随着企业级应用的不断发展,数据库作为应用内数据存储处理的关键模块,提供着组织、共享等诸多功能。为了有效处理不同场景下的任务,数据库系统提供了相应的配置参数,但是由于其数量庞大、相互作用密切,难以针对不同的任务选择最优的配置参数。除此以外,随着相关技术的不断变化,数据库版本需要不断更新,导致现有的性能预测方式可用性降低。因此在版本更迭的情况下,通过配置参数预测数据库系统的性能已成为优化应用性能的首要任务。目前,国内外针对数据库的性能预测问题已有一定程度的研究,但已有方法大多局限于固定的环境内,面对数据库组件更新升级、可获取的样本数量及建模时间有限等诸多问题,不能在较低的成本下,保证性能预测的准确度。因此,如何在有限的成本内,合理利用已有的经验知识,预测数据库系统的性能成为业界内的一个重要课题。针对上述问题,本文通过对数据库系统的性能分析建模,提出了一种针对数据库配置参数的性能预测方法。该方法采用迁移学习的思想,构建了一种基于对抗判别式的域适应框架实例,该框架复用了源域中的部分经验知识,在满足样本数量及时间成本约束的基础上,有效结合判别性特征学习和对抗学习以得到目标域数据库系统的性能预测模型。本文的具体研究内容分为以下几个方面:(1)定义数据库系统性能预测问题。分析影响数据库系统性能的因素,针对运行环境、工作负载、数据库组件以及配置参数等因素,使用数学公式对其进行定义,并进行数据库系统性能建模。分析数据库系统性能预测存在的问题以及现有解决方案的不足,给出本文所需解决的数据库版本变化场景下的性能预测问题的明确定义。(2)设计并实现基于迁移学习的对抗判别域适应算法,构建数据库系统性能预测模型。首先对数据库系统的配置参数进行样本初始化,并使用逐步线性回归方式进行特征选择。针对待解决的问题,采用迁移学习的思想,设计并实现了能够利用源域数据库系统先验知识生成目标域数据库系统性能预测模型的对抗判别域适应算法。通过对抗训练得到编码器,该编码器能够将目标域数据库系统配置参数编码到与源域相同的参数空间,使得通过源域中的性能预测模型可以预测目标域数据库系统的性能值。(3)设计并进行实验验证,分析实验结果。为了更全面地验证本文算法的有效性、模型适用性及系统适用性,本文提出了实验过程中的三个关键点:首先为了验证在算法在实际工作环境中的有效性,结合YCSB基础测试工具,使用六种不同的工作负载场景设计实验内容,尽量保证多角度地分析实验结果;实现随机森林、线性回归、SVM三种不同的算法用于生成源域数据库系统的性能预测模型,验证本文算法的模型适用性;以My SQL、Cassandra及Redis三种数据库系统为性能预测模型建立对象,通过实验验证本文算法的系统适用性。最后,通过对比两种迁移学习方法,证明本文算法能够在较低的成本下得到准确度较高的数据库系统性能预测模型。