Perpustakaan Digital ITB

Salah satu metode performance tuning pada basis data adalah dengan melakukan tuning konfigurasi parameter DBMS. Salah satu kakas untuk melakukan pekerjaan tersebut adalah CDBTune. CDBTune memanfaatkan reinforcement learning dengan algoritma Deep Deterministic Policy Gradient (DDPG) untuk menyarankan konfigurasi parameter secara otomatis. Proses ini melakukan evaluasi langsung terhadap DBMS selama beberapa iterasi sehingga proses tuning-nya menjadi lama. Tugas akhir ini mencoba memanfaatkan Query Performance Prediction Network (QPPN) dengan CDBTune sehingga proses tuning menjadi lebih efisien. Konfigurasi parameter yang digunakan dalam pembangunan model meliputi parameter alokasi ukuran buffer, jumlah thread yang digunakan untuk operasi read dan write, serta parameter lain untuk pembacaan informasi tabel. Data serta skema yang digunakan dalam pembangunan model diambil dari skema Sakila1 yang berukuran 1,9 GB. Model QPPN yang dihasilkan dapat memprediksi waktu eksekusi dengan galat yang rendah untuk query dengan karakteristik yang serupa dengan data latih, namun menghasilkan galat yang lebih besar pada query dengan karakteristik yang berbeda. Penggabungan model QPPN dengan CDBTune menghasilkan sebuah prototipe sistem performance tuning, dengan memodifikasi proses evaluasi CDBTune dari penggunaan DBMS menjadi menggunakan model QPPN. Pengujian dilakukan menggunakan workload dengan karakteristik baik serupa maupun berbeda dari data latih model QPPN, serta pada basis data dengan volume yang lebih besar untuk menguji ketahanan model. Hasil pengujian menunjukkan penurunan waktu eksekusi sebesar 50,81% hingga 39,09% pada setiap skenario pengujian yang dilakukan. Melalui penggabungan model QPPN dan CDBTune, dihasilkan sistem yang mampu memberikan rekomendasi konfigurasi parameter secara lebih cepat. Selain itu, hasil tuning yang dilakukan menyebabkan waktu eksekusi workload menjadi lebih efisien.