随着数据库技术和计算机硬件的发展,当前数据库运行的平台已逐渐转移到多核处理器和大容量的低延迟存储所构成的硬件平台上,由此产生了内存数据库。内存数据库通常在不同线程之间随机调度事务,以最大程度提高并发性,这种方式没有考虑多个事务并行执行潜在的冲突。而内存数据库的OLTP性能下降的一个重要原因就是事务访问相同数据发生冲突而被中止,如果能采用一种方法减少事务冲突的概率,则可以提高系统性能。机器学习的迅猛发展给自治数据库提供了机会,事务冲突难以被预测,且发生条件十分复杂,因此可以通过机器学习的方法来学习事务调度任务。通过历史经验数据训练机器学习模型,然后利用模型输出来更好地调度事务可以提高DBMS性能。本文中探索了一种内存数据库事务调度结合强化学习方法,以进行智能地事务调度。训练和使用强化学习模型前,首先进行事务特征提取作为输入数据,现有的方法只针对等值查询的特征提取,缺乏通用性。本文提出了一种能同时对等值查询和范围查询的事务进行特征提取的方法,介绍了相应特征描述方式,特征提取算法和特征的规范化方法。接下来,构建适用于事务调度的DQN模型。首先介绍了强化学习模型的整体结构,然后提出Q-Learning存在的局限性,并引出更适合事务调度问题的DQN算法。原始DQN算法需要进行调整以更适合事务调度任务,本文详细介绍了DQN算法的关键细节和针对事务调度问题所做的调整。不同机器学习模型的输出结果有不同的表示形式,本文基于DQN模型的输出,设计了基本调度算法,根据贪婪策略,随机选择一个调度队列,或使用DQN模型计算结果选择最优队列。为了进一步优化调度算法,设计一种阻塞策略,防止一个队列因为当前事务过多造成平均响应时间过长。最后,在Noise Page数据库中实现了上述基于强化学习的智能事务调度方法,通过两种压力测试实验,验证了本文方法的有效性。