rst Информационно-экономические аспекты стандартизации и технического регулирования Informatsionno-ekonomicheskiye aspekty standartizatsii i tekhnicheskogo regulirovaniya 2311-1348 ФГБУ «Институт стандартизации» WKJRCN 82707607 Research Article Информационные системы и процессы information systems and processes ПРИМЕНЕНИЕ ЭКСПЕРТНОЙ СИСТЕМЫ ДЛЯ ОПТИМИЗАЦИИ УПРАВЛЕНИЯ ОБЪЕКТАМИ В РЕЛЯЦИОННОЙ БАЗЕ ДАННЫХ APPLICATION OF AN EXPERT SYSTEM FOR OPTIMIZING THE MANAGEMENT OF OBJECTS IN A RELATIONAL DATABASE Франтасов Д. Н. Frantasov D. N.

Франтасов Д. Н., начальник управления по обеспечению цифровой трансформации ФГАОУ ВО «Самарский государственный экономический университет»

Самара, Россия

Frantasov D. N., Head of the Department for Digital Transformation Support Samara State University of Economics

Samara, Russia

 Лёшин Н. С. Leshin N. S.

Лёшин Н. С., студент магистратуры ФГАОУ ВО «Самарский государственный экономический университет»

Самара, Россия

Leshin N. S., 2nd-year Master’s student Samara State University of Economics

Samara, Russia

 Прокопов А. В. Prokopov A. V.

Прокопов А. В., студент магистратуры ФГАОУ ВО «Самарский государственный экономический университет»

Самара, Россия

Prokopov A. V., 2nd-year Master’s student Samara State University of Economics

Samara, Russia

 ФГАОУ ВО «Самарский государственный экономический университет» Россия Samara State University of Economics Russian Federation 2025 114 85 64 75 Copyright © Франтасов Д. Н., Лёшин Н. С., Прокопов А. В., 2026 2026 Франтасов Д. Н., Лёшин Н. С., Прокопов А. В. Frantasov D. N., Leshin N. S., Prokopov A. V. Данная работа распространяется под лицензией Creative Commons Attribution 4.0. https://iea.gostinfo.ru/article/view/37

Разработка автоматизированных систем оптимизации реляционных баз данных становится ключевым направлением для повышения их производительности и снижения эксплуатационных затрат. В работе предлагается концепция экспертной системы, формирующей рекомендации на основе анализа метаданных и конфигурационных параметров. Проведен обзор существующих подходов, включая ручные методы, ML/AI и гибридные модели. Представлена архитектура системы, а также модель оценки ее эффективности с учетом технических и организационных факторов. Предложена классификация типов рекомендаций, охватывающая различные аспекты сопровождения СУБД. Рассматриваемый подход обеспечивает баланс между автоматизацией и экспертным контролем, позволяя повысить устойчивость и управляемость информационной инфраструктуры.

The development of automated systems for optimizing relational databases is becoming a key direction for improving performance and reducing operational costs. This work proposes a concept of an expert system that generates recommendations based on the analysis of metadata and configuration parameters. A review of existing approaches is presented, including manual methods, ML/AI, and hybrid models. The system architecture and an evaluation model considering both technical and organizational factors are described. A classification of recommendation types is proposed, covering various aspects of database management system (DBMS) maintenance. The proposed approach ensures a balance between automation and expert control, enhancing the resilience and manageability of the information infrastructure.

