Логотип
ИЭА СТР
УДК 004.891 • EDN: WKJRCN • e-Library ID: 82707607

ПРИМЕНЕНИЕ ЭКСПЕРТНОЙ СИСТЕМЫ ДЛЯ ОПТИМИЗАЦИИ УПРАВЛЕНИЯ ОБЪЕКТАМИ В РЕЛЯЦИОННОЙ БАЗЕ ДАННЫХ

• С. 64-75
Скачать JATS XML Скачать PDF
🇷🇺 На русском

Для цитирования

Франтасов Д.Н., Лёшин Н.С., Прокопов А.В. Применение экспертной системы для оптимизации управления объектами в реляционной базе данных // Информационно-экономические аспекты стандартизации и технического регулирования. 2025. № 4(85). С. 64–75.

Аннотация

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.

Ключевые слова

ЭКСПЕРТНАЯ СИСТЕМА ОПТИМИЗАЦИЯ МЕТАДАННЫЕ РЕКОМЕНДАЦИИ

Об авторах

Франтасов Д. Н.

Франтасов Д. Н. — канд. техн. наук, доцент, начальник управления по обеспечению цифровой трансформации, ФГАОУ ВО «Самарский государственный экономический университет», ( Самара, Россия )

Лёшин Н. С.

Лёшин Н. С. — студент магистратуры, ФГАОУ ВО «Самарский государственный экономический университет», ( Самара, Россия )

Прокопов А. В.

Прокопов А. В. — студент магистратуры, ФГАОУ ВО «Самарский государственный экономический университет», ( Самара, Россия )

Список литературы

  1. 1. Kimball R., Ross M. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. 3rd ed. Wiley, 2022.
  2. 2. 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.
  3. 3. 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.
  4. 4. 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.
  5. 5. DB-Engines Ranking [Электронный ресурс]. – URL: https://db-engines.com/en/ranking (дата обращения: 19.05.2025).
  6. 6. СУБД (рынок России) [Электронный ресурс] // TAdviser. – URL: https://www.tadviser.ru/index.php/Статья:СУБД_%28рынок_России%29 (дата обращения: 21.03.2025).
  7. 7. 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).
  8. 8. 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).
  9. 9. Gartner [Электронный ресурс]. Database Management System Market Trends. 2024. – URL: https://www.gartner.com/en/ documents/4594399 (дата обращения: 04.03.2025).
  10. 10. 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).
  11. 11. Gunasekaran K.P., Tiwari K., Acharya R. «Utilizing Deep Learning for Automated Tuning of Database Management Systems» // arXiv preprint arXiv:2306.14349, 2023.
  12. 12. 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.
  13. 13. Use index advisor [Электронный ресурс] // Microsoft Learn. – URL: https://cloud.google.com/sql/docs/sqlserver/useindex-advisor (дата обращения: 02.04.2025)
  14. 14. 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.
  15. 15. Taipalus T. A Systematic Review of Database Performance Comparison Research. // arXiv preprint arXiv:2301.01095, 2023.
  16. 16. 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.
  17. 17. Osman O., Knottenbelt W.J. Database system performance evaluation models: A survey // Performance Evaluation. – 2012. – Vol. 69, № 10. – P. 471–493.
  18. 18. 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).
  19. 19. 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).
  20. 20. 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).
  21. 21. 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.
  22. 22. Marcus R. Learned Query Superoptimization. // arXiv preprint arXiv:2303.15308, 2023.
  23. 23. SQL Optimizer for SQL Server [Электронный ресурс] // Quest Software. – URL: https://www.quest.com/products/sqloptimizer-for-sql-server/ (дата обращения: 04.06.2025).
  24. 24. HypoPG: Hypothetical Indexes for PostgreSQL [Электронный ресурс]. – URL: https://github.com/HypoPG/hypopg (дата обращения: 05.05.2025).
  25. 25. Rekatsinas T., Chu X., Ilyas I.F., et al. HoloClean: Holistic Data Repairs with Probabilistic Inference. // arXiv preprint arXiv:1702.00820, 2017.
🇬🇧 In English

APPLICATION OF AN EXPERT SYSTEM FOR OPTIMIZING THE MANAGEMENT OF OBJECTS IN A RELATIONAL DATABASE

For citation

Frantasov D.N., Leshin N.S., Prokopov A.V. Application of an Expert System for Optimizing the Management of Objects in a Relational Database. Information and Economic Aspects of Standardization and Technical Regulation. 2025; 4(85): 64–75. (In Russ.).

Abstract

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.

Keywords

EXPERT SYSTEM OPTIMIZATION METADATA RECOMMENDATIONS

About the authors

Frantasov D. N.

Frantasov D. N. — Candidate of Technical Sciences, Associate Professor, Head of the Department for Digital Transformation Support, Samara State University of Economics, ( Samara, Russia )

Leshin N. S.

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

Prokopov A. V.

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

References

  1. 1. Kimball R., Ross M. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. 3rd ed. Wiley, 2022.
  2. 2. 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.
  3. 3. 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.
  4. 4. 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.
  5. 5. DB-Engines Ranking. – URL: https://db-engines.com/en/ranking (date of access: 19 may 2025).
  6. 6. DBMS (Russian Market) [Electronic resource] // TAdviser. – URL: https:// www.tadviser.ru/index.php/Статья:СУБД_%28рынок_России%29 (date of access: 21.03.2025).
  7. 7. 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).
  8. 8. The Transaction Processing Performance Council. TPC Benchmark™ H (TPC-H) Standard Specification. – URL: https://www.tpc.org/tpch/ (date of access: 12 april 2025).
  9. 9. Gartner. Database Management System Market Trends. 2024. – URL: https://www.gartner.com/en/ documents/4594399 (date of access: 04.03.2025).
  10. 10. 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).
  11. 11. Gunasekaran K.P., Tiwari K., Acharya R. «Utilizing Deep Learning for Automated Tuning of Database Management Systems» // arXiv preprint arXiv:2306.14349, 2023.
  12. 12. 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.
  13. 13. Use index advisor // Microsoft Learn. – URL: https://cloud.google.com/sql/docs/sqlserver/useindex-advisor (date of access: 02.04.2025)
  14. 14. 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.
  15. 15. Taipalus T. A Systematic Review of Database Performance Comparison Research. // arXiv preprint arXiv:2301.01095, 2023.
  16. 16. 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.
  17. 17. Osman O., Knottenbelt W.J. Database system performance evaluation models: A survey // Performance Evaluation. – 2012. – Vol. 69, № 10. – P. 471–493.
  18. 18. 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).
  19. 19. 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).
  20. 20. 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).
  21. 21. 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.
  22. 22. Marcus R. Learned Query Superoptimization. // arXiv preprint arXiv:2303.15308, 2023.
  23. 23. SQL Optimizer for SQL Server. // Quest Software. – URL: https://www.quest.com/products/sqloptimizer-for-sql-server/ (date of access: 04.06.2025).
  24. 24. HypoPG: Hypothetical Indexes for PostgreSQL. – URL: https://github.com/HypoPG/hypopg (date of access: 05.05.2025).
  25. 25. Rekatsinas T., Chu X., Ilyas I.F., et al. HoloClean: Holistic Data Repairs with Probabilistic Inference. // arXiv preprint arXiv:1702.00820, 2017.