DOI: https://doi.org/10.14778/3797919.3797937
تاريخ النشر: 2026-02-01
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: أداء وموثوقية أنظمة البرمجيات
نظرة عامة
يقدم هذا القسم DBAIOps، وهو نظام هجين جديد مصمم لتعزيز تشغيل وصيانة أنظمة قواعد البيانات من خلال دمج نماذج اللغة الكبيرة القابلة للتفكير (LLMs) مع الرسوم البيانية المعرفية. الطرق التقليدية للصيانة والتشغيل، بما في ذلك الأساليب المعتمدة على القواعد والأساليب المعتمدة على LLM، لا تحقق الاستفادة الفعالة من خبرة الخبراء للتشخيص والاسترداد. يتناول DBAIOps هذه القيود من خلال نموذج رسم بياني غير متجانس يجسد تجارب التشخيص وخوارزمية بناء رسم بياني شبه تلقائية تقوم بتوليف المعلومات من الوثائق الواسعة. بالإضافة إلى ذلك، يتميز بأكثر من 800 نموذج شذوذ قابل لإعادة الاستخدام يحدد كل من الارتباطات المباشرة والضمنية بين المقاييس.
يستخدم DBAIOps آلية تطور رسم بياني تلقائية لاستكشاف المسارات التشخيصية ذات الصلة بشكل ديناميكي وتحديد الفجوات المحتملة دون تدخل بشري. من خلال الاستفادة من نماذج اللغة الكبيرة القابلة للتفكير، مثل DeepSeek-R1، يقوم النظام بتوليد تقارير تشخيص دقيقة مخصصة لكل من مديري قواعد البيانات والمستخدمين العامين. تشير نتائج التقييم إلى أن DBAIOps يتفوق بشكل كبير على الطرق الحالية، محققًا دقة أعلى بنسبة 34.85% و47.22% في تحديد السبب الجذري والتقييمات البشرية، على التوالي. تم نشر النظام بنجاح عبر 25 نظام قاعدة بيانات في تطبيقات العالم الحقيقي المختلفة، بما في ذلك المالية والطاقة والرعاية الصحية، مما يوضح فائدته العملية وفعاليته في تعزيز تشغيل وصيانة قواعد البيانات.
مقدمة
تناقش مقدمة ورقة البحث الدور الحاسم لتشغيل وصيانة قواعد البيانات (O&M) في ضمان توفر عالي وأداء لأنظمة قواعد البيانات. توضح عملية التشغيل والصيانة، والتي تشمل جمع المقاييس ذات الصلة بالنظام، والسجلات، وآثار العمليات، تليها تشخيص السبب الجذري والاسترداد. يصنف المؤلفون طرق التشغيل والصيانة الحالية إلى ثلاثة أنواع رئيسية: الطرق المعتمدة على القواعد، والطرق المعتمدة على التعلم الآلي (ML)، والطرق المعتمدة على نماذج اللغة الكبيرة (LLM).
تعتمد الطرق المعتمدة على القواعد على قواعد خبراء محددة مسبقًا للتشخيص ولكنها محدودة في المرونة والتكيف مع الشذوذات الجديدة. تعزز الطرق المعتمدة على التعلم الآلي الأساليب المعتمدة على القواعد من خلال استخدام خوارزميات لتحسين الدقة؛ ومع ذلك، فإنها ترث قيودًا مشابهة وغالبًا ما تواجه صعوبات في التعميم بسبب اعتمادها على بيانات التدريب. تستفيد الطرق المعتمدة على نماذج اللغة الكبيرة من قدرات التفكير لنماذج LLM لتحسين التشخيص ولكنها تواجه تحديات مثل توليد نتائج عامة وعدم الدقة المحتملة بسبب فصل المعرفة أثناء الاسترجاع. يقترح المؤلفون الحاجة إلى إطار عمل LLM معزز بالخبرة يدمج بشكل منهجي خبرة التشغيل والصيانة مع الحفاظ على العلاقات بين مكونات المعرفة، مما يدعم تحديد أسباب جديدة جذرية وحلول الاسترداد لتشغيل وصيانة قواعد البيانات بشكل فعال.
نقاش
في قسم النقاش، يسلط البحث الضوء على التحديات الكبيرة في تشغيل وصيانة قواعد البيانات (O&M)، لا سيما فيما يتعلق بتشخيص الشذوذات مثل فترات الانتظار العالية لمزامنة ملفات السجل. تشير النتائج الرئيسية إلى أن اختناقات نظام الإدخال/الإخراج، وتنافس عمليات كاتب السجل، وتكرار الالتزام المفرط تساهم في مشاكل الأداء. يؤكد البحث على قيود الطرق التقليدية التي تعتمد على مديري قواعد البيانات ذوي الخبرة (DBAs) لتشخيص الشذوذات، والتي يمكن أن تكون غير فعالة وتستغرق وقتًا طويلاً. تواجه الأساليب الآلية الحالية، بما في ذلك الأنظمة المعتمدة على القواعد ونماذج اللغة الكبيرة (LLMs)، صعوبات في دمج خبرة DBA بدقة والتقاط الارتباطات الضمنية بين المقاييس، مما يؤدي إلى تشخيصات غير مكتملة.
