基于蒙特卡洛树搜索的参数调优方法

doi:10.11772/j.issn.1001-9081.2025070884

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (7): 2139-2151.DOI: 10.11772/j.issn.1001-9081.2025070884

基于蒙特卡洛树搜索的参数调优方法

高锦涛(), 胡志远, 姜璐璐

宁夏大学信息工程学院，银川 750021

收稿日期:2025-08-04 修回日期:2025-10-03 接受日期:2025-10-09 发布日期:2025-11-05 出版日期:2026-07-10
通讯作者: 高锦涛
作者简介:胡志远（2001—），男，山东日照人，硕士，主要研究方向：智能数据库、因果发现
姜璐璐（2001—），女，山东德州人，硕士，主要研究方向：智能数据库、数据库性能优化。
基金资助:
国家自然科学基金资助项目(62462051)

Parameter tuning method based on Monte Carlo tree search

Jintao GAO(), Zhiyuan HU, Lulu JIANG

School of Information Engineering，Ningxia University，Yinchuan Ningxia 750021，China

Received:2025-08-04 Revised:2025-10-03 Accepted:2025-10-09 Online:2025-11-05 Published:2026-07-10
Contact: Jintao GAO
About author:HU Zhiyuan， born in 2001， M. S. His research interests include AI for database， causal discovery.
JIANG Lulu， born in 2001， M. S. Her research interests include AI for database， database performance optimization.
Supported by:
National Natural Science Foundation of China(62462051)

摘要/Abstract

摘要：

数据库管理系统（DBMS）的参数配置与优化与系统整体性能直接相关，但DBMS的默认参数设置难以达到最优性能。评估基于经验的人工调优结果表明，因无法持续捕捉系统状态与数据分布，这种调优常产生次优结果。作为主流方案的贝叶斯优化（BO）在复杂目标函数下易陷入局部最优，限制了对全局最优配置的发现能力。因此，提出一种基于蒙特卡洛树搜索（MCTS）的DBMS参数调优方法MTune。在MTune框架中，策略树主要用于对多维旋钮参数空间进行区域拆分，策略树的每一个节点均对应一个独立的参数子空间。该方案首先向贝叶斯优化（BO）模块输入旋钮配置参数，同步接收对应的性能评价指标，以此完成蒙特卡洛树搜索（MCTS）目标函数的构建。在目标函数确立后，算法采用置信区间上界（UCB）准则，完成对所有树节点的打分评估；同时依托k-means聚类算法对根初始节点开展迭代划分，实现策略树的自主生长。整个迭代过程能够持续收缩参数搜索空间，并且依托空间分区机制，动态平衡算法的探索能力与利用能力。最终通过逐层细化参数搜索区域，有效规避算法陷入局部最优解的问题，进一步提升模型搜寻全局最优解的能力。在YCSB-A与YCSB-B工作负载下的实验结果表明， MTune优于对比的先进基线。在PostgreSQL v9.6上，MTune （最佳HeSBO（Hashing-enhanced Subspace Bayesian Optimization））相较于基线的事务延迟率降低97.13%~97.91%，吞吐量提高24.83%~48.56%，系统开销降低1.62%~16.26%；在PostgreSQL v13.6上，MTune的延迟降低约为95%，吞吐量提高10%~25%，系统开销相较于DDPG（Deep Deterministic Policy Gradient）基本持平或小幅更优，相较于SMAC（Sequential Model-based Algorithm Configuration）在HeSBO-16下最佳。本文方法能够识别高质量区域，并产出近似最优的旋钮配置，在实际应用场景中表现有效且稳定。

关键词: 数据库管理系统, 配置调优, 蒙特卡洛树搜索, 贝叶斯优化, 策略树, k-means, 置信区间上界准则, 工作负载

Abstract:

