高效且可扩展的元学习和依赖驱动恢复自愈数据库-计算机科学-元学习-异常检测-图神经网络-可解释人工智能.pdfVIP

高效且可扩展的元学习和依赖驱动恢复自

愈数据库

JoydeepChandraPrabalManhas

DepartmentofCSTDepartmentofCSE

TsinghuaUniversityChandigarhUniversity

Beijing,ChinaMohali,India

joydeepc2002@er.prabalmanhas@

本摘要—本研究探讨了使用元学习和强化学习技术开处理此类挑战的一些现有技术包括：用于异

译发一种新型自愈框架的方法。主要目标是解决动态工作负常检测的生成对抗网络[1]，以及用于自适应系统

载环境中实时适应性和最小化重新训练的挑战。所提出的的强化学习[2]。但历史模型通常需要大量的重新

中方法集成了模型不可知元学习（MAML）与强化学习，以

训练，并且在迅速应对新工作负载时未能保持其

1实现异常检测并采取纠正措施迅速适应不断变化的数据库

v条件。多目标优化被用来在自愈过程中平衡性能、资源利相关性[3]。模型无关元学习（MAML）是一种最

7

5用和成本效率。图神经网络（GNNs）被纳入以建模数据近被探索以训练能够帮助实现快速任务适应的模

7库组件之间的相互依赖性，确保整体恢复策略。通过合成型的元学习模型，即使使用最少的训练数据也能

3

1任务增强和自我监督学习提高了数据效率，使稀疏数据环做到这一点[4]。它已经在动态系统的异常检测中

7.境下有效的训练成为可能。为了促进信任和透明度，集成成功应用[5]以及少量样本学习案例中[6]，因此成

0了可解释的人工智能技术，为异常检测和自愈行动提供可

5理解的见解。联邦元学习进一步实现了分布式数据库环境为解决自愈系统适应性缺口的一个有用起点。此

2外，它已被应用于改进分布式系统中的学习和恢

:中的隐私保护适应性。该框架在适应性、效率和可靠性方

v面表现出显著改进，对数据库管理和自我修复系统的发展复策略开发[7]，并且多目标优化方法已经被采用

i

x做出了贡献。以最小化性能、成本和资源利用率之间的权衡[8]。

r

aIndexTerms—自愈数据库，元学习，模型不可知元尽管取得了这些进展，在处理稀疏数据环境和建

学习（MAML），异常检测，图神经网络（GNNs），强模数据库组件内的相互依赖关系方面仍然存在挑

化学习（RL），多目标优化，级联故障预测，动态工作负战。已经提出了使用图神经网络（GNNs）的方法

载适应，可解释人工智能（XAI），数据库依赖建模，恢

来捕捉级联故障和依赖关系[9]，而联邦元学习框

复优化，任务泛化，主动异常预防，实时适应性，可扩展

数据库系统，联合元学习，工作负载预测，基于RL的恢架已经被引入以增强分布式系统的隐私保护适应

复，数据库管理系统（DBMS）性[10]。自监督学习方法也作为利用异常检测任

务中的未标记数据的有前途途径出现[11]。这项

工作进一步扩展了这些基础，通过将MAML