기술개요
본 기술은 DB의 설정값을 벡터화하여 AI가 학습하고, 유사한 워크로드 기반 예측 모델과 유전 알고리즘을 통해 최적 설정을 도출함.
기술 구현 내용
1)전체 흐름
- 타깃 워크로드 정보 입력
- 유클리디언 거리로 유사 워크로드 탐색
- 노브 벡터 희소 표현 → 내부 메트릭스 생성 (신경망 1)
- 설정 메트릭스 → 외부 메트릭스 예측 (신경망 2, GRU 기반)
- 예측값 vs 디폴트값 → 적합도 → 유전 알고리즘으로 최적 설정값 도출
2) 사용 기술
- Knob2Vec: Word2Vec처럼 노브의 특징 벡터를 임베딩하여 표현
- GRU + Attention 기반 예측 모델: 설정값으로부터 성능 예측
- 유전 알고리즘: 적합도 기반 최적 파라미터 탐색
3) 평가 지표
- 내부 메트릭스: DB 상태 (블록 캐시 히트 수 등)
- 외부 메트릭스: 성능 지표 (실행 시간, 쓰기/공간 증폭, 처리율 등)
시장성
1) 적용 가능 시장
- AI 기반 자동 튜닝 솔루션
- 클라우드 서비스 제공자 (CSP)
- DBMS 개발사, 성능 최적화 툴 업체
- DevOps/데이터 엔지니어링 솔루션
2) DBMS 시장
글로벌 데이터베이스 관리 시스템 시장은 2024년 기준 795억 달러에서 2030년 1,546억 달러까지 연평균 11.7% 성장할 것으로 전망됨.
DBMS 성능 최적화는 대규모 데이터 환경에서의 중요도 상승, RockBM 같은 LSM 기반 DBMS는 파라미터 수가 수백 개 이상이라 자동화 필요성이 크며, 다른 DB에도 응용 가능으로 시장은 지속적으로 성장하고 있음.
기술의 차별성
1) 기존 기술의 한계
- 수작업 기반의 노브 튜닝은 시간이 오래 걸리며 정확도가 낮음
- 기존 자동화 툴(OtterTune 등)은 성능 예측력 한계와 일반화 부족
2) 본 발명의 특장점
- 신경망 기반 학습 + 유전 알고리즘 조합으로 튜닝 자동화
- 노브 설정값을 벡터 임베딩(Knob2Vec) 방식으로 구조화
- 성능 예측 정확도 향상: GRU + 어텐션 도입
- 적은 샘플로도 최적화 가능 (10개 정도로도 충분한 유사 워크로드 탐색 가능)
3) 차별화 포인트
- 자연어 처리 기법을 DB 튜닝에 도입 (Knob2Vec)
- 학습 기반 예측 → 유전 알고리즘의 적합도 계산 → 최적 추천까지 전 주기 자동화
- 예측 정확도, 일반화 성능 모두 기존 기술 대비 우위
