IDSTune: Kerangka Kolaboratif Multi-Agen untuk Penyetelan Sistem Basis Data Terintegrasi

Kolaborasi multi-agen yang digerakkan LLM mengoptimalkan knob, indeks, dan materialized view secara bersama untuk penyetelan DBMS yang konsisten secara global

Yiyan Li; Guanli Liu; Renata Borovica-Gajic; Haoyang Li; Zihang Qiu; Xinmei Huang; Andreas Kipf; Cuiping Li; Hong Chen· 2026· DOI 10.48550/arXiv.2607.22031

Masalah inti

Penyetelan basis data sangat penting untuk mencapai kinerja tinggi pada sistem manajemen basis data (DBMS) modern. Metode yang ada umumnya mengoptimalkan satu komponen saja—knob, indeks, atau materialized view—tanpa memperhitungkan saling ketergantungan di antara komponen tersebut. Keterbatasan ini muncul karena komponen-komponen tersebut memerlukan strategi penyetelan yang berbeda dan sulit diintegrasikan dalam satu kerangka terpadu. Akibatnya, memperluas suatu metode secara langsung ke banyak komponen atau sekadar menggabungkan metode-metode terpisah sering kali gagal menangkap kolaborasi lintas komponen dan sinyal penyetelan bersama. Selain itu, metode yang ada tidak memadai untuk menangani beragam beban kerja, data yang terus berkembang, dan pola kueri yang dinamis. Untuk mengatasi keterbatasan tersebut, penulis mengusulkan IDSTune, kerangka penyetelan terintegrasi yang mengoptimalkan beberapa komponen konfigurasi secara bersama melalui kolaborasi multi-agen yang digerakkan LLM.

Inovasi

Eksperimen yang ekstensif menunjukkan bahwa IDSTune mencapai peningkatan kinerja hingga 38% dan penyetelan 57% lebih cepat, dengan kemampuan adaptasi yang kuat pada beragam skenario. Hasil ini menunjukkan efektivitas penyetelan terintegrasi dibandingkan pendekatan satu komponen atau penggabungan secara naif.

Penyetelan basis data sangat penting untuk mencapai kinerja tinggi pada sistem manajemen basis data (DBMS) modern. Metode yang ada umumnya mengoptimalkan satu komponen saja—knob, indeks, atau materialized view—tanpa memperhitungkan saling ketergantungan di antara komponen tersebut. Keterbatasan ini muncul karena komponen-komponen tersebut memerlukan strategi penyetelan yang berbeda dan sulit diintegrasikan dalam satu kerangka terpadu. Akibatnya, memperluas suatu metode secara langsung ke banyak komponen atau sekadar menggabungkan metode-metode terpisah sering kali gagal menangkap kolaborasi lintas komponen dan sinyal penyetelan bersama. Selain itu, metode yang ada tidak memadai untuk menangani beragam beban kerja, data yang terus berkembang, dan pola kueri yang dinamis. Untuk mengatasi keterbatasan tersebut, penulis mengusulkan IDSTune, kerangka penyetelan terintegrasi yang mengoptimalkan beberapa komponen konfigurasi secara bersama melalui kolaborasi multi-agen yang digerakkan LLM.

IDSTune beroperasi dalam dua fase: (i) kompresi beban kerja, yang mengekstraksi dan memilih fitur yang relevan dengan tugas, dan (ii) rekomendasi konfigurasi, tempat agen-agen khusus secara kolaboratif menghasilkan dan menyempurnakan konfigurasi untuk knob, indeks, dan materialized view di bawah pengawasan koordinator terpusat. Dengan memasukkan umpan balik dan pengambilan pengetahuan eksternal, IDSTune mencapai penyetelan yang efisien dan konsisten secara global.

Mengapa penting

Inovasi utama IDSTune terletak pada kemampuannya menangkap kolaborasi lintas komponen dan sinyal penyetelan bersama melalui kolaborasi multi-agen yang digerakkan LLM. Dengan mengoptimalkan knob, indeks, dan materialized view secara bersama, kerangka ini mengatasi keterbatasan metode tradisional yang memperlakukan komponen-komponen tersebut secara terpisah. Desain dua fase—kompresi beban kerja diikuti rekomendasi konfigurasi—memungkinkan penanganan beragam beban kerja, data yang terus berkembang, dan pola kueri yang dinamis secara efisien. Koordinator terpusat memastikan penyetelan yang konsisten secara global, sementara umpan balik dan pengambilan pengetahuan eksternal memungkinkan adaptasi berkelanjutan. Keuntungan kinerja yang dilaporkan (peningkatan hingga 38% dan penyetelan 57% lebih cepat) menyoroti potensi kerangka penyetelan terintegrasi untuk DBMS modern. Penelitian selanjutnya dapat mengeksplorasi penskalaan ke lebih banyak komponen dan pengintegrasian dimensi penyetelan tambahan.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…