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

论文核心总结与翻译

主要内容

本文针对数据库管理系统（DBMS）调优面临的配置组合庞大、工作负载动态变化等问题，提出Booster框架。该框架通过整合历史调优经验，借助大语言模型（LLMs）生成查询级配置建议，并通过束搜索组合为整体配置，辅助现有调优器快速适应环境变化（如工作负载漂移、跨模式迁移等）。实验表明，在PostgreSQL的OLAP工作负载中，Booster能使调优器找到性能提升高达74%的配置，且调优时间缩短4.7倍。

创新点

1. 提出查询-配置（QConfig）结构化模型，将历史调优 artifacts 标准化为含查询语义、执行计划、配置参数的可搜索对象。
2. 基于LLM的查询级推荐机制，通过嵌入向量匹配相关历史经验，生成针对性配置建议并经清洗优化（Sanitizer）确保有效性。
3. 约束组合策略，采用束搜索算法解决查询级配置冲突，整合为全局最优配置。
4. 跨调优器兼容性，通过API接口适配启发式、机器学习、LLM-based等各类主流调优器。

---

翻译部分（Markdown格式）

Abstract

数据库管理系统（DBMS）的调优极具挑战性，原因在于存在数万亿种可能的配置组合，且工作负载不断演化。近年来的调优技术在优化配置空间方面取得了突破性进展，但由于设计限制，现有自动调优器无法利用查询级历史洞察，难以在环境变化时（如工作负载漂移、模式迁移）自适应并重新优化