DataBase Management System （DBMS） configuration and optimization are directly related to overall performance， but default settings of DBMS make it difficult to achieve optimal performance. The evaluation of experience-driven manual tuning shows that it is constrained by the inability to continuously capture the system state and data distribution， often resulting in suboptimal results. Bayesian Optimization （BO）， as the mainstream scheme， tends to fall into local optimum on complex objective functions， limiting the ability to discover the global optimal configuration. Therefore， a Monte Carlo Tree Search （MCTS） -based method for DBMS parameter tuning （MTune） was proposed. In MTune， the strategy tree is adopted to divide the multi-dimensional knob space into multiple regions， where each tree node is defined as an independent subspace. The objective function of Monte Carlo Tree Search （MCTS） is constructed by sending knob configurations to Bayesian Optimization （BO） and receiving corresponding evaluation metrics. With this objective function， each tree node is scored based on the Upper Confidence Bound （UCB） criterion. Besides， the root node is iteratively partitioned via the k-means algorithm to realize the growth of the strategy tree. In this way， the search space is gradually narrowed down， and a balance between exploration and exploitation can be maintained under the guidance of spatial partitioning. By refining search regions step by step， the risk of falling into local optima is effectively alleviated， and the capability of finding the global optimum is improved significantly. Experimental results show that MTune outperforms advanced baselines under YCSB-A and YCSB-B workloads. On PostgreSQL v9.6， MTune with optimal HeSBO （Hashing-enhanced Subspace Bayesian Optimization） has reduced transaction latency rate by 97.13%-97.91%， increased throughput by 24.83%-48.56%， and decreased system overhead by 1.62%-16.26%. On PostgreSQL v13.6， MTune has decreased latency by about 95% and increased throughput by 10%-25%. The system overhead is equal to or slightly better than Deep Deterministic Policy Gradient （DDPG）， and is the best compared to SMAC （Sequential Model-based Algorithm Configuration） under HeSBO-16. The proposed method can identify high-quality regions and generate approximately optimal knob configurations， and is robust and effective in practice.

Key words: DataBase Management System (DBMS), configuration tuning, Monte Carlo Tree Search (MCTS), Bayesian Optimization (BO), policy tree, k-means, Upper Confidence Bound (UCB) criterion, workload

中图分类号:

TP311

高锦涛, 胡志远, 姜璐璐. 基于蒙特卡洛树搜索的参数调优方法[J]. 计算机应用, 2026, 46(7): 2139-2151.

Jintao GAO, Zhiyuan HU, Lulu JIANG. Parameter tuning method based on Monte Carlo tree search[J]. Journal of Computer Applications, 2026, 46(7): 2139-2151.

图/表 18

表1 PostgreSQL中的参数调优示例

Tab. 1 Examples of parameter tuning in PostgreSQL

类别	旋钮	旋钮描述	示例
Server setting parameters	Max_connections	设置最大并发连接数	default：100 value：1 767
Server setting parameters	Deadlock_timeout	设置在检查死锁之前等待锁定的时间	default：1 000 value：1 474
Memory and performance parameters	Shared_buffers	设置服务器使用的共享内存缓冲区数量	default：1 024 value：988 856
Memory and performance parameters	Work_mem	设置查询工作区使用的最大内存容量	default：4 096 value：240 263
Query optimization parameters	Random_page_cost	设置计划器对非连续获取磁盘页面成本的估计值	default：4.0 value：6.055 9
Query optimization parameters	Seq_page_cost	设置计划编制器对按顺序提取磁盘页面成本的估计值	default：1.0 value：1.615 0

表2 符号说明

Tab. 2 Explanation of symbols

符号	说明	符号	说明
MCTS	蒙特卡洛树搜索	Θ_i	参数
BO	贝叶斯优化	LHS	拉丁超立方采样
UCB	置信区间上界	SVM	支持向量机

图1 MCTS和BO的映射关系

Fig. 1 Mapping relationship between MCTS and BO

图2 MTune的框架

Fig. 2 Framework of MTune

图3 构建策略树的示例

Fig. 3 Example of constructing a policy tree

图4 调优全参数时DDPG、SMAC与MTune吞吐量的对比

Fig. 4 Comparison of throughput of DDPG， SMAC， and MTune under full parameter tuning

图5 基于HeSBO-16降维的DDPG、SMAC与MTune吞吐量的对比

Fig. 5 Comparison of throughput of DDPG， SMAC， and MTune with HeSBO-16 dimensionality reduction

表3 在PostgreSQL v13.6上使用HeSBO降维时DDPG、SMAC与MTune吞吐量、延迟率与系统开销的对比

Tab. 3 Comparison of DDPG， SMAC and MTune in throughput， latency rate and system overhead using HeSBO dimensionality reduction on PostgreSQL v13.6