 ЭКСПЕРТНАЯ СИСТЕМА ОПТИМИЗАЦИЯ МЕТАДАННЫЕ РЕКОМЕНДАЦИИ EXPERT SYSTEM OPTIMIZATION METADATA RECOMMENDATIONS References Kimball R., Ross M. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. 3rd ed. Wiley, 2022. Kimball R., Ross M. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. 3rd ed. Wiley, 2022. Trummer I. DB-BERT: a Database Tuning Tool that» Reads the Manual» // In Proceedings of the 2022 international conference on management of data. 2022. P. 190–203. Trummer I. DB-BERT: a Database Tuning Tool that» Reads the Manual» // In Proceedings of the 2022 international conference on management of data. 2022. P. 190–203. Lao J., Wang Y., Li Y., Wang J., et al. GPTuner: A Manual-Reading Database Tuning System via GPT-Guided Bayesian Optimization. arXiv preprint arXiv:2311.03157, 2023. Lao J., Wang Y., Li Y., Wang J., et al. GPTuner: A Manual-Reading Database Tuning System via GPT-Guided Bayesian Optimization. arXiv preprint arXiv:2311.03157, 2023. Cosa M., Torelli R. Digital Transformation and Flexible Performance Management: A Systematic Literature Review of the Evolution of Performance Measurement Systems // Global Journal of Flexible Systems Management. – 2024. – Vol. 25, No. 3. – P. 445–466. Cosa M., Torelli R. Digital Transformation and Flexible Performance Management: A Systematic Literature Review of the Evolution of Performance Measurement Systems // Global Journal of Flexible Systems Management. – 2024. – Vol. 25, No. 3. – P. 445–466. DB-Engines Ranking [Электронный ресурс]. – URL: https://db-engines.com/en/ranking (дата обращения: 19.05.2025). DB-Engines Ranking. – URL: https://db-engines.com/en/ranking (date of access: 19 may 2025). СУБД (рынок России) [Электронный ресурс] // TAdviser. – URL: https://www.tadviser.ru/index.php/Статья:СУБД_%28рынок_России%29 (дата обращения: 21.03.2025). DBMS (Russian Market) [Electronic resource] // TAdviser. – URL: https:// www.tadviser.ru/index.php/Статья:СУБД_%28рынок_России%29 (date of access: 21.03.2025). Российские СУБД приходят на смену зарубежным [Электронный ресурс] // Российская газета. 24.04.2022. – URL: https://rg.ru/2022/04/24/rossijskie-subd-prihodiat-na-smenu-zarubezhnym.html (дата обращения: 03.04.2025). Russian DBMSs Replace Foreign Ones [Electronic resource] // Rossiyskaya Gazeta. April 24, 2022. – URL: https://rg.ru/2022/04/24/ rossijskie-subd-prihodiat-na-smenu-zarubezhnym.html (date of access: 04.03.2025). The Transaction Processing Performance Council [Электронный ресурс]. TPC Benchmark™ H (TPC-H) Standard Specification. – URL: https://www.tpc.org/tpch/ (дата обращения: 12.04.2025). The Transaction Processing Performance Council. TPC Benchmark™ H (TPC-H) Standard Specification. – URL: https://www.tpc.org/tpch/ (date of access: 12 april 2025). Gartner [Электронный ресурс]. Database Management System Market Trends. 2024. – URL: https://www.gartner.com/en/ documents/4594399 (дата обращения: 04.03.2025). Gartner. Database Management System Market Trends. 2024. – URL: https://www.gartner.com/en/ documents/4594399 (date of access: 04.03.2025). Pavlo A., Gopalan G., Babu S., et al. Self-driving database management systems [Электронный ресурс] // Proceedings of the 8th Biennial Conference on Innovative Data Systems Research (CIDR 2017). 2017. Vol. 1. P. 1–13. – URL: https://www. cidrdb.org/cidr2017/papers/p42-pavlo-cidr17.pdf (дата обращения: 27.03.2025). Pavlo A., Gopalan G., Babu S., et al. Self-driving database management systems // Proceedings of the 8th Biennial Conference on Innovative Data Systems Research (CIDR 2017). 2017. Vol. 1. P. 1–13. – URL: https://www. cidrdb.org/cidr2017/papers/p42-pavlo-cidr17.pdf (date of access: 27.03.2025). Gunasekaran K.P., Tiwari K., Acharya R. «Utilizing Deep Learning for Automated Tuning of Database Management Systems» // arXiv preprint arXiv:2306.14349, 2023. Gunasekaran K.P., Tiwari K., Acharya R. «Utilizing Deep Learning for Automated Tuning of Database Management Systems» // arXiv preprint arXiv:2306.14349, 2023. Marcus R., Negi P., Mao H., et al. Making learned query optimization practical // In Proceedings of the 2021 International Conference on Management of Data. 2021. P. 1275–1288. Marcus R., Negi P., Mao H., et al. Making learned query optimization practical // In Proceedings of the 2021 International Conference on Management of Data. 2021. P. 1275–1288. Use index advisor [Электронный ресурс] // Microsoft Learn. – URL: https://cloud.google.com/sql/docs/sqlserver/useindex-advisor (дата обращения: 02.04.2025) Use index advisor // Microsoft Learn. – URL: https://cloud.google.com/sql/docs/sqlserver/useindex-advisor (date of access: 02.04.2025) Морозов В.П., Родионов Е.А., Сырин А.И. Принятие решений в информационных социокиберфизических системах поддержки финансовой инвестиционной деятельности // Информационно-экономические аспекты стандартизации и технического регулирования. 