and Maintenance System using Knowledge Graphs]] - [[@2025__TKDE__OpDiag - Unveiling Database Performance Anomalies Through Query Operator Attribution]] - [[@2025__arXiv__A Survey of LLM × DATA]] - [[@2026__SREcon26 Americas__How We Debug 1000s of Databases with AI]](産業実装での診断+承認付き実行パターン) - [[@2020__IPCCC__FluxInfer - Automatic Diagnosis of Performance Anomaly for Online Database System]](WUDG + PageRank による知識レス DB 根本原因 KPI 特定) - [[@2023__PACMMOD__DBPA - A Benchmark for Transactional Database Performance Anomalies]](OLTP 性能異常の決定論的再現ベンチマーク、9 種の異常タイプ、複合異常生成アルゴリズム)