데이터베이스의 성능을 높이기 위해서는 데이터베이스 내 다양한 파라미터 값을 적절히 조정하는 데이터베이스 파라미터 튜닝 작업이 필요하다. 데이터베이스 튜닝을 효과적으로 수행하기 위해서는 최적의 파라미터 조합에 근사한 탐색공간으로 빠르고 효율적으로 수렴할 수 있는 모델이 요구된다. 데이터 베이스 파라미터는 독립적으로 작용하지 않고 상호 간 의존성을 가지며 성능 변화에 영향을 미치지만 기존 기계학습 기반 튜닝 모델은 파라미터를 독립 변수로 가정함으로써 파라미터 간의 복잡한 상호작용이 성능에 미치는 영향을 충분히 반영하지 못한다는 한계가 있다. 본 논문에서는 LLM의 최적화 과정에서 관측된 성능 변화로부터 파라미터 간의 잠재적 의존성을 유추하고, 이를 베이지안 최적화의 탐색 가중치로 반영하여 수렴 속도와 효율성을 높이는 PDTune 모델을 제안한다.
Baek et al. (Thu,) studied this question.