2021. № 3 (61). С. 54–60. Morozov V.P., Rodionov E.A., Syrin A.I. Decision Making in Socio-Cyber-Physical Information Systems for Supporting Financial Investment Activities // Information and Economic Aspects of Standardization and Technical Regulation. 2021. No. 3 (61). Pp. 54–60. Taipalus T. A Systematic Review of Database Performance Comparison Research. // arXiv preprint arXiv:2301.01095, 2023. Taipalus T. A Systematic Review of Database Performance Comparison Research. // arXiv preprint arXiv:2301.01095, 2023. Khan W., Kumar T., Zhang C., et al. SQL and NoSQL Database Software Architecture Performance Analysis and Assessments– A Systematic Literature Review // Big Data and Cognitive Computing. – 2023. – Т. 7, № 2. – С. 97. Khan W., Kumar T., Zhang C., et al. SQL and NoSQL Database Software Architecture Performance Analysis and Assessments– A Systematic Literature Review // Big Data and Cognitive Computing. – 2023. – Т. 7, № 2. – С. 97. Osman O., Knottenbelt W.J. Database system performance evaluation models: A survey // Performance Evaluation. – 2012. – Vol. 69, № 10. – P. 471–493. Osman O., Knottenbelt W.J. Database system performance evaluation models: A survey // Performance Evaluation. – 2012. – Vol. 69, № 10. – P. 471–493. Maabreh K.S. Performance Evaluation of Distributed Database Systems // International Journal of Computer and Technology. 2014. Т. 13, № 9. C. 4859–4867. – URL: https://rajpub.com/index.php/ijct/article/view/2383 (дата обращения: 20.03.2025). Maabreh K.S. Performance Evaluation of Distributed Database Systems // International Journal of Computer and Technology. 2014. Т. 13, № 9. C. 4859–4867. – URL: https://rajpub.com/index.php/ijct/article/view/2383 (date of access: 20.03.2025). Демидович Н.А. Модели и алгоритмы оценки эффективности баз данных [Электронный ресурс] // Компьютерные системы и сети: материалы 52-й науч. конф. аспирантов, магистрантов и студентов, Минск, 25–30 апр. 2016 г. / Белорус. гос. ун-т информатики и радиоэлектроники. – Минск, 2016. – С. 54–55. – URL: https://libeldoc.bsuir.by/handle/123456789/7043 (дата обращения: 04.06.2025). Demidovich N.A. Models and Algorithms for Database Performance Evaluation [Electronic resource] // Computer Systems and Networks: Proceedings of the 52nd Scientific Conference of Postgraduate and Graduate Students, Minsk, April 25–30, 2016 / Belarusian State University of Informatics and Radioelectronics. – Minsk, 2016. – Pp. 54–55. – URL: https://libeldoc.bsuir.by/handle/123456789/7043 (date of access: 04.06.2025). Van Aken, D., Yang, D., Brillard, et al. An Inquiry into Machine Learning-based Automatic Configuration Tuning Services on Real-World Database Management Systems [Электронный ресурс]. – Carnegie Mellon University, 2021. – URL: https:// db.cs.cmu.edu/papers/2021/p1241-aken.pdf (дата обращения: 15.05.2025). Van Aken, D., Yang, D., Brillard, et al. An Inquiry into Machine Learning-based Automatic Configuration Tuning Services on Real-World Database Management Systems. – Carnegie Mellon University, 2021. – URL: https:// db.cs.cmu.edu/papers/2021/p1241-aken.pdf (date of access: 15.05.2025). Li G., Zhou K., Zhang J., et al. An End-to-End Automatic Cloud Database Tuning System Using Deep Reinforcement Learning // Proceedings of the 2019 International Conference on Management of Data (SIGMOD’19). – 2019. – С. 415–432. Li G., Zhou K., Zhang J., et al. An End-to-End Automatic Cloud Database Tuning System Using Deep Reinforcement Learning // Proceedings of the 2019 International Conference on Management of Data (SIGMOD’19). – 2019. – С. 415–432. Marcus R. Learned Query Superoptimization. // arXiv preprint arXiv:2303.15308, 2023. Marcus R. Learned Query Superoptimization. // arXiv preprint arXiv:2303.15308, 2023. SQL Optimizer for SQL Server [Электронный ресурс] // Quest Software. – URL: https://www.quest.com/products/sqloptimizer-for-sql-server/ (дата обращения: 04.06.2025). SQL Optimizer for SQL Server. // Quest Software. – URL: https://www.quest.com/products/sqloptimizer-for-sql-server/ (date of access: 04.06.2025). HypoPG: Hypothetical Indexes for PostgreSQL [Электронный ресурс]. – URL: https://github.com/HypoPG/hypopg (дата обращения: 05.05.2025). HypoPG: Hypothetical Indexes for PostgreSQL. – URL: https://github.com/HypoPG/hypopg (date of access: 05.05.2025). Rekatsinas T., Chu X., Ilyas I.F., et al. HoloClean: Holistic Data Repairs with Probabilistic Inference. // arXiv preprint arXiv:1702.00820, 2017. Rekatsinas T., Chu X., Ilyas I.F., et al. HoloClean: Holistic Data Repairs with Probabilistic Inference. // arXiv preprint arXiv:1702.00820, 2017.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

The authors declare that there are no conflicts of interest present.