لمعالجة هذه التحديات، يقترح المؤلفون DBAIOps، وهو نظام مبتكر للصيانة والتشغيل يدمج نموذج رسم بياني غير متجانس مع قدرات التفكير لنماذج LLM. يهدف هذا النظام إلى تعزيز عملية التشخيص من خلال توصيف ودمج خبرة التشغيل والصيانة بشكل فعال، وتحديد العوامل المرتبطة عبر المقاييس، واستكشاف مسارات التشخيص المحتملة بشكل تكيفي. تشمل مساهمات DBAIOps رسم بياني شامل للخبرة ينظم المعرفة المتعلقة بالتشغيل والصيانة، ونموذج شذوذ مدرك للارتباطات يلتقط العلاقات الضمنية بين المقاييس، واستراتيجية استرجاع خبرة من مرحلتين تعمل على تحسين عملية التشخيص. تظهر النتائج التجريبية أن DBAIOps يتفوق بشكل كبير على الطرق الحالية في دقة السبب الجذري والتقييم البشري، مما يوفر حلاً أكثر فعالية لتشخيص الشذوذات في قواعد البيانات في العالم الحقيقي.
DOI: https://doi.org/10.14778/3797919.3797937
Publication Date: 2026-02-01
Author(s): Zhenyun Du et al.
Primary Topic: Software System Performance and Reliability
Overview
The section presents DBAIOps, a novel hybrid system designed to enhance the operation and maintenance (O&M) of database systems by integrating reasoning large language models (LLMs) with knowledge graphs. Traditional O&M methods, including rule-based and LLM-based approaches, fall short in effectively utilizing expert experience for diagnosis and recovery. DBAIOps addresses these limitations through a heterogeneous graph model that encapsulates diagnostic experiences and a semi-automatic graph construction algorithm that synthesizes information from extensive documentation. Additionally, it features over 800 reusable anomaly models that identify both direct and implicit metric correlations.
DBAIOps employs an automatic graph evolution mechanism to dynamically explore relevant diagnostic paths and identify potential gaps without human intervention. By leveraging reasoning LLMs, such as DeepSeek-R1, the system generates precise diagnosis reports tailored for both database administrators and general users. Evaluation results indicate that DBAIOps significantly outperforms existing methods, achieving 34.85% and 47.22% higher accuracy in root cause identification and human evaluations, respectively. The system has been successfully deployed across 25 database systems in various real-world applications, including finance, energy, and healthcare, demonstrating its practical utility and effectiveness in enhancing database O&M.
Introduction
The introduction of the research paper discusses the critical role of database operation and maintenance (O&M) in ensuring high availability and performance of database systems. It outlines the process of O&M, which includes the collection of relevant system metrics, logs, and traces, followed by root cause diagnosis and recovery. The authors categorize existing O&M methods into three main types: rule-based methods, machine learning (ML)-based methods, and large language model (LLM)-based methods.
Rule-based methods rely on predefined expert rules for diagnosis but are limited in flexibility and adaptability to new anomalies. ML-based methods enhance rule-based approaches by employing algorithms to improve accuracy; however, they inherit similar limitations and often struggle with generalization due to their dependence on training data. LLM-based methods leverage the reasoning capabilities of LLMs to improve diagnosis but face challenges such as generating generic results and potential inaccuracies due to the separation of knowledge during retrieval. The authors propose the need for an experience-enhanced LLM framework that systematically integrates O&M experience while maintaining the relationships between knowledge components, thereby supporting the identification of new root causes and recovery solutions for effective database O&M.
Discussion
In the discussion section, the research highlights significant challenges in database operation and maintenance (O&M), particularly regarding the diagnosis of anomalies such as high log file sync waits. Key findings indicate that I/O subsystem bottlenecks, log writer process contention, and excessive commit frequency contribute to performance issues. The paper emphasizes the limitations of traditional methods that rely on experienced database administrators (DBAs) for diagnosing anomalies, which can be inefficient and time-consuming. Existing automated approaches, including rule-based systems and large language models (LLMs), struggle with accurately integrating DBA experience and capturing implicit correlations among metrics, leading to incomplete diagnoses.
To address these challenges, the authors propose DBAIOps, an innovative O&M system that integrates a heterogeneous graph model with reasoning capabilities of LLMs. This system aims to enhance the diagnosis process by effectively characterizing and integrating O&M experience, identifying correlated factors across metrics, and adaptively exploring potential diagnosis paths. The contributions of DBAIOps include a comprehensive experience graph that organizes O&M knowledge, a correlation-aware anomaly model that captures implicit relationships among metrics, and a two-stage experience retrieval strategy that optimizes the diagnosis process. Experimental results demonstrate that DBAIOps significantly outperforms existing methods in root cause accuracy and human evaluation, thus providing a more effective solution for real-world database anomaly diagnosis.