iBTune

버퍼 크기를 적절하게 조정하는 것은 클라우드 데이터베이스의 성능에 매우 중요합니다. 일반적으로 메모리가 자원의 병목 현상이기 때문입니다. 이종 애플리케이션을 지원하는 대규모 데이터베이스의 경우, 상당수의 데이터베이스 인스턴스에 대해 개별 버퍼 크기를 구성하는 것은 확장성 문제를 야기합니다. 수동 최적화는 효율적이지도 효과적이지도 않으며, 특히 각 인스턴스마다 워크로드가 동적으로 변할 수 있을 때 대규모 클라우드 클러스터에서는 실행이 불가능합니다. 각 데이터베이스 인스턴스는 완전히 개별화된 다른 버퍼 크기를 요구하며 총 버퍼 메모리 공간의 제한을 받는다는 사실에 어려움이 있습니다. 전체 데이터베이스 인스턴스의 버퍼 풀 조정을 자동으로 수행하는 알고리즘에 의존하는 것이 불가피합니다. 이를 위해 우리는 생산 시스템에 10,000개 이상의 OLTP 클라우드 데이터베이스 인스턴스가 배포된 iBTune을 설계했습니다. 구체적으로, 우리는 유사한 워크로드에서 정보를 활용하여 각 인스턴스의 허용 가능한 미스 비율을 찾아냅니다. 그런 다음, 미스 비율과 할당된 메모리 크기 간의 관계를 활용하여 개별적으로 타겟 버퍼 풀 크기를 최적화합니다. 보장된 서비스 수준 협약(SLA)을 제공하기 위해, 우리는 인스턴스 쌍에 대한 측정값의 특징을 사용하여 요청 응답 시간의 상한을 예측하는 쌍별 심층 신경망을 설계합니다. 예상 응답 시간 상한이 안전한 한계 내에 있을 때만 타겟 버퍼 풀 크기를 조정할 수 있습니다. 수동 구성에 의존했던 원래 시스템보다 메모리 사용량을 17% 이상 안전하게 줄인 생산 환경에서의 성공적인 배포는 우리 솔루션의 효과를 입증합니다.