指标	方法	YCSB-A			YCSB-B
指标	方法	DDPG	SMAC	MTune	DDPG	SMAC	MTune
延迟率	HeSBO-8	1.308 426	3.846 227	0.140 693	6.444 842	6.610 277	0.137 257
	HeSBO-16	0.197 317	0.740 762	0.115 921	0.204 861	0.178 901	0.147 307
	HeSBO-24	5.463 713	5.463 713	0.177 297	13.664 730	2.138 713	0.128 634
吞吐量	HeSBO-8	47 626.16	69 211.06	68 485.75	70 844.92	63 808.64	73 138.44
	HeSBO-16	62 130.96	49 175.10	71 879.62	62 327.85	65 151.40	67 083.75
	HeSBO-24	51 316.63	68 176.46	57 219.22	42 816.90	70 757.48	78 254.81
系统开销	HeSBO-8	61.926 73	62.560 89	62.584 86	62.454 50	73.663 17	64.820 10
	HeSBO-16	62.064 48	64.808 57	61.362 43	61.885 66	83.879 25	61.055 56
	HeSBO-24	63.943 36	62.516 86	65.089 82	63.494 96	62.291 31	60.299 70

表4 在PostgreSQL v9.6上使用HeSBO降维时DDPG、SMAC与MTune吞吐量、延迟率与系统开销的对比

Tab. 4 Comparison of DDPG， SMAC and MTune in throughput， latency rate and system overhead using HeSBO dimensionality reduction on PostgreSQL v9.6

指标	方法	YCSB-A			YCSB-B
指标	方法	DDPG	SMAC	MTune	DDPG	SMAC	MTune
延迟率	HeSBO-8	0.141 871	0.148 446	0.136 960	0.142 891	0.149 792	0.137 307
	HeSBO-16	0.146 970	0.140 851	0.136 663	0.150 950	0.140 762	0.137 277
	HeSBO-24	0.150 277	0.137 653	0.137 634	0.148 059	0.138 287	0.136 594
吞吐量	HeSBO-8	70 527.17	67 555.70	73 129.01	69 985.88	66 893.14	72 836.29
	HeSBO-16	65 655.64	71 183.57	73 289.79	66 280.42	71 241.95	72 736.71
	HeSBO-24	66 612.45	72 770.46	72 658.08	67 625.01	72 413.22	73 146.50
系统开销	HeSBO-8	66.170 64	61.081 05	61.738 81	67.447 52	61.277 16	60.149 42
	HeSBO-16	67.527 00	60.787 09	62.227 36	60.315 57	60.695 90	62.134 58
	HeSBO-24	60.314 45	61.615 15	60.142 19	61.443 76	61.587 73	60.158 28

图6 基于REMBO降维的DDPG、SMAC与MTune平均延迟率的对比

Fig. 6 Comparison of average latency rate of DDPG， SMAC， and MTune with REMBO dimensionality reduction

图7 基于REMBO降维的DDPG、SMAC与MTune平均吞吐量的对比

Fig. 7 Comparison of average throughput of DDPG， SMAC， and MTune with REMBO dimensionality reduction

图8 基于REMBO降维的DDPG、SMAC与MTune平均系统开销的对比

Fig. 8 Comparison of average system overhead of DDPG， SMAC， and MTune with REMBO dimensionality reduction

图9 基于REMBO-8降维的DDPG、SMAC与MTune吞吐量的对比

Fig. 9 Comparison of throughput of DDPG， SMAC， and MTune with REMBO-8 dimensionality reduction

图10 全参数降维下DDPG、SMAC与MTune的延迟率的对比

Fig. 10 Comparison of latency rate of DDPG， SMAC， and MTune with full-parameter dimensionality reduction

图11 基于HeSBO-16降维的DDPG、SMAC与MTune延迟率的对比

Fig. 11 Comparison of latency rate of DDPG， SMAC， and MTune with HeSBO-16 dimensionality reduction

图12 基于REMBO-8降维的DDPG、SMAC与MTune延迟率的对比

Fig. 12 Comparison of latency rate of DDPG， SMAC， and MTune with REMBO-8 dimensionality reduction

图13 基于REMBO-8降维的DDPG、SMAC与MTune达到最低延迟率的迭代次数的对比

Fig. 13 Comparison of iterations to minimum latency rate achieved by DDPG， SMAC， and MTune with REMBO-8 dimensionality reduction

图14 PostgreSQL v9.6与v13.6上MTune、DDPG与SMAC平均耗时的对比

Fig. 14 Comparison of average time cost of MTune， DDPG， and SMAC on PostgreSQL v9.6 and v13.6

