This is Going to Sound Crazy, But What If We Used Large Language Models to Boost Automatic Databa...

文章核心总结

主要内容

文章提出Booster框架，旨在解决现有数据库调优器（成本型、机器学习型、大语言模型型）难以适应环境变化（如工作负载漂移、跨模式迁移、硬件变更等）的问题。其核心逻辑是：将历史调优 artifacts 结构化為查询-配置（QConfig）对象，通过大语言模型（LLM）基于查询语义生成单查询候选配置（种子），再通过束搜索组合为整体配置，注入现有调优器以加速优化。实验基于PostgreSQL和OLAP工作负载验证，Booster可使调优器性能提升最高74%，优化时间缩短最高4.7倍。

创新点

1. 查询级历史知识复用：突破现有调优器的工作负载级粒度限制，从单查询语义出发，挖掘历史配置中的针对性优化经验。
2. LLM引导的候选配置生成：通过QConfig的向量检索匹配相关历史经验，增强LLM提示词上下文，生成高质量单查询种子配置，并通过Sanitizer保证有效性。
3. 约束组合机制：采用束搜索算法解决多查询种子的参数冲突，组合为全局最优配置，兼容不同类型调优器的集成需求。
4. 普适性框架设计：通过标准化API（Parse/Link/Digest）实现与现有调优器的无缝集成，无需修改调优器核心逻辑。

---

翻译部分（Markdown格式）