| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.3 本文内容与结构 | 第17-20页 |
| 第二章 背景介绍与问题描述 | 第20-30页 |
| 2.1 DBMS配置调优 | 第20-23页 |
| 2.2 技术基础概述 | 第23-29页 |
| 2.2.1 机器学习 | 第23-25页 |
| 2.2.2 相似度计算 | 第25-27页 |
| 2.2.3 数据降维 | 第27-29页 |
| 2.3 问题提出 | 第29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 Loadstar调优工具设计概要 | 第30-48页 |
| 3.1 调优数据获取 | 第30-34页 |
| 3.1.1 DBMS系统性能指标 | 第30-32页 |
| 3.1.2 DBMS资源监控指标 | 第32-33页 |
| 3.1.3 DBMS系统配置参数 | 第33-34页 |
| 3.2 Loadstar框架与部署 | 第34-38页 |
| 3.2.1 Loadstar架构设计 | 第34-37页 |
| 3.2.2 Loadstar应用部署 | 第37-38页 |
| 3.3 负载模拟生成 | 第38-47页 |
| 3.3.1 工作负载特征定义 | 第39-45页 |
| 3.3.2 负载生成器架构设计 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于增强学习的DBMS调优方法 | 第48-68页 |
| 4.1 系统配置自动调优过程 | 第48-55页 |
| 4.1.1 数据标准化处理 | 第49页 |
| 4.1.2 奖励反馈函数构建 | 第49-50页 |
| 4.1.3 基于Q-learning算法的自动调优 | 第50-53页 |
| 4.1.4 基于Policy Gradient算法的自动调优 | 第53-55页 |
| 4.2 相似负载调优策略更新 | 第55-59页 |
| 4.2.1 工作负载映射 | 第55-57页 |
| 4.2.2 相似负载搜索 | 第57页 |
| 4.2.3 历史调优策略应用 | 第57-59页 |
| 4.3 实验设计与结果分析 | 第59-66页 |
| 4.3.1 实验环境介绍 | 第59-60页 |
| 4.3.2 实验数据介绍 | 第60页 |
| 4.3.3 实验结果分析 | 第60-66页 |
| 4.4 本章小节 | 第66-68页 |
| 第五章 自动调优的数据降维处理 | 第68-79页 |
| 5.1 冗余指标修剪 | 第68-72页 |
| 5.1.1 关联性指标挖掘 | 第68-71页 |
| 5.1.2 冗余指标剔除 | 第71-72页 |
| 5.2 配置参数精简选择 | 第72-75页 |
| 5.2.1 基于Lasso的配置参数排序降维 | 第72-74页 |
| 5.2.2 配置参数的排序选择 | 第74-75页 |
| 5.3 实验设计与结果分析 | 第75-78页 |
| 5.3.1 实验环境介绍 | 第75页 |
| 5.3.2 实验数据介绍 | 第75-76页 |
| 5.3.3 实验结果分析 | 第76-78页 |
| 5.4 本章小结 | 第78-79页 |
| 第六章 总结与展望 | 第79-82页 |
| 6.1 本文总结 | 第79-80页 |
| 6.2 未来展望 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86-88页 |
| 攻读硕士学位期间发表论文和科研情况 | 第88页 |