参考文献 32

[1]	Storm A J， Garcia-Arellano C， Lightstone S S， et al. Adaptive self-tuning memory in DB2 ［C］// VLDB 2006. ［S.l.］： VLDB Endowment， 2006： 1081-1092.
[2]	Wang Z， Hutter F， Zoghi M， et al. Bayesian optimization in a billion dimensions via random embeddings ［J］. Journal of Artificial Intelligence Research， 2016， 55： 361-387.
[3]	Duan S， Thummala V， Babu S. Tuning database configuration parameters with iTuned ［J］. Proceedings of the VLDB Endowment， 2009， 2（1）： 1246-1257.
[4]	Cereda S， Valladares S， Cremonesi P， et al. CGPTuner： a contextual Gaussian process bandit approach for the automatic tuning of IT configurations under varying workload conditions ［J］. Proceedings of the VLDB Endowment， 2021， 14（8）： 1401-1413.
[5]	Li G， Zhou X， Li S， et al. QTune： a query-aware database tuning system with deep reinforcement learning ［J］. Proceedings of the VLDB Endowment， 2019， 12（12）： 2118-2130.
[6]	Wang L， Fonseca R， Tian Y. Learning search space partition for black-box optimization using Monte Carlo tree search ［C］// NeurIPS 2020. Red Hook： Curran Associates Inc.， 2020： 19511-19522.
[7]	Kanellis K， Ding C， Kroth B， et al. LlamaTune： sample-efficient DBMS configuration tuning ［J］. Proceedings of the VLDB Endowment， 2022， 15（11）： 2953-2965.
[8]	Zhou X， Chai C， Li G， et al. Database meets artificial intelligence： a survey ［J］. IEEE Transactions on Knowledge and Data Engineering， 2022， 34（3）： 1096-1116.
[9]	Trummer I. DB-BERT： a database tuning tool that "reads the manual” ［C］// SIGMOD 2022. New York： ACM， 2022： 190-203.
[10]	Trummer I. CodexDB： synthesizing code for query processing from natural language instructions using GPT-3 codex ［J］. Proceedings of the VLDB Endowment， 2022， 15（11）： 2921-2928.
[11]	Zhou X， Sun Z， Li G. DB-GPT： large language model meets database ［J］. Data Science and Engineering， 2024， 9（1）： 102-111.
[12]	Li Z， Yuan H， Wang H， et al. LLM-R²： a large language model enhanced rule-based rewrite system for boosting query efficiency ［J］. Proceedings of the VLDB Endowment， 2025， 18（1）： 53-65.
[13]	Shahriari B， Swersky K， Wang Z， et al. Taking the human out of the loop： a review of Bayesian optimization ［J］. Proceedings of the IEEE， 2016， 104（1）： 148-175.
[14]	Zhang X， Chang Z， Li Y， et al. Facilitating database tuning with hyper-parameter optimization ［J］. Proceedings of the VLDB Endowment， 2022， 15（9）： 1808-1821.
[15]	Kanellis K， Alagappan R， Venkataraman S. Too many knobs to tune？ towards faster database tuning by pre-selecting important knobs ［C］// HotStorage 2020. Berkeley： USENIX Association， 2020： 1-8.
[16]	Nayebi A， Munteanu A， Poloczek M. A framework for Bayesian optimization in embedded subspaces ［C］// ICML 2019. New York： JMLR.org， 2019： 4752-4761.
[17]	Zhang X， Wu H， Chang Z， et al. ResTune： resource oriented tuning boosted by meta-learning for cloud databases ［C］// SIGMOD 2021. New York： ACM， 2021： 2102-2114.
[18]	Browne C B， Powley E， Whitehouse D， et al. A survey of Monte Carlo tree search methods ［J］. IEEE Transactions on Computational Intelligence and AI in Games， 2012， 4（1）： 1-43.
[19]	Zhu Y， Liu J， Guo M， et al. BestConfig： tapping the performance potential of systems via automatic configuration tuning ［C］// SoCC 2017. New York： ACM， 2017： 338-350.
[20]	Cai B， Liu Y， Zhang C， et al. HUNTER： an online cloud database hybrid tuning system for personalized requirements ［C］// SIGMOD 2022. New York： ACM， 2022： 646-659.
[21]	Ge J K， Chai Y F， Chai Y P. WATuning： a workload aware tuning system with attention-based deep reinforcement learning ［J］. Journal of Computer Science and Technology， 2021， 36（4）： 741-761.
[22]	van Aken D， Pavlo A， Gordon G J， et al. Automatic database management system tuning through large-scale machine learning ［C］// SIGMOD 2017. New York： ACM， 2017： 1009-1024.
[23]	Zhang J， Zhou K， Li G， et al. CDBTune⁺： an efficient deep reinforcement learning based automatic cloud database tuning system ［J］. The VLDB Journal， 2021， 30（6）： 959-987.
[24]	Wang J， Immanuel I， Basu D. UDO： universal database optimization using reinforcement learning ［J］. Proceedings of the VLDB Endowment， 2021， 14（13）： 3402-3414.
[25]	Hutter F， Hoos H H， Leyton-Brown K. Sequential model-based optimization for general algorithm configuration ［C］// LION 2011. Berlin： Springer， 2011： 507-523.
[26]	Silver D， Huang A， Maddison C J， et al. Mastering the game of Go with deep neural networks and tree search ［J］. Nature， 2016， 529（7587）： 484-489.
[27]	Rakotoarison H， Schoenauer M， Sebag M. Automated machine learning with Monte-Carlo tree search ［C］// IJCAI 2019. California： ijcai.org， 2019： 3296-3303.
[28]	Song L， Xue K， Huang X， et al. Monte Carlo tree search based variable selection for high dimensional Bayesian optimization ［C］// NeurIPS 2022. Red Hook： Curran Associates Inc.， 2022： 28488-28501.
[29]	Zhou X， Li G， CHAI C， et al. A learned query rewrite system using Monte Carlo tree search ［J］. Proceedings of the VLDB Endowment， 2021， 15（1）： 46-58.
[30]	Lao J， Wang Y， Li Y， et al. GPTuner： a manual-reading database tuning system via GPT-guided Bayesian optimization ［J］. Proceedings of the VLDB Endowment， 2024， 17（8）： 1939-1952.
[31]	Cooper B F， Silberstein A， Tam E， et al. Benchmarking cloud serving systems with YCSB ［C］// SoCC 2010. New York： ACM， 2010： 143-154.
[32]	Zhang J， Liu Y， Zhou K， et al. An end-to-end automatic cloud database tuning system using deep reinforcement learning ［C］// SIGMOD 2019. New York： ACM， 2019： 415-432.

