一杯茶的功夫就把日志搜索引擎性能调优了

Beaver 是由日志易自主研发、安全可控的搜索引擎，由 Master、Broker 和 Datanode 三部分组成，已广泛应用于存储和分析大型分布式系统生成的日志。Beaver 拥有大量与性能相关的配置项，由于手动配置费时费力，并且有时需要修改相关配置以适配特定环境，所以自动调整配置参数优化性能是当前迫切需要解决的问题。

背景调研

目前业界有许多自动调参的项目和算法实现，例如 CMU 开源的关系型数据库自动调参工具 OtterTune[1]、PingCAP 仿作的 TiKV 自动调参工具[2]等，都为我们提供了大量的论文以及开源算法代码。

1、 OtterTune

数据库有很多参数，比如 MySQL 有几百个参数，Oracle 有上千个参数。这些参数控制着数据库的方方面面，很大程度上影响了如缓存容量和检查点频次等数据库性能。

对于不同的硬件配置，不同的工作负载，对应的最优参数文件都是不同的，这些复杂性令数据库调优变得更加困难。DBA（Database Administrator，即数据库管理员）不能简单地重复使用之前调好的参数文件，他们需要花大量时间根据经验来调优数据库的参数，而公司则需要花大价钱来雇佣资深 DBA。

为解决上述问题，卡内基梅隆大学数据库小组的教授、学生和研究人员开发了一个数据库自动调参工具 OtterTune，它能利用机器学习对数据库的参数文件进行自动化调优，利用已有的数据训练机器学习模型，进而实现自动化地推荐最优参数。它能很好地帮助 DBA 进行数据库调优，将 DBA 从复杂繁琐的调参工作中解放出来。

OtterTune 的目的是为了帮助 DBA，让数据库部署和调优更加容易，用机器学习代替人工来完成数据库调参这个冗繁但又很重要的工作，让技术人员甚至不需要专业知识也能顺利完成。

OtterTune 分为客户端和服务端，目标数据库是用户需要调优参数的数据库：

客户端安装在目标数据库所在的机器上，收集目标数据库的统计信息，并上传到服务端。
服务端一般配置在云上，获取到客户端的数据之后，开始训练机器学习模型并推荐配置文件。

客户端接收到推荐的配置文件后，配置到目标数据库上，并测量其性能。以上步骤可重复进行，直到用户对其推荐的配置文件满意为止。

2、AutoTiKV

AutoTikv 是一个用于对 TiKV 数据库进行自动调优的工具。它是根据 SIGMOD 2017 年发表的一篇论文所设计[3]，能够使用机器学习模型对数据库参数进行自动调优。

AutoTiKV 吸取了 OtterTune 的设计理念，并简化了相关结构。

设计的调优过程如下：

图一：整个过程会循环跑 200 个 round（用户可自定义），或者定义为直到结果收敛为止。

3、ML 模型

AutoTikv 使用了和 OtterTune 一样的高斯过程回归（Gaussian Process Regression，以下简称 GP）来推荐新的 knob，它是基于高斯分布的一种非参数模型。

在还没有利用机器学习模型对参数文件的效果进行预测的时候，OtterTune 使用的是随机采样的方式来收集初始数据。

当有足够的数据 (X,Y) 时，OtterTune 训练机器学习模型进行回归，即估计出函数 f:X→Y，表示对于参数文件 X，用 f(X) 来估计数据库延迟 Y 的值。如此，问题则变为寻找合适的 X，是 f(X) 的值尽量小。这样在 f 上面做梯度下降即可找出合适的 X[4]。

如图二所示，横坐标是两个参数：缓存大小和日志文件大小，纵坐标是数据库延迟（越低越好）。

图二：OtterTune 高斯过程回归模型

OtterTune 用高斯过程回归模型估计出了 f，即给定这两个参数值，估计出对应的数据库延迟。接着用梯度下降找到最合适的参数值，使延迟尽可能低。

高斯过程回归的好处：

和神经网络之类的方法相比，GP 属于无参数模型，算法计算量相对较低，而且在训练样本很少的情况下，GP 表现比神经网络算法（Neural Network ）更好。
它能估计样本的分布情况，即 X 的均值 m(X) 和标准差 s(X)。若 X 周围的数据不多，则它被估计出的标准差 s(X) 会偏大（表示这个样本 X 和其他数据点的差异大）。直观的理解是若数据不多，则不确定性会大，体现在标准差偏大；反之，数据足够多时，不确定性减少，标准差会偏小。这个特性后面会用到。

但 GP 本身其实只能估计样本的分布，为了得到最终的预测值，我们需要把它应用到贝叶斯优化（Bayesian Optimization）中[5]。

贝叶斯优化算法大致可分为两步：

通过 GP 估计出函数的分布情况。
通过采集函数（Acquisition Function）指导下一步的采样（也就是给出推荐值）。

采集函数（Acquisition Function）的特性是在寻找新的推荐值的时候，能够进行平衡探索（Exploration）和利用（Exploitation）。

Exploration：在目前数据量较少的未知区域探索新的点。
Exploitation：对于数据量足够多的已知区域，利用这些数据训练模型进行估计，找出最优值。

在推荐的过程中，需要平衡上述两种指标。Exploitation 过多会导致结果陷入局部最优值（即重复推荐目前已知最好的点，但可能还有更好的点没被发现），而 Exploration 过多又会导致搜索效率太低（即一直在探索新区域，而没有对当前比较好的区域进行深入尝试）。而平衡二者的核心思想，是当数据足够多时，利用现有的数据推荐；当缺少数据时，在点最少的区域进行探索，探索最未知的区域能够提供最大的信息量。

贝叶斯优化的第二步就可以帮我们实现这一思想。前面提到， GP 可以帮我们估计 X 的均值 m(X) 和标准差 s(X)，其中均值 m(X) 可以作为 Exploitation 的表征值，而标准差 s(X) 可以作为 Exploration 的表征值[6]，这样就可以用贝叶斯优化方法来求解了。

使用置信区间上界（Upper Confidence Bound）作为采集函数。假设我们需要找 X 诗 Y 值尽可能大，则 U(X) = m(X) + k*s(X)，其中 k > 0 是可调的系数，我们只要找 X 使 U(X) 尽可能大即可。