Детальная информация

Выпускная квалификационная работа посвящена разработке прототипа системы автоматической оптимизации конфигурационных параметров СУБД PostgreSQL. Предметом исследования являются методы автоматической настройки параметров СУБД с использованием байесовской оптимизации. В работе проведён анализ существующих подходов к настройке PostgreSQL, выявлены их ключевые недостатки. Разработана архитектура системы, включающая оптимизатор на основе фреймворка Optuna с сэмплерами SMAC и TPE, агент управления конфигурацией, генератор нагрузки pgbench и систему сбора метрик Prometheus. Сформировано пространство поиска из 25 конфигурационных параметров. Проведены эксперименты на трёх сценариях нагрузки: OLTP (TPS), OLTP (задержка) и OLAP (TPS), по три повторных запуска каждым сэмплером. SMAC достиг прироста +14,3% TPS на OLTP-нагрузке и снижения задержки на 31,2% относительно конфигурации pgTune; TPE показал сопоставимые результаты. Результаты подтверждают применимость байесовской оптимизации для задач автоматической настройки СУБД и демонстрируют возможность создания открытого инструмента, превосходящего эвристические методы без участия эксперта.

This thesis presents a prototype system for automated optimization of PostgreSQL DBMS configuration parameters using Bayesian optimization. The subject of study is automated database tuning methods based on black-box optimization. Existing approaches to PostgreSQL tuning are analyzed, and their key shortcomings are identified. The proposed system architecture comprises an Optuna-based optimizer with SMAC and TPE samplers, a configuration management agent, a pgbench load generator, and a Prometheus metrics collection system. A search space of 25 configuration parameters was defined. Experiments were conducted on three workload scenarios — OLTP (TPS), OLTP (latency), and OLAP (TPS) — with three independent runs per sampler. SMAC achieved a +14.3% TPS improvement on OLTP workloads and a 31.2% latency reduction relative to the pgTune baseline; TPE showed comparable results. The results confirm the applicability of Bayesian optimization for automated DBMS tuning and demonstrate the feasibility of building an open-source tool that outperforms heuristic methods without expert involvement.