基于蒙特卡洛树搜索的参数调优方法

Parameter tuning method based on Monte Carlo tree search

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 32

相关文章 15

编辑推荐

Metrics

[1]	付锦程, 杨仕友. 基于贝叶斯优化和特征融合混合模型的短期风电功率预测[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 652-658.
[2]	白瑞峰, 苟光磊, 文浪, 缪宛谕. 基于粒球原型网络的小样本图像分类方法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2269-2277.
[3]	孙林, 刘梦含. 基于自适应布谷鸟优化特征选择的K-means聚类[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 831-841.
[4]	徐雪冉, 杨庚, 黄喻先. 横向联邦学习中差分隐私聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 217-222.
[5]	钟静, 林晨, 盛志伟, 张仕斌. 基于汉明距离的量子K-Means算法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2493-2498.
[6]	翟冉, 陈学斌, 张国鹏, 裴浪涛, 马征. 基于不同敏感度的改进K-匿名隐私保护算法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1497-1503.
[7]	华夏, 朱铮皓, 徐聪, 张曦煌, 柴志雷, 陈闻杰. 基于精准通信建模的脉冲神经网络工作负载自动映射器[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 827-834.
[8]	高媛媛, 余振华, 杜方, 宋丽娟. 基于贝叶斯优化的无标签网络剪枝算法[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 30-36.
[9]	张达为, 刘绪崇, 周维, 陈柱辉, 余瑶. 基于改进YOLOv3的实时交通标志检测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2219-2226.
[10]	李由之, 胡志华, 陈春, 杨培蓓, 董雅静. 基于双长短期记忆网络组合的网络货运平台成交定价预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1616-1623.
[11]	赵乐, 张恩, 秦磊勇, 李功丽. 基于区块链的多方隐私保护k-means聚类方案[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3801-3812.
[12]	邹志文, 秦程. 基于k-means++的动态构建空间主题R树方法[J]. 计算机应用, 2021, 41(3): 733-737.
[13]	张恩, 李会敏, 常键. 可验证的隐私保护k-means聚类方案[J]. 计算机应用, 2021, 41(2): 413-421.
[14]	杨威亚, 余正涛, 高盛祥, 宋燃. 基于跨语言神经主题模型的汉越新闻话题发现方法[J]. 计算机应用, 2021, 41(10): 2879-2884.
[15]	顾桐, 许国良, 李万林, 李家浩, 王志愿, 雒江涛. 基于集成LightGBM和贝叶斯优化策略的房价智能评估模型[J]. 计算机应用, 2020, 40(9): 2762-2767.